涡轮机故障分析的制作方法
专利名称：涡轮机故障分析的制作方法
技术领域：
本发明涉及用于涡轮机故障分析的装置、方法及系统。
背景技术：
在美国能源部发行的标题为《2030年20%的风能》的报告中指出的两个挑战是风涡轮机性能的改善与运行和维护费用的减少。例如，在投入运行风涡轮发电机的资本成本后，拥有者的一个大成本是维护。在一些实施方式中，维护和运行成本的减少可以显著地减少成本回收期并可以提供投资的动力，并且潜在地为该清洁能源的广泛接受做准备。风涡轮机通常在严峻的、遥远的环境中运行并且能够需要频繁的定期维护。另外地，不定期维护的成本(例如，由于未检测到的故障引起)可以在维护支持中高和/或在生产期丢失。响应于这些潜在成本，承保人，例如在欧盟，已经开始要求昂贵的定期大修以解决潜在的可靠性问题。基于状况而不是基于时间的维护在一些实施中，通过减少不必要的定期维护实现高可靠性与低维护成本。
图I说明了风涡轮机操作区域数据的例子，其可以在本公开的一个或者多个实施例中使用。图2说明了高速轴扭矩与高速轴速的比率连同功率级数据的变型的例子，其可以在本公开的一个或者多个实施例中使用。图3说明了高速轴速度与低速轴速的比率连同功率级数据的变型，其可以在本公开的一个或者多个实施例中使用。图4说明了使用训练数据集从自动关联神经网络中获得的Q-Stat与T2值的例子，其可以在本公开的一个或者多个实施例中使用。图5说明了来自另一基线情况的结果的例子并且这样数据可以在本公开的一个或者多个实施例中使用。图6说明了来自当变速箱故障发生日收集的数据的结果并且这样数据可以在本公开的一个或者多个实施例中使用。
图7和图8说明了来自在故障之前收集的数据的结果并且这样数据可以在本公开的一个或者多个实施例中使用。图9说明了来自自组织特征映射的训练的结果并且这样数据可以在本公开的一个或者多个实施例中使用。
图10说明了基于故障数据的报警触发状况并且这样数据可以在本公开的一个或者多个实施例中使用。图11说明了在可获得的数据中来自最接近故障日的数据的结果并且这样数据可以在本公开的一个或者多个实施例中使用。图12说明了在若干个不同指示器的警报触发器间的比较并且这样数据可以在本公开的一个或者多个实施例中使用。图13说明了可以在本公开的一个或者多个实施例中使用的计算系统。
具体实施例方式本公开包含用于涡轮机故障分析的方法、装置和系统。例如，本公开的实施例可以提供轴承和变速箱机械故障的准确预测。在一个示例实施例中，计算装置实现的用于涡轮机故障分析方法包含经由计算装置收集与风涡轮机性能相关联的第一数据集；分析该第一数据集以确定该第一数据集是否能够指示故障状况；并且检查与风涡轮机性能相关联的第二数据集以确定是否存在故障状况。在各种实施例中，该方法可以进一步包含提供通知给用户以基于确定故障状况存在而采取行动。实施例也可以包含确定故障状况的类型，其存在于多个可能的故障状况。在一些实施例中，提供通知可以包含关于基于确定的故障状况类型采取的动作类型的信息。如上讨论的经由计算装置收集与风涡轮机性能相关联的第一数据集可以包含从如下的至少一个收集监控和数据采集(SCADA)类型数据一组风涡轮机传感器、与风涡轮机相关联的计算装置，和存储器中的文件。分析该第一数据集以确定该第一数据集是否能够指示故障状况包含分析用于在无故障状况下操作的风涡轮机的一个或者多个数据项。在一些实施例中，分析该第一数据集以确定该第一数据集是否能够指示故障状况包含分析用于在无故障状况下操作的风涡轮机的一个或者多个数据项以及用于在故障状况下操作的风涡轮机的一个或者多个数据项。分析该第一数据集以确定该第一数据集是否能够指示故障状况能够例如通过使用聚类算法方法比如自组织特征映射(SOFM)方法分析第一数据集来完成。