用于监测至少一个风力涡轮机的状态的方法和设备和计算机程序产品与流程

背景技术：

在用于转子叶片的状态监测的传统方法中，将检测到的测量数据与已知的损坏模式进行比较，并从而获得损坏的程度和类型。为此目的，提供了详细的数据库，该数据库包括损坏模式及其与检测到的测量参数的相关性。特别是对于风力涡轮机的转子叶片，由于其持续不断地进一步开发和改变结构，所以关于损坏模式的所需数据是不完整的或根本不可用的。

因此，需要进一步改进用于监测至少一个风力涡轮机的状态的方法和设备。特别地，需要改进对风力涡轮机的转子叶片的损坏的识别。

技术实现要素：

本公开内容的任务旨在提供用于监测至少一个风力涡轮机的状态的方法和设备以及计算机程序产品，其允许识别风力涡轮机的转子叶片上的损坏。

该任务由独立权利要求的主题解决。

根据本公开内容的实施例，提供了一种用于监测至少一个风力涡轮机的状态的方法。该方法包括：经由一个或更多个传感器检测第一测量信号，其中，第一测量信号提供与正常状态下的至少一个风力涡轮机的至少一个转子叶片相关的一个或更多个参数；基于正常状态的第一测量信号训练可训练算法；经由所述一个或更多个传感器检测第二测量信号；以及，如果基于第二测量信号确定的风力涡轮机的当前状态偏离正常状态，则经由在正常状态下训练的可训练算法识别未确定的异常。

根据本公开内容的其他方面，提供了一种用于监测至少一个风力涡轮机的状态的设备。该设备包括：一个或更多个传感器，其用于检测第一测量信号，其中，第一测量信号提供与正常状态下的至少一个风力涡轮机的至少一个转子叶片相关的一个或更多个参数；以及包括可训练算法的电子设备。该电子设备被配置为基于正常状态的第一测量信号训练可训练算法，接收经由一个或更多个传感器检测到的第二测量信号，以及如果基于第二测量信号确定的风力涡轮机的当前状态偏离正常状态，则识别未确定的异常。

根据本公开内容的另一方面，提供了包括可训练算法的计算机程序产品。可训练算法被配置为基于风力涡轮机的正常状态的第一测量信号进行训练，并且如果基于第二测量信号确定的风力涡轮机的当前状态偏离正常状态，则识别未确定的异常。

本公开内容的优选的可选实施例和特定方面将从从属权利要求、附图和本说明书产生。

根据本公开内容的实施例，在风力涡轮机的未损坏状态下对可训练算法进行训练，该可训练算法可以由例如神经网络提供。在第一次出现改变时，该改变被检测为新的或未确定的异常。例如，可以借助风力涡轮机的转子叶片或其他部分中的传感器来检测测量参数，该测量参数与转子叶片的状态相关。例如，可以借助于加速度传感器来监测转子叶片的自然频率。在转子叶片例如由于损坏而状态改变时，可以观察到转子叶片的自然频率的改变。由于使用可训练算法和新异常识别，因此不必知道损坏模式。因此可以实现对风力涡轮机的转子叶片的改进和简化的损坏识别。

附图说明

在附图中示出并且将在下面详细描述本公开内容的示例性实施例。其中：

图1是根据本公开内容的实施例的用于监测至少一个风力涡轮机的状态的设备的示意图，

图2是根据本公开内容的实施例的用于监测至少一个风力涡轮机的状态的方法的示意图，

图3是根据本公开内容的实施例的用于训练可训练算法和在进行训练后进行损坏识别的时间轴，

图4是根据本公开内容的实施例的用于监测至少一个风力涡轮机的状态的方法的示意图，以及

图5是根据本公开内容的实施例的具有多个风力涡轮机的风电场的示意图。

具体实施方式

在下文中，除非另有说明，否则相同的附图标记将用于相同的元素或相同动作的元素。

图1示出了根据本公开内容的实施例的用于监测至少一个风力涡轮机的状态的设备100的示意图。设备100可以是测量系统或测量系统的一部分。

设备100包括：一个或更多个传感器110，其用于检测测量信号；以及，电子设备120，电子设备120包括可训练算法。电子设备120可以是用于至少一个风力涡轮机的监测单元。可训练算法可以由神经网络来提供。

