一种用于对风力涡轮机进行计算机实现的监控的方法与流程

本发明涉及一种用于对风力涡轮机进行计算机实现的监控的方法和系统。

背景技术

本发明属于进行结构健康监控以便确定结构的状况的领域。对于风力涡轮机来说，已知一种通过分析旋转叶片的振动来诊断涡轮机的状态的方法。

文献US 2010/0209243 A1描述了一种用于监控风力涡轮机的叶片频率的方法，其中通过分析位于风力涡轮机舱（nacelle）内的加速度传感器的信号来提取叶片频率。在该监控方法中，计算不同叶片的叶片频率之间的频率差，并且在一个或多个相对频率超过预设阈值情况下，产生警报。

技术实现要素：

本发明的一个目的是提供一种用于对风力涡轮机进行计算机实现的监控的方法和系统，从而导致对涡轮机异常行为的增强检测。

该目的通过根据权利要求1的方法和根据权利要求12的系统来解决。本发明的优选实施例在从属权利要求中定义。

本发明提供了一种用于对风力涡轮机进行计算机实现的监控的方法，其中风力涡轮机包括塔、舱、轮毂和多个叶片，例如三个叶片。在该方法中，在随后的时间点检测对于每个叶片的活动信号。在优选实施例中，该活动信号是由各自叶片的振动产生的叶片频率。然而，活动信号也可以指针对各自叶片而检测到的其他种类的信号，例如应变信号或力矩信号。应变信号可以例如由光纤应变仪来检测，并且力矩信号可以例如是从检测到的应变信号计算得到的。此外，活动信号可以指对应叶片的位移或加速度，优选地在叶片的摆振方向（edgewise direction）上的位移或加速度。术语检测要被广义地解释。特别地，活动信号不需要通过测量直接检测，而是也可以从一个或多个测量结果导出，例如如上述文献US 2010/0209243 A1中描述的从G传感器的测量信号导出。在另一个实施例中，叶片频率形式的活动信号可以由叶片负载传感器来检测，其中叶片频率是例如通过对来自叶片负载传感器的信号进行锁相环 (PLL) 频率估计而获得的。

在本发明的方法中，对至少一些后续时间点的每个时间点执行以下步骤。

在步骤a)中，由单独的数据驱动模型来预测每个叶片在各自时间点的活动信号，即每个叶片有单独的数据驱动模型。预测的活动信号是各自数据驱动模型的输出值。除了其活动信号是输出值的叶片之外的叶片的一个或多个检测到的活动信号是各自数据驱动模型的输入值。已经使用训练数据通过机器学习学习了各自数据驱动模型，该训练数据包括过去在风力涡轮机未损坏状态期间发生的已知的输入和输出活动信号。在优选实施例中，数据驱动模型的学习可以在风力涡轮机的监控期间继续。在这种情况下，数据驱动模型是通过机器学习在给定时间点使用在风力涡轮机的运行期间新获取的训练数据来更新的。

在本发明方法的步骤b)中，为每个数据驱动模型确定预测的活动信号与检测到的活动信号之间的残差；例如，残差可以是预测的活动信号与检测到的活动信号之间的差或差的绝对值。此外，残差也可以指这个差的平方。

在根据本发明的方法的步骤c)中，检查用于一个或多个变量的阈值准则，其中一个或多个变量的值取决于所有数据驱动模型的残差。这意味着一个或多个变量的值作为一个整体取决于所有数据驱动模型的残差。换句话说，单个变量的值可能仅取决于一些残差，并且不需要取决于所有数据驱动模型的残差。

基于阈值准则，为每个变量定义阈值，其中如果任何变量（即至少一个变量）的值超过定义的阈值，则满足阈值准则。阈值的适当选择受技术人员的专业知识影响或可以通过实验来确定。在优选实施例中，阈值取决于如下所述的变量值的时间序列的频率分布的标准偏差。在任何变量的值都等于阈值的情况下，这可以被视为其中满足阈值准则的情况，或者替代地被视为其中不满足阈值准则的情况。

