云边端协同风电机组轮毂关键部件声振融合在线监测系统

本发明涉及风电机组云边端协同技术以及声振融合，尤其涉及一种云边端协同的风电机组轮毂关键部件声振融合在线监测系统。

背景技术：

1、风电机组轮毂内关键部件故障频发，且检测手段单一，监测难度大。一旦轮毂内的关键部件出现异常，轻则会影响发电机组的整体性能，导致发电量下降；严重的可能导致轮毂内部的部件损坏或失效，对人员和设备构成安全风险，从而增加风电机组的运行风险。

2、传统的检测手段多是通过人工定期巡检轮毂内部的部件是否存在损坏或异常情况。这种方法局限于人员需上升到高处进行检查，存在安全风险，并且无法全面准确地检测到轮毂内部的小型故障等问题。

3、目前较多的还有采用振动监测技术，然而，对轮毂内设备的振动监测应用相对较少。以变桨减速机为例，由于变桨设备随轮毂一同旋转，变桨减速机振动信号实时采集面临两大困难：

4、其一、老旧风电机组的滑环备用通信通道少，且很少有以太网等大容量、高速率的通信通道，需要通过无线方式回传振动数据；

5、其二、变桨系统由驱动电机、变桨减速机、齿圈和变桨轴承紧密配合组成，且属于间歇性动作系统，由于现场条件限制，变桨减速机转速传感器安装非常困难，导致在线信号采集时存在大量无效数据。

技术实现思路

1、本发明提供了一种云边端协同的风电机组轮毂关键部件声振融合在线监测系统，其能够克服现有技术的某种或某些缺陷。

2、根据本发明的一种云边端协同的风电机组轮毂关键部件声振融合在线监测系统，其包括：终端采集单元，边缘计算单元及云端服务单元；

3、终端采集单元，用于通过振动、音频传感器对风电机组轮毂内关键部件进行状态监测，并将所述采集信息通过无线网络传输给所述边缘计算单元；

4、边缘计算单元，用于对接收的所述采集信息的数据进行就地分仓、声振融合建模，分析，并将系统运行状态、分析结果通过无线/光纤环网/专网传输至云端服务单元；

5、云端服务单元，包括三维可视化平台和模型自优化单元：

6、三维可视化平台，用于对风电场内各个风电机组进行交互管理；

7、模型自优化单元，用于通过典型数据集实现对模型和参数的自优化，提升风电机组故障预警和诊断的准确性。

8、本发明还提供一种风电机组轮毂关键部件声振融合在线监测方法，其特征在于：利用权利要求1所述云边端协同风电机组轮毂关键部件声振融合在线监测系统以进行，其具体包括以下步骤：

9、s1：将所述终端采集单元安装在风电机组轮毂内；

10、振动传感器安装在变桨电机、变桨减速机、变桨轴承、叶根、腹板等轮毂内关键设备上，多个振动传感器通过多通道同步采集装置获取振动信号；

11、多个音频传感器以二维阵列的排布方式安装轮毂内，通过多通道同步采集装置获取既可以实时播报又可以进行声纹分析的音频信号；

12、所述音频信号结合振动信号共同构成多源信息，被传输至智能网关中；

13、智能网关对所述音频信号结合振动信号构成的采集信号进行滤波、归一化等处理，所述处理用于降低无线网络的负荷；

14、此外，终端采集单元具备控制指令接收和执行功能，支持控制功能/指令的模块化扩展，为外部资源的接入/输出提供i/o接口，同时设置软件更新服务以优化系统配置。

15、s2：所述边缘计算单元安装在机舱内，通过无线网络获取轮毂关键设备采集端内的多源信息；

16、再通过边缘计算技术对多源信息进行分仓处理，将特征信号分别送到变桨动作辨识模块、声纹信息定位模块、声振融合预警模块、声振信息现象学诊断模块中，

17、以上模块分别用于实现边缘端的变桨动作识别、轮毂内关键部件的声源定位、故障预警、故障诊断；

18、模型运行的各类结果以及典型数据集通过无线、光纤环网或专网传输至云端服务单元。

19、s3：所述云端服务单元集成了三维可视化平台交互管理和模型自优化单元；

20、云端服务单元用于对边缘集群的算力资源、数据和业务进行汇集和统一调度；

21、云端服务单元还融合了风电场多场景的数据分析需求，学习和训练多模型算法，用于实现多边缘节点传输的实时数据与云端服务单元历史数据的交互融合。保证端侧设备与边缘侧设备控制指令的实时计算和安全下发。

22、作为优选，步骤s1中的多通道同步采集装置和智能网关对多个音频信号和振动信号进行多源信息融合，并根据其故障信号特有的冲击特性，利用protrugram方法确定声纹信号的特征频带，对音频信号进行滤波降噪、干扰数据清洗。

23、作为优选，步骤s2对于变桨动作辨识以及声纹模型的构建，包括以下步骤：

24、s21：对于变桨动作辨识，利用pso-vmd方法及希尔伯特变换，实现变桨动作辨识；

25、s22：针对静态变桨、动态变桨部分，利用pso算法优化vmd参数，主导频率筛选准则对vmd分解的分量进行筛选；以得到变桨减速机在静态工况和动态工况下的阈值；