在风力涡轮机，尤其是至少一个转子叶片，未损坏状态下，使用由传感器110提供的测量信号来训练可训练算法。换句话说，可训练算法在训练阶段中学习风力涡轮机，尤其是至少一个转子叶片，的正常状态。如果在训练阶段之后的风力涡轮机的操作阶段，确定测量信号的改变或由此导出的状态的改变，特别地在第一次出现时将该改变检测为新的或未确定的异常。具体地，将处于操作阶段的风力涡轮机的当前状态与所学习的正常状态进行比较，其中，在当前状态与正常状态偏离的情况下，例如，当该偏离在公差范围外时，推断出存在未确定的异常。因此，不需要提供损坏模式来识别例如转子叶片的损坏。尤其在没有关于损坏模式的可用数据的情况下可以执行损坏识别。

在图1中，一个或更多个传感器110包括第一传感器112、第二传感器114和第三传感器116。然而，本公开内容不限于此，并且可以提供任何适当数量的传感器。传感器110可以设置在风力涡轮机的待监测的转子叶片上或其中，和/或风力涡轮机的其他部分中。

特别地，根据实施例，传感器110可以集成在转子叶片中或者设置在转子叶片的上表面上。作为替代方案或另外地，传感器110中的至少一些可以设置在风力涡轮机的其他部分中，例如风力涡轮机的轮毂和/或塔架，其中转子叶片在轮毂中被支撑为可转动的。根据能够与本文所述的其他实施例组合的实施例，传感器110选自：加速度传感器、光纤传感器、扭转传感器、温度传感器和流量传感器。

根据实施例，设备100可以包括输出单元130。输出单元130可以被布置为例如显示存在未确定的异常。输出单元130可以输出消息或警报，例如，以便通知用户存在未确定的异常。为此目的，输出单元130可以包括显示设备，例如屏幕。根据实施例，可以光学地和/或声学地输出消息或警报。

图2示出了根据本公开内容的实施例的用于监测至少一个风力涡轮机的状态，特别是风力涡轮机的转子叶片的状态，的方法200的示意图。方法200可以采用参考图1描述的设备。该设备尤其可以被布置为执行根据本文描述的实施例的方法。

该方法包括：在步骤210中，经由一个或更多个传感器检测第一测量信号，其中，第一测量信号指示与正常状态下的至少一个风力涡轮机的至少一个转子叶片相关的一个或更多个参数；在步骤220中，基于正常状态的第一测量信号来训练可训练算法，例如神经网络；在步骤230中，经由一个或更多个传感器检测第二测量信号；并且在步骤240中，如果基于第二测量信号确定的风力涡轮机的当前状态偏离正常状态，则经由在正常状态下训练的可训练算法来识别未确定的异常。例如，第二测量信号中的至少一个测量信号可以指示与正常状态的偏离。

通常，使用第一测量信号描绘正常状态，并且使用第二测量信号描绘当前状态。可以通过将正常状态与当前状态进行比较来识别未确定的异常。

在风力涡轮机的未损坏状态下训练测量系统或可训练算法。换句话说，可训练算法学习风力涡轮机，尤其是转子叶片，的正常状态。可以通过将风力涡轮机的当前状态与所学习的正常状态进行比较而检测到的每个改变在第一次出现时被检测为新的或未确定的异常。如果进一步的损坏出现并改变系统输入，则该损坏也将被检测为进一步的新异常。

在这种情况下，风力涡轮机的正常状态可以由与至少一个转子叶片相关的一个或更多个参数定义。类似地，风力涡轮机的当前状态可以由与至少一个转子叶片相关的一个或更多个参数定义。该参数可以例如是自然频率，例如转子叶片的自然扭转频率。当确定的自然频率对应于正常参考值或者在正常参考值附近的预定范围内时，转子叶片处于正常状态。如果在当前状态中确定的自然频率偏离正常参考值或者在预定范围之外，则识别出存在未确定的异常。

正常状态和/或当前状态可以涉及风力涡轮机的单个转子叶片或所有转子叶片。根据实施例，还可以学习单个转子叶片的正常状态，然后将其转移到例如相同设计和/或相同类型的其他转子叶片。因此，风力涡轮机可以从其他风力涡轮机获得与例如正常状态相关的外部数据，并且因此可以学习其他风力涡轮机。

通过使用可训练的算法(例如神经网络)和新异常识别，不需要知道损坏模式。特别地，可训练算法，特别是未训练的和/或已训练的可训练算法，既不知道也不包括任何预定的异常。在这种情况下，术语“未确定”应该被解释为可训练算法不具有预先可用的关于异常的任何数据或比较模型。根据实施例，例如，当识别出未确定的异常或新异常时，没有(直接)确定未确定的异常或新异常的类型(例如，积冰、裂缝、强阵风等)。