在根据本发明的方法的步骤d)中，如果满足阈值准则，则确定涡轮机的异常运行状态。

本发明基于以下发现：通过一个或多个其他叶片的活动信号的输入来输出叶片的活动信号的几个学习的数据驱动模型的预测提供了对异常涡轮机状态的可靠检测，该异常涡轮机状态是在不久的将来可能导致风力涡轮机故障的损坏的指示。

在优选实施例中，检测到的活动信号是叶片频率并且优选地是从沿各自叶片的摆振方向的振动产生的叶片边缘频率。优选地，各自的叶片边缘频率是沿各自叶片的摆振方向的振动的基频。

在另一个优选实施例中，用于各自变量的阈值取决于各自变量在过去的值的时间序列的频率分布的标准偏差，其中时间序列的时间间隔优选地不覆盖数据驱动模型的训练时段的时间间隔。优选地，阈值位于两倍标准偏差和三倍标准偏差之间。在特别优选的实施例中，阈值是三倍标准偏差。上述用于选择各自阈值的间隔在检测异常运行状态时提供了特别高的可靠性。

在另一优选实施例中，各自数据驱动模型的一个或多个输入值除了包括除其活动信号为输出值的叶片之外的叶片的一个或多个检测到的活动信号之外，还包括一个或多个另外的风力涡轮机的环境和/或运行参数，特别是风力涡轮机周围的环境温度和/或风力涡轮机的功率输出和/或风力涡轮机转子的转速和/或各自叶片的方位角和/或各自叶片的桨距角。术语方位角和桨距角对于技术人员来说是众所周知的。方位角是指叶片在涡轮机叶片所跨越的平面中的角度，并且桨距角是指叶片面向风的角度。另外的输入的使用提高了数据驱动模型所做的预测的保真度。

在本发明的方法中可以使用任何已知的数据驱动模型；例如，各自数据驱动模型可以基于高斯过程和/或基于（人工）神经网络结构。

在本发明的另一个实施例中，如果涡轮机的异常运行状态被确定，即在阈值准则被满足的情况下，记录警报（即将警报存储在对应的存储装置中）和/或经由用户界面输出警报。

在本发明的一种直接实施方式中，该方法的步骤c)中处理的一个或多个变量对应于残差；即，变量与残差相同。

在另一特定优选实施例中，将用于去除残差的时间序列中的共同趋势的趋势去除应用于在步骤b)中确定的残差，趋势去除的结果是步骤c）中处理的一个或多个变量。趋势去除的方法对于技术人员来说是众所周知的；例如，趋势去除可以基于协整、自动关联神经网络或主成分分析。

在该实施例的优选变体中，趋势去除基于一个或多个协整向量，其中一个或多个协整向量与步骤b)中确定的残差的相乘导致一个或多个变量。每个协整向量由协整来导出，所述协整被应用于过去在风力涡轮机的未损坏状态期间发生的不同数据驱动模型的至少一些残差的时间序列。协整所考虑的时间间隔优选地是与包括数据驱动模型训练时段的时间间隔不同的另一个时间间隔。

在本发明的另一变体中，趋势去除基于应用于在步骤 b)中确定的残差并导致一个或多个变量的一个或多个变换，每个变换由主成分分析来导出，所述主成分分析被应用于过去在风力涡轮机的未损坏状态期间发生的不同数据驱动模型的至少两个残差的时间序列。该时间序列的时间间隔优选地是与包括数据驱动模型训练时段的时间间隔不同的另一时间间隔。

在另一个特别优选的实施例中，用于不同数据驱动模型的所有可能的残差对中的每一对都由单独的趋势去除程序来处理。该实施例提供了关于损坏原因的另外的信息。特别地，可以识别被损坏的叶片。

除了上述方法之外，本发明涉及一种用于对风力涡轮机进行计算机实现的监控的系统，其中风力涡轮机包括塔、舱、轮毂和多个叶片，其中对于每个叶片，在随后的时间点检测叶片的活动信号，其中该系统被配置为执行根据本发明的方法或者根据本发明的一个或多个优选实施例的方法。