在一些实施例中，分析该第一数据集以确定该第一数据集是否能够指示故障状况包含，使用主要组件分析方法分析该第一数据集。本公开的实施例的一大优点是涡轮机操作和维护成本可以通过持续对涡轮机健康的监控而减少，导致提高可靠性。更加具体地，在风涡轮机中的组件故障(例如，导致最高故障的那些)可以在早期被检测出以致于它们可以被解决，例如，在更多成本损坏发生之前。虽然当前的实施例不限于检测变速箱和/或发电机部件问题，然而目前，与变速箱和/或发电机部件关联的操作故障似乎是明显的并且似乎占用最大的停机时间和/或修理费用，所以提供了关于这些问题的下面一些讨论。例如，在一个方法实施例中，使用监控和数据采集(SCADA)数据预期变速箱故障。本公开的实施例包含解释SCADA数据以检测变速箱故障并处理以利用SCADA数据。一般地，风涡轮机SCADA数据被用于操作的性能监控和控制应用。本文讨论的方法包含，例如，其中根据风涡轮机操作区域分割SCADA数据。在这些实施例中，该操作区域可以，例如通过控制规则定义，因为在每个区域上控制方案是不同的。在这些实施例中，用于检测故障的特征从同样的操作区域获得。在不同的实施例中，如果在不同的操作域上的特征被观察，由于区域改变而不是故障，可以显示相同或相似的特征模式。以这种方式，区域A中指示故障的模式也可以在区域B中生成，即使那里没有故障。不同类型的故障均如此，而不仅是变速箱故障。该特征可以，例如，在每个区域上被单独地观察并在从数据提取信息时可以被区别。
本文讨论的另一方法提供对于变速箱故障，与来自整个数据集的变速箱操作相关的测量可以被初始地标识(例如，功率，高速轴(HSS)扭矩，速度，低速轴(LSS)扭矩，速度，油温，和/或油压)。在不同实施例中，每个单独的测量可以被单独地检查，并且它们可以与基线和故障状况比较以确定不同。在一些实施例中，可以检查单独测量的一些组合。例如，单独测量的比率(例如，HSS扭矩和HSS速度的比率，HSS速度和LSS速度的比率，和/或关于周围温度的正常化油温)可以被检查。这些测量的值(例如，经由来自风涡轮机或相关仪器的传感器数据获得的)可以相对彼此被检查，而不是单独地值被检查。例如，HSS扭矩相对于功率，HSS扭矩或者HSS速度相对功率的比率，和/或其它等，可以被彼此相对检查。从这个过程中，用于变速箱故障的最大指示模式可以被标识。例如，可以从HSS扭矩或者HSS速度相对功率电子设备功率(PE功率)的比率，HSS速度或者LSS速度相对功率的比率，正常化油温相对功率，和/或油压相对功率来观察模式。用于单独的风涡轮机的异常检测可以利用所收集的数据集来开发。分析可通过但不限于，使用主要组件分析(PCA)与非线性方法来完成。例如，S0FM(自组织特征映射)是非线性方法，通过该方法在有未知特征的数据集中可以使用非监督学习，用于将它们分类为带有相似特征的组。在传感器组内的传感器中查找异常的算法集可以被使用利用SCADA数据检测异常。故障检测和/或预测的自动化能够，例如使用PCA和/或SOFM完成。PCA能够，例如被使用以检测异常并且SOFM能够，例如可以被用以隔离故障。来自故障检测和隔离系统生成的警报能够，例如，由多个(例如，三个指示器)指示器组成，例如基于来自PCA的Qstat, T2stat，和/或来自SOFM的聚类数量。在现有技术中，处理参数不是常规地用于故障检测和/或预测，而是仅在原始形式中使用以用于防止单独信号中的大的偏差。下面提供的是本公开的实施例一个示例性配置。这个例子不应该视为对本公开的实施例的范畴的限制。关于CART数据的描述控制高级研究性涡轮机2 (CART2)是修改的西屋电气额定功率600KW的WWG-0600机器。