本公开内容的实施例可以在没有预先可用的有关损坏模式的数据的情况下，识别诸如转子叶片的损坏之类的异常。这是特别有利的，因为与风能涡轮机中的其他缺陷相比，转子叶片相对很少地被损坏。此外，由于转子叶片的持续不断地进一步发展和改变的结构，因此关于损坏模式的数据不完整或不存在。

根据可以与本文描述的其他实施例组合的本公开内容的实施例，方法200还包括利用识别的未确定的异常来完成和/或更新可训练算法。特别地，在重复出现基本上相同的未确定的异常时，可训练算法能够标识(再次识别)未确定的异常。方法200可以包括，例如，输出指示重复发生未确定的异常的消息或警报。在一些实施例中，可以提供关于未确定的异常的历史的信息，诸如关于发生的时间、发生的频率等的信息。

例如，根据限定的时间段内的消息或警报的数量，可以推断出警报的起源和/或未确定的异常的性质(积冰沉、强阵风等)。长时间段内的许多消息或警报可能是由于因结冰造成的转子叶片的重量不断增加。与之相比，在非常短的时间内的多个消息或警报可以指示转子叶片的一次性损坏。

在一些实施例中，可训练算法的训练是在风力涡轮机的未损坏状态和/或无负载状态(例如，没有积冰)的情况下执行的，并且特别是在转子叶片的未损坏和/或未负载状态下执行的。根据实施例，可以在构造风力涡轮机之前在时间上和/或局部地分开进行训练。因此，不需要提供基于损坏模式的数据，因为可训练算法学习风力涡轮机，尤其是风力涡轮机的转子叶片，的单个正常状态，其中，在风力涡轮机的操作期间，可以通过评估测量信号来识别与先前学习的正常状态的偏离。

第一测量信号和第二测量信号指示与待监测的转子叶片相关的一个或更多个参数。根据实施例，与转子叶片相关的一个或更多个参数选自：转子叶片的自然频率、温度、转子叶片的迎角、俯仰角、入射角和入射速度。因此，改变的自然频率、在将转子叶片附接到轮毂处的温度升高和/或反常的迎角、俯仰角或入射角可以被认为是未确定的异常。此外，例如，在转子叶片的确定区域处的增加的入射速度可以指示转子叶片的损坏或变形。

例如，第一测量信号和第二测量信号可以与待监测的转子叶片的状态相关和/或可以指示与状态相关的测量参数。在一些实施例中，可以借助于加速度传感器来监测转子叶片的自然频率，其中，自然频率指示与转子叶片相关的参数。在一些实施例中，方法200可以包括执行频率分析以确定自然频率，特别是自然扭转频率。在转子叶片的状态改变时，例如，由于损坏或冰的影响，可以观察到自然频率的改变。然后，例如，可以将自然频率的改变识别或确定为未确定的异常。

除了检测第一测量信号和/或第二测量信号(主要测量数据检测)之外，还可以将一个或更多个其他参数用作可训练算法的输入。该一个或更多个其他参数可以是操作参数和/或环境参数。操作参数例如可以包括迎角、俯仰角、转子速度、提供的能量、入射角和入射速度。环境参数例如可以包括风速和环境温度或室外温度。

通常，迎角是相对于参考平面定义的。俯仰角可以指示转子叶片相对于轮毂的角度设定，其中转子叶片在轮毂中被支撑为可转动的。入射角可以指示由转子叶片定义的平面与风向之间的角度。入射速度可以指示空气撞击在转子叶片上的相对速度或相对平均速度。风速可以指示绝对风速。

根据能够与本文所述的其他实施例组合的一些实施例，第一测量信号和第二测量信号是光信号。传感器可以是光学传感器，例如光纤传感器或光纤扭转传感器。

根据本公开内容的另一方面，提供了包括可训练算法的计算机程序产品。该可训练算法被设置为基于风力涡轮机的正常状态的第一测量信号进行训练，并且如果基于第二测量信号确定的风力涡轮机的当前状态偏离所学习的正常状态，则识别未确定的异常。该计算机程序产品可以是例如包括存储在其上的可训练算法的存储介质。