本发明还涉及一种具有程序代码的计算机程序产品，其被存储在非暂时性机器可读载体上，用于当程序代码在计算机上执行时，执行根据本发明的方法或根据本发明的一个或多个优选实施例的方法。

本发明还涉及一种具有程序代码的计算机程序，用于当该程序代码在计算机上执行时，执行根据本发明的方法或根据本发明的一个或多个优选实施例的方法。

附图说明

在下文中，将参考附图详细描述本发明的实施例，在其中：

图1以侧视图示出了基于本发明的实施例来监控的风力涡轮机；

图 2以前视图示出了图1的风力涡轮机；以及

图 3是基于本发明的实施例的用于监控图1的涡轮机而执行的步骤的图示。

具体实施方式

下面将基于图1和图2所示的用于风力涡轮机的监控系统来描述本发明。该涡轮机在图1中用附图标记1来表示并且包括塔2，其顶部上布置有舱3。舱连接到轮毂4，在轮毂4处附接三个旋转叶片5。这可以在图2的前视图中看到。根据该视图，用不同的附图标记5A、5B和5C来表示三个旋转叶片。这些叶片以 120°的角度偏移并围绕轮毂旋转。叶片的位置由方位角φ给出。

在图 2 中，挥舞方向（flapwise direction）垂直于由 x 轴和 y 轴跨越的平面而延伸，而摆振方向是叶片边缘的一边到另一边方向，如图 2 中的双箭头所示。叶片由风驱动，导致通过叶片而旋转的电机（未示出）产生电能。涡轮机上的风激励在涡轮机结构上引起多次振动，包括叶片在摆振方向上的振动，如双箭头所指示的。在本文所述的实施例中，分析那些摆振振动以便确定风力涡轮机的状况。

在图 1 和图 2 的风力涡轮机中，叶片在摆振方向上的振动是由位于舱 3 内的3D 加速度传感器 6 检测到的，该3D 加速度传感器 6也被称为 G 传感器。通过分析该传感器的信号，可以提取每个叶片的摆振振动的基波叶片边缘频率。用于提取这些叶片边缘频率的方法是众所周知的并且使用例如PLL 频率估计（PLL = 锁相环）。文献US 2010/0209243 A1描述了一种通过G传感器（三轴加速度计）的信号获得叶片边缘频率的方法。在本文所述的实施例中，处理基波叶片边缘频率。然而，该方法也可以与更高阶的检测到的叶片频率或叶片的其他活动信号一起使用，例如如上所述的对应叶片的应变信号或力矩信号或位移信号或加速度信号。

图3示出了由用于监控图1和图2中所示的风力涡轮机1的监控系统的实施例执行的步骤。在随后的时间点，通过分析G传感器的信号来检测每个叶片5A、5B、5C的叶片边缘频率。那些检测到的频率被表示为用于叶片5A的fA、用于叶片5B的fB和用于叶片5C的fC。此外，在检测到叶片频率的各自时间点，检测到涡轮机的另外的环境和运行变量。这些变量在图3中用术语EOV来总体表示。变量EOV包括以下变量中的至少一个并且优选地所有：

• 风力涡轮机周围的环境温度；

• 风力涡轮机的功率输出；

• 风力涡轮机转子的转速；

• 各自叶片的方位角 φ；

• 各自叶片的桨距角（即叶片面向风的角度）。

对于每个检测到的叶片边缘频率连同环境和运行变量 EOV，存在数据驱动模型。这些模型被表示为 DM1、DM2 和 DM3。数据驱动模型 DM1 接收叶片边缘频率 fA连同变量 EOV 作为输入。数据驱动模型 DM2 接收叶片边缘频率 fB连同变量 EOV 作为输入。数据驱动模型 DM3 接收叶片边缘频率 fC连同变量 EOV 作为输入。

