[发明专利]基于大数据的海上风机状态监测方法及其系统

说明书

本申请涉及海上风力发电的智能监测领域，其具体地公开了一种基于大数据的海上风机状态监测方法及其系统，其通过分别部署于发动机、齿轮箱和主轴承的传感器采集的振动信号作为输入数据，采用深度神经网络模型来作为特征提取器以对这三者的所述振动信号进行特征挖掘，从而基于综合的特征信息来对海上风机的状态进行全局性地监测，以在故障发生初期就能够检测出异常点，进而保证海上风力发电的正常运行。

技术领域

本发明涉及海上风力发电的智能监测领域，且更为具体地，涉及一种基于大数据的海上风机状态监测方法及其系统。

背景技术

近年来，我国能源产业转型进程不断加快，我国已成为全球风力发电规模最大、增长最快的市场。风能作为一种可再生能源，具有绿色清洁的特点，是目前世界各国的研究重点。相对陆上风电而言，海上风力资源更加丰富，具有发电量大、发电时间长、对生活环境影响小、不占用耕地、可进行大规模开发等诸多优势，因此，开发海上风力发电技术已经成为风电行业发展的新趋势。

但是，在海上风电场环境恶劣，维护人员不能及时到达故障点进行检修时，因此，基于无线通讯的海上风电监测系统就愈发显得重要。比如，在海上风机日常监测中，经常会遇到以下问题：如何确认该风机是否正常运行如何能快速定位到某风机状态异常点如何能掌握到每台风机的实时信息和历史工作信息

因此，为了更好地对于海上风机的状态进行监测，期望一种基于大数据的海上风机状态监测方法。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于大数据的海上风机状态监测方法及其系统，其通过分别部署于发动机、齿轮箱和主轴承的传感器采集的振动信号作为输入数据，采用深度神经网络模型来作为特征提取器以对这三者的所述振动信号进行特征挖掘，从而基于综合的特征信息来对海上风机的状态进行全局性地监测，以在故障发生初期就能够检测出异常点，进而保证海上风力发电的正常运行。

根据本申请的一个方面，提供了一种基于大数据的海上风机状态监测方法，其包括：

获取由部署于发动机的第一振动传感器采集的第一振动信号、由部署于齿轮箱的第二振动传感器采集的第二振动信号以及由部署于主轴承的第三振动传感器采集的第三振动信号；

分别使用格拉姆角场原理将所述第一至第三振动信号转化为第一至第三振动格拉姆角和场图像；

分别将所述第一至第三振动格拉姆角和场图像中各个振动格拉姆角和场图像通过作为过滤器的第一卷积神经网络以得到第一至第三振动格拉姆角和场图像特征向量；

分别将所述第一至第三振动信号中各个振动信号通过作为过滤器的第二卷积神经网络以得到第一至第三振动波形特征向量；

分别融合所述第一至第三振动格拉姆角和场图像特征向量和所述第一至第三振动波形特征向量中各对相应的振动格拉姆角和场图像特征向量和振动波形特征向量以得到第一至第三振动特征向量；

计算所述第二振动特征向量相对于所述第一振动特征向量的第一转移矩阵且计算所述第三振动特征向量相对于所述第二振动特征向量的第二转移矩阵；

融合所述第一转移矩阵和所述第二转移矩阵以得到分类特征矩阵；以及

将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示海上风机状态是否正常。

根据本申请的另一方面，提供了一种基于大数据的海上风机状态监测系统，其包括：

振动信号获取单元，用于获取由部署于发动机的第一振动传感器采集的第一振动信号、由部署于齿轮箱的第二振动传感器采集的第二振动信号以及由部署于主轴承的第三振动传感器采集的第三振动信号；

图像转化单元，用于分别使用格拉姆角场原理将所述第一至第三振动信号转化为第一至第三振动格拉姆角和场图像；

第一特征提取单元，用于分别将所述第一至第三振动格拉姆角和场图像中各个振动格拉姆角和场图像通过作为过滤器的第一卷积神经网络以得到第一至第三振动格拉姆角和场图像特征向量；