它位于在科罗拉多博得尔市国家风能技术中心(NWTC)并安装以测试用于功率和负载调节的新控制方案。在其原始配置中，WWG-0600使用同步发电机、流体耦合和液压总距(collective pitch)驱动。然而，CART2装备有感应发电机、刚性耦合与单独电动机械距驱动器。转子在塔的逆风向运行并且包含两个叶片和摇晃毂(teetering hub)。作为研究性涡轮机，它装备有比正常安装在风力场涡轮机上更多的传感器，包含压力换能器、扭矩换能器、应变仪、温度计、位置编码器、加速器、风速计、风向标，与功率、电流和电压表。这些传感器的每个的输出以IOOHz的控制速率被记录。总共88个测量被存储在10个微型块中，包含螺旋角、轴扭矩、油温和压力、偏航位置、风速和方向、环境温度、振动、塔负荷、发电机功率/电流/电压，和其它控制信号。参数例子包含‘摇晃制动压力’‘螺距系统数字输出’‘叶片I模拟输出I’‘摇晃角度’‘叶片I模拟输出2’‘叶片I间距’‘叶片2模拟输出I’‘叶片2间距，‘叶片2模拟输出2’‘LSS 扭矩’‘叶片I边缘弯曲度’‘叶片I皮瓣弯曲度’‘叶片2边缘弯曲度’‘叶片2皮瓣弯曲度’‘齿轮箱油温’‘HSS 位置’‘偏航位置’‘HSS 扭矩’‘ LSS 位置’‘偏航制动压力’‘短舱数字输出’‘X加速计端口’‘ Y加速计端口’‘ Z加速计端口’‘X加速计右舷’‘Y加速计右舷’
‘Z加速计右舷’‘短舱风速’‘短舱风向’‘齿轮箱油压’
‘短舱环境温度’‘ MU-滚动’‘ MU-间距’‘ MU-偏航’‘頂 U-X ’‘頂 U-Y ’iIMU-Zj ‘发电机电力’‘ PE数字输出’‘发电机电流’‘发电机频率’‘发电机电压’‘PE 功率，‘PE 千伏安’‘PE功率因子’‘塔弯曲 E/W，‘塔弯曲 N/S’‘塔弯曲E/W泊松’‘塔弯曲N/S泊松’‘风速 58. 2m’‘风向 58. 2m，‘温度 58. 2m’‘风速 36. 6m，‘风向 36. 6m，‘风速 15. 0m’‘风向 15.0m’‘风速 3. Om，‘温度 3. Om’‘首速 U 36.6m，‘音速 V 36.6m，‘音速 W 36.6m，‘气压’‘ GPS 年，‘ GPS 月，iGPS 日，‘GPS 小时’‘ GPS 分钟，‘ GPS 秒，‘GPS毫秒十分位’
‘HSS RPM’‘LSS RPM’‘空气密度’‘HSS 功率，‘LSS 功率，‘LSS RPM 变动率’‘HSS RPM 变动率’‘集合间距I’‘集合间距2’‘叶片I间距率’‘叶片2间距率’‘扭矩需求’‘扭矩命令’‘数字输出I’‘数字输出2’‘正常停止比特I’‘紧急停止比特I’‘警告比特I’‘警告比特2’ 关于基于SOFM方法的描述神经网络聚类技术聚类算法是将η个观察集合划分为g个组的方法以使得相同组的成员比不同组的成员更为相似。如果这成功，这些组称作聚类。依照类标签的可用性，学习在观察中的模式有两种类型的方法。当观察的类标签可用时，使用监督式学习，否则非监督式学习是合适的。在非监督式学习中，没有可用的目标输出。所以，自由参数，比如神经网络中的权重和偏差，可以仅响应于网络输入被修改。在一些实施例中，该输入模式被分类为多个类。自组织特征映射(SOFM)自组织特征映射(SOFM)是聚类算法的特定类型，形成位于常规通常I或者2维网格的神经元。SOFM可以检测其输入中的规律性和相关性并且适配对其相应输入的它们的未来响应，其通过根据它们如何在输入空间中被分组学习分类输入向量。换言之，在响应于类似输入向量的神经元层中，SOFM以神经元物理上相互靠近彼此的方式学习识别相似输入向量组。在经典的k平均方法中，观察可以被映射至其代表最接近于该观察的聚类。这就是在SOFM中发生的，但是另外地在SOFM中的训练算法试图映射一些结构至该代表。在SOFM中，可以选择大量的聚类，并且安排在常规网格上。其思想是代表在空间上被相关，以致于在网格上邻近点处的代表比那些广泛隔开的代表更为相似。在SOFM中，该聚类代表(其是SOFM的层中的神经元)初始地根据指示映射的结构的拓扑函数随机被分配在一些合适的分布中。无论何时显示观察X，就找到最接近的代表Hij,其被标识为获胜者。然后对于在网格上邻近于j的所有代表i ;