数据驱动模型DMl被分配给叶片5B并预测其叶片边缘频率，即数据驱动模型DMl输出叶片5B的预测的叶片边缘频率fBP。数据驱动模型DM2被分配给叶片5C并且输出叶片5C的预测的叶片边缘频率fCP。数据驱动模型DM3被分配给叶片5A并输出叶片5A的预测的叶片边缘频率fAP。数据驱动模型 DM1 至 DM3 是指通过训练数据而学习的众所周知的模型。在这里描述的实施例中，数据驱动模型基于高斯过程。

数据驱动模型之前已经基于在风力涡轮机运行期间实际发生（即实际检测到）的过去的运行值的训练数据通过机器学习进行了学习。这些训练数据形成训练数据集的时间序列，其中每个训练数据集包括叶片边缘频率和输入到对应数据驱动模型的环境和运行变量，以及形成各自数据驱动模型的输出的叶片边缘频率。为了区分涡轮机的健康状态和损坏状态，仅在涡轮机的健康状态期间收集训练数据。所收集的训练数据的时间间隔可以是例如一年。

基于图3所示的学习数据驱动模型DM1、DM2和DM3，对于给定时间点，预测叶片的各自的叶片边缘频率，即fBP、fCP和fAP。此时，还通过分析G传感器6的信号来检测实际叶片边缘频率。在下一步骤中，确定在对应的预测的叶片边缘频率与实际的叶片边缘频率之间的残差。在本文所述的实施例中，该残差是指检测到的叶片边缘频率与预测的叶片边缘频率之间的差。然而，残差也可以指这个差的绝对值或这个差的平方。在图3的实施例中，如下确定残差：

reB = fB - fBP

reC = fC − fCP

reA = fA − fAP。

残差reB是关于由数据驱动模型DM1提供的叶片5B的叶片边缘频率的预测。残差reC是关于由数据驱动模型DM2提供的叶片5C的叶片边缘频率的预测。残差reA是关于由数据驱动模型 DM3 提供的叶片 5A 的叶片边缘频率的预测。

图3的实施例的基本特征在于由模型输出的预测的叶片边缘频率使用另一个叶片的叶片频率作为输入的事实。如果叶片特性没有变化，则预测的频率将保持接近实际检测到的频率，从而将使残差误差保持为低。如果预测的频率与实际检测的频率之间存在变化，则残差将增加，这意味着叶片的特性发生了变化，这表明存在损坏。

在本发明的直接实施方式中，可以直接使用残差误差以便识别风力涡轮机的异常状态，即指示可能在不久的将来导致涡轮机故障的损坏的状态。为此，可以直接为每个残差定义阈值，并且在任何残差超过阈值的情况下，将检测到异常状态。然而，为了增强对涡轮机的诊断，在图3的实施例中实施了归一化技术。这种归一化技术的目的是去除残差之间的共同趋势。该归一化技术基于以下事实，即在风力涡轮机的运行过程中，非平稳性非常普遍，因为风速、温度和其他环境和运行变量会随时间不断变化。由于这些非平稳性对每个叶片产生同等影响，因此这允许去除共同趋势。

在图3的实施例中，使用了三种趋势去除方法TR1、TR2和TR3(即相同趋势去除过程的三个实例)。这些方法中的每一种都提供了基于众所周知的协整技术预先确定的协整向量。协整是一种常用方法以便从数据中去除趋势。稍后将更详细地描述导致趋势去除方法TR1、TR2和TR3的协整向量的协整。

在趋势去除方法TR1、TR2和TR3中的每一个中，对具有两个不同残差项的向量进行处理。换言之，在趋势去除方法TR1中，对包括残差reB和reC的向量进行处理，如箭头P1所示。在趋势去除方法TR2中，对包括残差reC和reA的向量进行处理，如箭头P2所示。在趋势去除方法TR3中，对包括残差reB和reA的向量进行处理，如箭头P3所示。在对应的趋势去除方法中，使这些残差向量与各自方法的协整向量相乘。

