风电机组故障监测方法和装置的制造方法
【技术领域】
[0001] 本发明涉及监测技术，尤其涉及一种风电机组故障监测方法和装置。
【背景技术】
[0002] 随着风力发电的快速发展，风电机组获得了广泛的应用。但在风电机组的应用过 程中，不可避免地会产生一些故障，如何有效监测故障从而保障风电机组的正常运转成为 亟待解决的问题。
[0003] 针对风电机组的故障监测，目前往往仅能给出对风电机组中的零部件进行测量之 后所获得的二维曲线结果，这种二维曲线所反映的部件故障不够直观，往往还需要有经验 的故障监测人员依靠人员经验，对二维曲线进行分析以识别出零部件是否具有故障。
【发明内容】
[0004] 本发明提供一种风电机组故障监测方法和装置，用于解决现有技术中故障监测结 果不够直观的技术问题。
[0005] 为达到上述目的，本发明的实施例采用如下技术方案：
[0006] 第一方面，提供了 一种风电机组故障监测方法，包括：
[0007] 对风电机组中的零部件进行故障识别；
[0008] 采用零部件的三维模型对所识别出的故障进行呈现。
[0009] 第二方面，提供了一种风电机组故障监测装置，包括：
[0010] 识别模块，用于对风电机组中的零部件进行故障识别；
[0011] 呈现模块，用于采用零部件的三维模型对所识别出的故障进行呈现。
[0012] 本发明实施例中，通过对风电机组中的零部件进行故障识别之后，针对所识别出 的故障，采用该零部件的三维模型对故障进行呈现，从而使得故障监测人员能够直观的观 察到零部件所出现故障，不仅有利于在轻微故障演变成严重故障之前采取有效的故障处理 措施，从而减轻故障危害，而且降低了对故障监测人员的经验要求，避免了现有技术中故障 监测人员依靠人员经验对二维曲线进行分析以识别出零部件是否具有故障的过程。
【附图说明】
[0013] 图1为本发明实施例一提供的一种风电机组故障监测方法的流程示意图；
[0014] 图2为本发明实施例二提供的一种风电机组故障监测方法的流程示意图；
[0015] 图3为AWS云端的数据分析流程图；
[0016] 图4为一般分析流程图；
[0017] 图5为故障匹配和处理的流程图；
[0018] 图6为本发明实施例三提供的一种风电机组故障监测装置的结构示意图；
[0019] 图7为本发明实施例三提供的另一种风电机组故障监测装置的结构示意图；
[0020] 图8为本发明实施例四提供的一种风电机组故障监测装置的结构示意图；
[0021] 图9为本发明实施例四提供的另一种风电机组故障监测装置的结构示意图；
[0022] 图10为本发明实施例四提供的又一种风电机组故障监测装置的结构示意图。
【具体实施方式】
[0023] 下面结合附图对本发明实施例提供的风电机组故障监测方法和装置进行详细描 述。
[0024] 实施例一
[0025] 图1为本发明实施例一提供的一种风电机组故障监测方法的流程示意图，如图1所 示，方法包括：
[0026] 步骤101、对风电机组中的零部件进行故障识别。
[0027] 具体的，首先在风电机组的零部件上安装振动、声音、温度和成像传感器，利用这 些传感器采集零部件的传感数据集。其中，传感数据集包括振动参数、声音参数、温度参数 和图像参数。将传感器所采集到的传感数据集通过可编程逻辑控制器（Programmable Logic Controller，PLC)发送到工控机上，进一步通过工控机将这些传感数据集上传至AWS 云端，其中AWS是一种云服务平台，从而在AWS云端对传感数据集进行分析处理，以确定传感 数据集对应的零部件是否存在故障。
[0028] 例如:在采集这些传感数据集的过程中，可以包括但不限于以下三种采集方法：