Iiii (t+1) = Hii (t) + a h^· [x (t) -Hii (t)]对于所有邻居 i其中t表示时间，α是学习率，1^_是获胜者神经元j周围的邻近核心。该学习率α被允许随着时间改变。邻近函数确定该神经元彼此连接有多牢固。邻近函数的示例是在获胜者神经元的整个邻近上是恒定的。另一时变类型的函数是高斯邻近函数
权利要求
1.一种计算装置(1320)实现的用于涡轮机故障分析的方法，包含 经由计算装置(1320)收集与风涡轮机性能相关联的第一数据集； 分析该第一数据集以确定该第一数据集是否能够指示故障状况；并且 检查与风涡轮机性能相关联的第二数据集以确定是否存在故障状况。
2.权利要求I所述的方法，其中该方法进一步包含为用户提供通知以基于确定存在故障状况而采取行动。
3.权利要求2所述的方法，其中该方法进一步包含确定故障状况的类型，其存在于多个可能的故障状况。
4.权利要求3所述的方法，其中提供所述通知包含关于基于确定的故障状况类型采取的动作类型的信息。
5.权利要求I所述的方法，其中经由计算装置(1320)收集与风涡轮机性能相关联的第一数据集包含从如下的至少一个收集监控和数据采集类型数据一组风涡轮机传感器、与风涡轮机相关联的计算装置，和存储器(1326)中的文件。
6.权利要求I所述的方法，其中分析该第一数据集以确定该第一数据集是否能够指示故障状况包含分析用于在无故障状况下操作的风涡轮机的一个或者多个数据项。
7.权利要求I所述的方法，其中分析该第一数据集以确定该第一数据集是否能够指示故障状况包含分析用于在无故障状况下操作的风涡轮机的一个或者多个数据项以及用于在故障状况下操作的风涡轮机的一个或者多个数据项。
8.权利要求I所述的方法，其中分析该第一数据集以确定该第一数据集是否能够指示故障状况包含使用聚类算法方法分析该第一数据集。
9.权利要求8所述的方法，其中使用聚类算法方法分析第一数据集包含使用自组织特征映射方法分析该第一数据集。
10.权利要求I所述的方法，其中分析该第一数据集以确定该第一数据集是否能够指示故障状况包含，使用主要组件分析方法分析该第一数据集。
全文摘要
本发明公开了涡轮机故障分析。在此描述了用于涡轮机故障分析的装置、方法及系统。一种计算装置实现的用于涡轮机故障分析的方法包含经由计算装置收集与风涡轮机性能相关联的第一数据集；分析该第一数据集以确定该第一数据集是否能够指示故障状况；并且检查与风涡轮机性能相关联的第二数据集以确定是否存在故障状况。
文档编号G06N3/02GK102636350SQ201110463310
公开日2012年8月15日 申请日期2011年12月10日 优先权日2011年2月10日
发明者K·金 申请人:霍尼韦尔国际公司
技术领域：
本发明涉及用于涡轮机故障分析的装置、方法及系统。
背景技术：
在美国能源部发行的标题为《2030年20%的风能》的报告中指出的两个挑战是风涡轮机性能的改善与运行和维护费用的减少。例如，在投入运行风涡轮发电机的资本成本后，拥有者的一个大成本是维护。在一些实施方式中，维护和运行成本的减少可以显著地减少成本回收期并可以提供投资的动力，并且潜在地为该清洁能源的广泛接受做准备。风涡轮机通常在严峻的、遥远的环境中运行并且能够需要频繁的定期维护。另外地，不定期维护的成本(例如，由于未检测到的故障引起)可以在维护支持中高和/或在生产期丢失。响应于这些潜在成本，承保人，例如在欧盟，已经开始要求昂贵的定期大修以解决潜在的可靠性问题。基于状况而不是基于时间的维护在一些实施中，通过减少不必要的定期维护实现高可靠性与低维护成本。