为了确定各自协整向量，通过协整来处理在涡轮机的正常运行期间（即处于未损坏状态）发生的过去的残差对的时间序列。将在下面描述这种协整，其中向量用小写粗体字体来表示，并且矩阵用大写粗体字体来表示。协整是一种众所周知的方法。在Cross，Elizabeth J.、Keith Worden 和 Qian Chen发表于2011年皇家学会的伦敦皇家学会会刊 A：数学、物理和工程科学的文献“协整：一种用于去除结构健康监控数据中的环境趋势的新方法。”中给出了协整的描述。

令xt是随时间变化的非平稳测量结果的多元集合（时间由索引t来表示）。在图3的实施例中，这些测量结果指的是在过去的时间间隔中确定的残差对的时间序列，该过去的时间间隔优选地是不同于数据驱动模型DM1、DM2和DM3的训练数据所源自的时间间隔的另一个时间间隔。当使用图3的术语时，对于趋势去除方法TR1来说，向量xt是包括在对应的时间点的残差reB和reC的向量，对于趋势去除方法TR2来说，向量xt是包括在对应时间点的残差reA和reC的向量，以及对于趋势去除方法TR3来说，向量xt是包括在对应时间点的残差reA和reB的向量。

如果存在向量b，则对测量结果xt进行协整，这经由下面的公式产生平稳信号zt：

（1）。

如果存在这样的解，则b被称为协整向量。该向量是预先确定的，以便在各自趋势去除方法 TR1、TR2 和 TR3 中使用。取决于一组给定的非平稳时间序列的性质，可能存在多于一个协整向量，这是不确定性所独有的。

在识别出协整向量之前，存在一些先决条件。除了xt中的信号应该共享共同趋势这一事实之外，它们还应该被积分到同一阶。这里，术语“积分到同一阶”是指非平稳信号在变得平稳之前应该被差分n次，并被表示为I(n)； n 被称为积分阶数。

为了确定一组非平稳信号的积分阶数是什么，必须进行单位根检验。单位根意味着信号本质上是非平稳的。另一方面，如果根小于 1，则信号是平稳的，并且如果根大于 1，则信号是发散过程。扩展迪基-福勒(ADF) 检验通常用于检验单位根，其中虚假设是所考虑的信号的特征方程至少具有一个单位根。在 ADF 检验中，信号被拟合为以下形式的模型：

（2）

其中 ，并且 。滞后次数p允许高阶自回归过程，并且需要被选择成使得 εt 成为白噪声过程。赤池（Akaike）、贝叶斯或汉南-奎因信息准则（分别为 AIC、BIC 或 HQIC）可以帮助找到最佳滞后次数。在这里描述的实施例中，使用了AIC。系数α是 ADF 检验的焦点。原则上，如果α为 0，则信号本质上是非平稳的，并且因此包含单位根。实际上，α不可能精确为 0，并且因此问题是确定α在统计上是否接近 0。这是通过计算方程（3）给出的检验统计，并将其与临界 ADF 检验统计值进行比较来执行的。使用以下公式来计算检验统计：

（3）

其中是使用最小二乘法找到的α的估计值，并且是其标准误差。如果 ，则接受 ADF 检验的虚假设，其中 tc是 ADF 检验统计表中找到的临界值。在这种情况下，信号的特征方程的解集包含单位根。对于差分信号再次重复该过程。在第二次迭代中，如果虚假设被拒绝，那么原始信号是非平稳的，并且被积分为一阶，即 I(1)。在接受 ADF 检验的虚假设的情况下，对另外的差分信号重复上述过程，直到找到信号的积分阶。

在评估了所有信号的积分阶之后，下一个任务是识别b。在这个过程中，只能使用相同阶次积分的信号。存在用于识别b可以采用的几种方法。这些方法包括Engle-Granger 方法和Johansen 程序。在这里描述的实施例中，使用了Johansen程序。 Johansen 程序只涉及 I (1) 信号，但有一些方法可以识别更高积分阶数的b。下面简要介绍Johansen程序。