图3示出了根据本公开内容的实施例的用于训练可训练算法和在训练后的损坏识别的时间轴。

对可训练算法的训练是在风力涡轮机的未损坏状态和/或无负载状态(例如，没有冰沉积物)下，并且特别是在转子叶片的未损坏状态和/或无负载状态下，在训练阶段中执行的。训练阶段可以在时间t0和时间t1之间的预定持续时间内执行。预定持续时间可以在几小时、几天和几周的范围内。根据实施例，预定持续时间可以例如多于一周，例如1至5周、1至3周或1至2周。在其他实施例中，预定持续时间可以少于一周。可以基于期望的新异常识别的质量来选择预定持续时间，即训练时段。

根据实施例，训练可以在构造风力涡轮机之前在时间上和/或局部分离地执行。换句话说，训练阶段可以在操作阶段之前发生，即，例如在风力涡轮机开始运行以产生电力之前。在训练阶段结束之后，风力涡轮机运行，并且可训练算法借助于第二测量信号来监测风力涡轮机特别是转子叶片的当前状态。如果第二测量信号或由此确定的当前状态在时间t2指示例如与先前学习的正常状态的偏离，则可以识别未确定的异常。

图4示出了根据本公开内容的实施例的用于监测至少一个风力涡轮机的状态的方法的示意图。

根据能够与本文所述的其他实施例结合的实施例，该方法包括：在步骤230中，经由传感器检测第二测量信号，提及在步骤240中，确定基于第二测量信号所确定的当前状态是否偏离正常状态。例如，当由第二测量信号确定的当前状态的自然频率偏离由第一信号确定的自然频率(其指示正常状态)和/或在公差范围之外时，可以识别未确定的异常。

在该方法的步骤250中，在当前状态与正常状态的偏离大于参考偏离时，例如，当该偏离在公差范围外时，可以确定或识别出未确定的异常。根据实施例，在当前状态的偏离小于参考偏离时，未识别出未确定的异常。例如，可训练算法被编程或训练，使得其仅识别确定的(例如极端的)新异常。例如，强阵风不被识别为未确定的异常，而是正常状态。

参考偏离可以由正常状态的正常参考值附近的预定范围定义。预定范围可以是公差范围。例如，如果从第二测量信号确定的自然频率对应于正常参考值或者在正常参考值附近的预定范围内，则转子叶片处于正常状态并且未识别出未确定的异常。然而，如果从第二测量信号确定的当前状态的自然频率在预定范围之外，则识别出存在未确定的异常。

例如，可以通过与正常参考值的预定百分比偏离来定义预定范围。例如，参考偏离可以对应于与正常参考值的5％、10％、15％或20％的偏离。

在本公开内容的一些实施例中，该方法可以包括：在步骤260中，如果识别出未确定的异常，则输出与所识别的未确定的异常相关的消息或警报。可以光学地和/或声学地输出消息或警报。可以通过电子邮件和/或警告信号来执行消息或警报。

根据能够与本文描述的其他实施例组合的实施例，该方法还包括执行对识别的未确定的异常的合理性检查。例如，如果与正常状态的偏离大于最大参考偏离，则可以例如推断出测量错误。在其他示例中，可以通过测量室外温度来排除积冰的情况。

可以在进一步的步骤中确定警报的起源。这可以例如自动地并且通过软件技术或由工程师手动地执行。如果对在定义的时间段内的警报消息的数量计数，则可以从中推断出警报的起源。长时间内的许多警报可能是由于结冰引起的转子叶片的重量不断增加。在非常短的时间内的多个警报可以指示转子叶片的一次性损坏。

图5示出了根据本公开内容的实施例的包括多个风力涡轮机520的风电场500的示意图。

根据实施例，所述至少一个风力涡轮机可以是多个风力涡轮机520。本公开内容的实施例可以特别地用于监测包括多个风力涡轮机520的风电场的状态。因此，可以使用单个可训练算法来监测多个风力涡轮机520的状态。多个风力涡轮机520中的每一个可以包括提供至少第二测量信号的传感器。这允许通过包括可训练算法的单个监测单元510监测大量风力涡轮机。

根据本公开内容的实施例，在风力涡轮机的未损坏状态下对可训练算法进行训练，该可训练算法可以由例如神经网络提供。当前状态的改变在第一次出现时被检测为新异常或未确定的异常。例如，可以在风力涡轮机的转子叶片或其他部分中检测测量参数，该测量参数与转子叶片的状态相关。例如，可以通过加速度传感器监测转子叶片的自然频率。在转子叶片例如由于损坏而状态改变时，可以观察到转子叶片的自然频率的改变。通过使用可训练算法和新异常识别，不需要知道损坏模式。因此可以实现对风力涡轮机的转子叶片的改进和简化的损坏识别。