图I说明了风涡轮机操作区域数据的例子，其可以在本公开的一个或者多个实施例中使用。图2说明了高速轴扭矩与高速轴速的比率连同功率级数据的变型的例子，其可以在本公开的一个或者多个实施例中使用。图3说明了高速轴速度与低速轴速的比率连同功率级数据的变型，其可以在本公开的一个或者多个实施例中使用。图4说明了使用训练数据集从自动关联神经网络中获得的Q-Stat与T2值的例子，其可以在本公开的一个或者多个实施例中使用。图5说明了来自另一基线情况的结果的例子并且这样数据可以在本公开的一个或者多个实施例中使用。图6说明了来自当变速箱故障发生日收集的数据的结果并且这样数据可以在本公开的一个或者多个实施例中使用。
图7和图8说明了来自在故障之前收集的数据的结果并且这样数据可以在本公开的一个或者多个实施例中使用。图9说明了来自自组织特征映射的训练的结果并且这样数据可以在本公开的一个或者多个实施例中使用。
图10说明了基于故障数据的报警触发状况并且这样数据可以在本公开的一个或者多个实施例中使用。图11说明了在可获得的数据中来自最接近故障日的数据的结果并且这样数据可以在本公开的一个或者多个实施例中使用。图12说明了在若干个不同指示器的警报触发器间的比较并且这样数据可以在本公开的一个或者多个实施例中使用。图13说明了可以在本公开的一个或者多个实施例中使用的计算系统。
具体实施例方式本公开包含用于涡轮机故障分析的方法、装置和系统。例如，本公开的实施例可以提供轴承和变速箱机械故障的准确预测。在一个示例实施例中，计算装置实现的用于涡轮机故障分析方法包含经由计算装置收集与风涡轮机性能相关联的第一数据集；分析该第一数据集以确定该第一数据集是否能够指示故障状况；并且检查与风涡轮机性能相关联的第二数据集以确定是否存在故障状况。在各种实施例中，该方法可以进一步包含提供通知给用户以基于确定故障状况存在而采取行动。实施例也可以包含确定故障状况的类型，其存在于多个可能的故障状况。在一些实施例中，提供通知可以包含关于基于确定的故障状况类型采取的动作类型的信息。如上讨论的经由计算装置收集与风涡轮机性能相关联的第一数据集可以包含从如下的至少一个收集监控和数据采集(SCADA)类型数据一组风涡轮机传感器、与风涡轮机相关联的计算装置，和存储器中的文件。分析该第一数据集以确定该第一数据集是否能够指示故障状况包含分析用于在无故障状况下操作的风涡轮机的一个或者多个数据项。在一些实施例中，分析该第一数据集以确定该第一数据集是否能够指示故障状况包含分析用于在无故障状况下操作的风涡轮机的一个或者多个数据项以及用于在故障状况下操作的风涡轮机的一个或者多个数据项。分析该第一数据集以确定该第一数据集是否能够指示故障状况能够例如通过使用聚类算法方法比如自组织特征映射(SOFM)方法分析第一数据集来完成。在一些实施例中，分析该第一数据集以确定该第一数据集是否能够指示故障状况包含，使用主要组件分析方法分析该第一数据集。本公开的实施例的一大优点是涡轮机操作和维护成本可以通过持续对涡轮机健康的监控而减少，导致提高可靠性。更加具体地，在风涡轮机中的组件故障(例如，导致最高故障的那些)可以在早期被检测出以致于它们可以被解决，例如，在更多成本损坏发生之前。虽然当前的实施例不限于检测变速箱和/或发电机部件问题，然而目前，与变速箱和/或发电机部件关联的操作故障似乎是明显的并且似乎占用最大的停机时间和/或修理费用，所以提供了关于这些问题的下面一些讨论。