Johansen 程序通过将信号拟合到向量自回归模型中而开始，该模型可以表述为：

其中 M1、M2、...、Mp 是权重矩阵，是滞后项，以及εt是高斯噪声过程。执行此步骤以便模型阶数 p 可以由合适的信息准则（例如 AIC）来确定，该准则将被用于后续评估。Johansen 程序的下一步骤是将信号拟合到矢量误差校正模型 (VECM)，它可以被表示为：

（4）

其中 ，是对应差项的权重，以及A和B是包含相关权重的矩阵。在这两个矩阵中，B是最关键的，因为它包含潜在的协整向量b。等式（4）需要进一步被处理以提取B；等式（4）被分解为下面两个更简单的回归，

（5）

和 （6）

残差和的关系如下，

（7）

接下来，定义一些积矩矩阵，

，对于 （8）

然后使用这些积矩矩阵来求解下式，

（9）。

等式(9)是特征值问题，具有特征向量 和特征值 。对应于幅度最大特征值的特征向量是来自矩阵 B的协整向量 b，它提供等式 (1) 中最平稳的信号zt。通过将各自趋势去除方法TR1、TR2和TR3中的该协整向量与形成趋势去除方法的输入的残差对相乘，获得如图3所示的变量va1、va2和va3的值。

在可用数据源自被认为是正常的（或健康的）风力涡轮机的时段内执行识别协整向量的过程。一旦获得协整向量，它们应该保持不变，并且新的数据应该被投影到这些协整向量上。如果风力涡轮机继续健康，则信号zt将继续保持平稳。然而，如果风力涡轮机变得损坏，则信号zt（即变量 va1、va2和va3 的值）将变得不平稳。

如上已经所述，趋势去除方法TR1、TR2和TR3提供变量va1、va2和va3的值。这些变量服从阈值准则TC，其中为变量va1定义阈值TH1，为变量va2定义阈值TH2，并且为变量va3定义阈值TH3。在优选实施例中，基于在预定时间间隔内各自变量va1、va2和va3的过去值的时间序列来确定阈值。该时间间隔优选地位于用于训练数据模型的时间间隔之外并且涵盖其中涡轮机处于健康状态的风力涡轮机的运行。阈值TH1、TH2和TH3是基于在所考虑的时间间隔内各自变量va1、va2和va3的值的频率分布的标准偏差σ来确定的。优选地，TH1、TH2和TH3的值位于各自频率分布的与之间。这种选择确保了对风力涡轮机异常状态的可靠检测。

阈值准则TC被应用于各自变量va1、va2和va3。如果变量va1、va2和va3中的任何一个的值超过对应的阈值TH1（对于变量va1）、TH2（对于变量va2）和TH3（对于变量va3），则满足阈值准则。当超过对应的阈值时，这表明从涡轮机的健康状态学到的预测不再正确，即这是涡轮机的异常或损坏状态的指示，这可能导致涡轮机在不久的将来会发生故障。这种异常状态在图3中被表示为AS。

在图 3 的方法确定涡轮机的异常状态的情况下，这将导致警报，该警报被记录并且还经由监控系统的用户界面输出，以便通知操作员关于风力涡轮机的恶化。例如在维护期间可以采取适当的措施。

在图3的实施例中，还记录了在满足阈值准则的情况下超过了哪个阈值或哪些阈值。这使得能够更详细地识别损坏；例如在仅超过阈值 TH1 和 TH2 的情况下，这将表明关于叶片 5C 损坏。

前面描述的本发明具有几个优点。特别是，可以预测风力涡轮机中每个叶片的行为，给出另一个叶片的性能，这形成一个很好的基线以进行比较。此外，可以掩盖叶片特性变化的非平稳趋势被去除，导致对涡轮机进行早期且可靠的损坏检测。由于疲劳损坏/裂纹萌生和传播发生在相对较长的时间段内，因此可以利用本发明的方法基于在健康状态数据上的多个数据驱动模型的训练而非常早地确定异常。此外，在对应的数据驱动模型中，可以将易于混淆损害的环境和运行变量作为输入而考虑在内，导致更可靠地检测异常状态。