[0029] 第一种采集方法，分别采用振动传感器、声音传感器、温度传感器和成像传感器， 从而声音、振动、温度、图像参数分别独立采集。
[0030] 第二种采集方法，声音和振动采用同一传感器采集，依据声音与振动之间的函数 关系对采集到的信号进行推理，分别获得声音参数和振动参数的取值。
[0031] 第三种采集方法，声音和温度采用同一传感器采集，依据声音与温度之间的函数 关系对采集到的信号进行推理，分别获得声音参数和温度参数的取值。
[0032] 其中，针对成像参数的采集，可以采用视频录制方式实现，也可以借助三维建模技 术，对振动传感器、声音传感器和温度传感器等所采集到的信号进行处理，从而获得再现图 像数据，将再现图像数据作为图像参数的取值。
[0033]然后，在AWS云端对传感数据集进行分析处理具体采用预先训练的机器学习模型， 对传感数据集进行处理，获得特征检验矩阵。其中，特征检验矩阵的行向量用于指示零部 件，列向量用于指示物理参数。进而根据特征检验矩阵进行故障识别。
[0034]作为一种可能的实现方式，机器学习模型可以为BP神经网络，将传感器所采集到 的各零部件的振动、声音、温度和/或图像参数作为BP神经网络的输入参数，由逆传播(Back Propagation，BP)神经网络进行主成份分析、关联分析和/或聚类分析获得特征检验矩阵。 若特征检验矩阵中零部件物理参数的取值与设计状态下物理参数的取值相匹配，则确定零 部件运转正常;否则，识别出零部件存在故障。
[0035]进一步，识别出零部件存在故障之后，还可以在故障数据库中，查询与特征检验矩 阵中零部件物理参数的取值相匹配的目标故障模式。
[0036]本步骤中AWS云端之所以能够基于传感器采集零部件的传感数据集进行分析处 理，确定信号对应的零部件是否存在故障，是依赖于传感数据集所推衍出的零部件物理参 数能够准确描述该零部件的运行状态。风电机组是一个大的系统，这个系统由多个分系统 组成，而每个分系统又分别由多个机械零部件组成，这些零部件是遵循一定的标准配合在 一起的。而标准是预先根据零部件的功能数据以及几何数据而制定，因此，可以利用功能数 据以及几何数据来描述零部件，功能数据和几何数据所构成的集合便是零部件的物理参 数。物理参数包括但不限于:转轴扭矩T、固有频率Η、摩擦力Ff、反射光强U、轴传递的功率W、 输出功率P、转速N、压力F P、风速V、叶轮直径D、零部件质量Μ和/或像素0。其中，转轴扭矩T、 摩擦力Ff和压力FP属于力学参数。
[0037]步骤102、采用零部件的三维模型对所识别出的故障进行呈现。
[0038] 可选的，针对所识别出的存在故障的零部件，从存在故障的零部件各物理参数中 提取出力学参数，根据特征检验矩阵，确定存在故障的零部件的力学参数的取值，将力学参 数的取值作为边界条件，对存在故障的零部件处于正常状态的三维模型进行应力分析，获 得呈现应力状态的二维模型。
[0039] 或者，可选的，从零部件的三维模型库中，调用与步骤101中故障识别所获得的目 标故障模式相对应的目标三维模型，呈现目标三维模型。
[0040] 其中，零部件的三维模型库用于存储正常状态的三维模型，还可以进一步存储各 故障模式下的三维模型。
[0041] 当零部件为多个时，零部件的三维模型库中可以存储各零部件在各故障模式下的 三维模型，以及处于正常状态的三维模型。
[0042] 作为一种可能的实现方式，可以根据上一步骤中所获得的特征检验矩阵中的物理 参数的取值，在零部件的三维模型库中，确定对应零部件的三维模型。
[0043] 作为另一种可能的实现方式，也可以直接根据特征检验矩阵行向量所指示的零部 件，确定对应零部件的三维模型。
[0044]之所以能够根据特征检验矩阵中的物理参数的取值，在零部件的三维模型库中确