26、s23：汇集有效变桨数据，形成用于训练声纹预警模型的各工况下正常样本数据集合，结合神经网络和边带能量指标，构建轮毂内关键设备声纹预警模型。

27、作为优选，所述步骤s21具体包括：

28、对于变桨动作的辨识，利用pos选取最佳的vmd参数，再使用最佳参数进行vmd分解信号，通过主导频率筛选准则剔除变桨减速机随轮毂旋转造成的谐波和趋势分量，将其余分量求和重构信号。

29、利用希尔伯特变换求取重构信号的包络信号，采用mmf平滑包络信号；利用静态未变桨数据和3σ准则计算阈值，将平滑后的包络信号曲线与该阈值比较实现变桨动作辨识。

30、作为优选，所述步骤s22具体包括：

31、针对静态工况和动态工况下变桨动作辨识，使用pso算法优化vmd参数，最佳参数α和k的值，然后使用主导频率筛选准则对vmd分解的分量进行筛选；

32、选取一段不包含变桨动作的振动信号，然后对这部分数据进行pso-vmd结合滑动中值滤波，最后得到的包络线即为减速机在静态工况或动态工况下的阈值。

33、作为优选，所述步骤s23具体包括：

34、汇集有效变桨数据，形成用于训练声纹预警模型的各工况下正常样本数据集合，结合神经网络和边带能量指标，构建轮毂设备声纹预警模型；

35、利用声纹、振动信息频域匹配的信号处理方法，将提取的声纹信息与预先提取的声纹特征进行比对或建立声纹模型，通过声纹特征辨识正常运行状态和异常情况下的声音模式，锁定声纹信息中的目标声源。结合监测轮毂部件振动信号的边带能量指标评估目标声源的故障程度；

36、对正常状态的减速机全工况数据进行lle降维并作为模型训练样本，训练好的dspot模型对变桨数据进行在线评估。

37、设定dspot的极值概率q，然后将降维后的正常状态下的特征指标输入到建立好的dspot模型中，训练得到初始阈值zq，模型初始化完成。

38、作为优选，其中，所述的初始阈值估计方法如下：

39、

40、式中，zq表示分位数阈值的更新关系式，其中参数γ和σ值采用极大似然估计进行计算，yi＝xi-t，即数据集xi中大于极值t的部分，二者做差得到的数据集合为yi，yi符合帕累托(gpd)分布。

41、作为本发明中所述的基于极值理论的预警流程，如输入实时数据超过了初始阈值zq，那么数据处于异常情况，此时进行故障预警，且dspot模型不更新阈值。如果数据未超过初始阈值zq，且位于峰值区间外的正常区间，则数据处于正常情况，模型不更新阈值。如果数据未超过异常阈值zq，但是位于峰值区间，说明数据处于极值情况，则将超出量添加到极值集合，并更新阈值zq。

42、对声振信号进行角度域重采样和阶次带通滤波，对滤波后的信号使用ms-lmd进行幅值解调，通过lm算法优化esim和ifim中待辨识的参数，从而建立声振信息现象学诊断模型。

43、在本发明中，不同风电机组的边缘计算单元将预警指标、诊断结果和典型数据集通过无线、光纤环网或专网进行传输至云端服务单元。云-边之间只是部分特征参数或控制指令的交互，可以实现大规模压缩数据的传输量级，减轻云端服务单元的数据存储压力。

44、作为优选，步骤s3中，云端服务单元将在风电场控制中心或区域级大数据中心进行安装部署；

45、风电场控制中心的云端服务单元直接与多个风电机组的边缘计算单元进行交互；区域级大数据中心的云端服务单元由多个风电场形成的子站组成，子站又由面向风电机组的边缘计算单元，以形成“一云连多边”的网络拓扑结构。

46、作为优选，步骤s3中的云端服务单元能够整合来自终端采集单元与边缘计算单元的多源异构信息，以二维图表及三维模型的形式对监测数据实时及历史趋势、机组运行状态、故障部件等进行三维可视化展示。

47、作为优选，云端服务单元在接收边缘模型的预警与诊断结果时，同时会记录运行人员对这些预警与诊断结果的处置手段。通过分析这些记录，可以获取预警与诊断的参考值，并周期性地计算预警与诊断误差，以达到评估模型的效果。

48、作为优选，所述的云边端协同的风电机组轮毂关键部件声振融合在线监测系统，其特征在于云端服务单元自主进行数据挖掘以筛选最优特征组合，当边缘端传来的误差高于阈值时，将基于边缘设备整理的典型数据自行构建训练集与测试集以训练和评价模型，并将最优模型或参数下发至边缘计算单元，优化其预警和诊断能力。

49、作为优选，所述的云边端协同的风电机组轮毂关键部件声振融合在线监测系统，其特征在于云端服务单元可对模型进行参数配置以更好地实时监测风电机组的运行状态。

50、相对于现有技术，本发明具有以下显著的进步：本发明提供的一种云边端协同的风电机组轮毂关键部件声振融合在线监测系统，采用无线传输网络、光纤环网或专网实现终端采集单元、边缘计算单元与云端服务单元之间的实时运行状态的交互；此系统对风电场运行数据实现全状态感知、业务算法的全过程管控和网络资源全周期的智能调度，有力提升资源的利用率，大大满足了风电系统中多业务主体、多时间尺度数据的管理。有效避免事故和损坏的发生。