[发明专利]风力发电机组的叶片故障诊断方法及装置

权利要求书

1.一种风力发电机组的叶片故障诊断方法，其特征在于，所述方法包括：

基于机组工况数据通过使用机器学习算法来获得机组故障特征矩阵；

基于叶片振动数据通过使用信号分析方法来获得叶片振动故障特征；

根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断。

2.如权利要求1所述的方法，其特征在于，获得机组故障特征矩阵的步骤包括：

通过对机组工况数据进行相关性分析来获得叶片故障时的机组参数特征；

通过使用机器学习算法对机组参数特征进行训练来获得机组故障特征矩阵。

3.如权利要求1或2所述的方法，其特征在于，机组工况数据包括转速、扭矩、叶片角度、加速度以及频率，

其中，获得机组故障特征矩阵的步骤包括：

按照转速对扭矩、加速度、叶片角度以及频率进行分仓处理；

根据各个转速下的扭矩和频率来获得三维扭矩故障特征矩阵；

根据各个转速下的加速度和频率来获得三维加速度故障特征矩阵；

根据各个转速下的叶片角度和频率来获得三维叶片角度故障特征矩阵。

4.如权利要求1所述的方法，其特征在于，获得叶片振动故障特征的步骤包括：

对叶片振动数据进行滤波处理；

基于经滤波处理的叶片振动数据来分别获得第一叶片振动故障特征和第二叶片振动故障特征。

5.如权利要求4所述的方法，其特征在于，获得第一叶片振动故障特征的步骤包括：

根据经滤波处理的叶片振动数据来计算叶片振动能量，以获得叶片振动有效值；

按照时间顺序基于叶片振动有效值中的叶片挥舞方向数据和叶片摆振方向数据来获得第一叶片振动趋势；

根据第一叶片振动趋势来获得第一叶片振动故障特征。

6.如权利要求4所述的方法，其特征在于，获得第二叶片振动故障特征的步骤包括：

通过对经滤波处理的叶片振动数据进行快速傅里叶变换来获得峰值频率以及与峰值频率相应的幅值；

按照时间顺序基于峰值频率以及与峰值频率相应的幅值来获得第二叶片振动趋势；

根据第二叶片振动趋势来获得第二叶片振动故障特征。

7.如权利要求4所述的方法，其特征在于，对叶片振动数据进行滤波处理的步骤包括：

对叶片振动数据进行卡尔曼滤波，以滤除叶片振动数据中的转频数据部分；

对经卡尔曼滤波的叶片振动数据进行带通滤波。

8.如权利要求1所述的方法，其特征在于，根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断的步骤包括设置叶片出现故障时报警阈值。

9.如权利要求8所述的方法，其特征在于，根据故障特征矩阵和叶片振动故障特征对叶片进行故障诊断的步骤包括：

当出现机组故障特征或者出现叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时，发送报警信息；

或者，当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值大于或等于报警阈值时，发送报警信息；

或者，当同时出现机组故障特征和叶片振动故障特征并且出现的故障特征值的趋势持续增大时，发送报警信息。

10.如权利要求8所述的方法，其特征在于，设置叶片出现故障时的报警阈值的步骤包括：

当所述风力发电机组与提供机组工况数据的风力发电机组具有相同配置时，使用历史报警阈值；

当所述风力发电机组是新风力发电机组时，使用所述风力发电机组的机组工况数据和叶片振动数据来计算所述风力发电机组的报警阈值作为叶片出现故障时的报警阈值。