例如，在一个方法实施例中，使用监控和数据采集(SCADA)数据预期变速箱故障。本公开的实施例包含解释SCADA数据以检测变速箱故障并处理以利用SCADA数据。一般地，风涡轮机SCADA数据被用于操作的性能监控和控制应用。本文讨论的方法包含，例如，其中根据风涡轮机操作区域分割SCADA数据。在这些实施例中，该操作区域可以，例如通过控制规则定义，因为在每个区域上控制方案是不同的。在这些实施例中，用于检测故障的特征从同样的操作区域获得。在不同的实施例中，如果在不同的操作域上的特征被观察，由于区域改变而不是故障，可以显示相同或相似的特征模式。以这种方式，区域A中指示故障的模式也可以在区域B中生成，即使那里没有故障。不同类型的故障均如此，而不仅是变速箱故障。该特征可以，例如，在每个区域上被单独地观察并在从数据提取信息时可以被区别。
本文讨论的另一方法提供对于变速箱故障，与来自整个数据集的变速箱操作相关的测量可以被初始地标识(例如，功率，高速轴(HSS)扭矩，速度，低速轴(LSS)扭矩，速度，油温，和/或油压)。在不同实施例中，每个单独的测量可以被单独地检查，并且它们可以与基线和故障状况比较以确定不同。在一些实施例中，可以检查单独测量的一些组合。例如，单独测量的比率(例如，HSS扭矩和HSS速度的比率，HSS速度和LSS速度的比率，和/或关于周围温度的正常化油温)可以被检查。这些测量的值(例如，经由来自风涡轮机或相关仪器的传感器数据获得的)可以相对彼此被检查，而不是单独地值被检查。例如，HSS扭矩相对于功率，HSS扭矩或者HSS速度相对功率的比率，和/或其它等，可以被彼此相对检查。从这个过程中，用于变速箱故障的最大指示模式可以被标识。例如，可以从HSS扭矩或者HSS速度相对功率电子设备功率(PE功率)的比率，HSS速度或者LSS速度相对功率的比率，正常化油温相对功率，和/或油压相对功率来观察模式。用于单独的风涡轮机的异常检测可以利用所收集的数据集来开发。分析可通过但不限于，使用主要组件分析(PCA)与非线性方法来完成。例如，S0FM(自组织特征映射)是非线性方法，通过该方法在有未知特征的数据集中可以使用非监督学习，用于将它们分类为带有相似特征的组。在传感器组内的传感器中查找异常的算法集可以被使用利用SCADA数据检测异常。故障检测和/或预测的自动化能够，例如使用PCA和/或SOFM完成。PCA能够，例如被使用以检测异常并且SOFM能够，例如可以被用以隔离故障。来自故障检测和隔离系统生成的警报能够，例如，由多个(例如，三个指示器)指示器组成，例如基于来自PCA的Qstat, T2stat，和/或来自SOFM的聚类数量。在现有技术中，处理参数不是常规地用于故障检测和/或预测，而是仅在原始形式中使用以用于防止单独信号中的大的偏差。下面提供的是本公开的实施例一个示例性配置。这个例子不应该视为对本公开的实施例的范畴的限制。关于CART数据的描述控制高级研究性涡轮机2 (CART2)是修改的西屋电气额定功率600KW的WWG-0600机器。它位于在科罗拉多博得尔市国家风能技术中心(NWTC)并安装以测试用于功率和负载调节的新控制方案。在其原始配置中，WWG-0600使用同步发电机、流体耦合和液压总距(collective pitch)驱动。然而，CART2装备有感应发电机、刚性耦合与单独电动机械距驱动器。转子在塔的逆风向运行并且包含两个叶片和摇晃毂(teetering hub)。作为研究性涡轮机，它装备有比正常安装在风力场涡轮机上更多的传感器，包含压力换能器、扭矩换能器、应变仪、温度计、位置编码器、加速器、风速计、风向标，与功率、电流和电压表。这些传感器的每个的输出以IOOHz的控制速率被记录。总共88个测量被存储在10个微型块中，包含螺旋角、轴扭矩、油温和压力、偏航位置、风速和方向、环境温度、振动、塔负荷、发电机功率/电流/电压，和其它控制信号。参数例子包含‘摇晃制动压力’‘螺距系统数字输出’‘叶片I模拟输出I’‘摇晃角度’‘叶片I模拟输出2’‘叶片I间距’‘叶片2模拟输出I’‘叶片2间距，‘叶片2模拟输出2’‘LSS 扭矩’‘叶片I边缘弯曲度’‘叶片I皮瓣弯曲度’‘叶片2边缘弯曲度’‘叶片2皮瓣弯曲度’‘齿轮箱油温’‘HSS 位置’‘偏航位置’‘HSS 扭矩’‘ LSS 位置’‘偏航制动压力’‘短舱数字输出’‘X加速计端口’‘ Y加速计端口’‘ Z加速计端口’‘X加速计右舷’‘Y加速计右舷’
‘Z加速计右舷’‘短舱风速’‘短舱风向’‘齿轮箱油压’
‘短舱环境温度’‘ MU-滚动’‘ MU-间距’‘ MU-偏航’‘頂 U-X ’‘頂 U-Y ’iIMU-Zj ‘发电机电力’‘ PE数字输出’‘发电机电流’‘发电机频率’‘发电机电压’‘PE 功率，‘PE 千伏安’‘PE功率因子’‘塔弯曲 E/W，‘塔弯曲 N/S’‘塔弯曲E/W泊松’‘塔弯曲N/S泊松’‘风速 58. 2m’‘风向 58. 2m，‘温度 58. 2m’‘风速 36. 6m，‘风向 36. 6m，‘风速 15. 0m’‘风向 15.0m’‘风速 3. Om，‘温度 3. Om’‘首速 U 36.6m，‘音速 V 36.6m，‘音速 W 36.6m，‘气压’‘ GPS 年，‘ GPS 月，iGPS 日，‘GPS 小时’‘ GPS 分钟，‘ GPS 秒，‘GPS毫秒十分位’
‘HSS RPM’‘LSS RPM’‘空气密度’‘HSS 功率，‘LSS 功率，‘LSS RPM 变动率’‘HSS RPM 变动率’‘集合间距I’‘集合间距2’‘叶片I间距率’‘叶片2间距率’‘扭矩需求’‘扭矩命令’‘数字输出I’‘数字输出2’‘正常停止比特I’‘紧急停止比特I’‘警告比特I’‘警告比特2’ 关于基于SOFM方法的描述神经网络聚类技术聚类算法是将η个观察集合划分为g个组的方法以使得相同组的成员比不同组的成员更为相似。如果这成功，这些组称作聚类。依照类标签的可用性，学习在观察中的模式有两种类型的方法。当观察的类标签可用时，使用监督式学习，否则非监督式学习是合适的。在非监督式学习中，没有可用的目标输出。所以，自由参数，比如神经网络中的权重和偏差，可以仅响应于网络输入被修改。在一些实施例中，该输入模式被分类为多个类。自组织特征映射(SOFM)自组织特征映射(SOFM)是聚类算法的特定类型，形成位于常规通常I或者2维网格的神经元。SOFM可以检测其输入中的规律性和相关性并且适配对其相应输入的它们的未来响应，其通过根据它们如何在输入空间中被分组学习分类输入向量。换言之，在响应于类似输入向量的神经元层中，SOFM以神经元物理上相互靠近彼此的方式学习识别相似输入向量组。在经典的k平均方法中，观察可以被映射至其代表最接近于该观察的聚类。这就是在SOFM中发生的，但是另外地在SOFM中的训练算法试图映射一些结构至该代表。在SOFM中，可以选择大量的聚类，并且安排在常规网格上。其思想是代表在空间上被相关，以致于在网格上邻近点处的代表比那些广泛隔开的代表更为相似。在SOFM中，该聚类代表(其是SOFM的层中的神经元)初始地根据指示映射的结构的拓扑函数随机被分配在一些合适的分布中。无论何时显示观察X，就找到最接近的代表Hij,其被标识为获胜者。然后对于在网格上邻近于j的所有代表i ;
Iiii (t+1) = Hii (t) + a h^· [x (t) -Hii (t)]对于所有邻居 i其中t表示时间，α是学习率，1^_是获胜者神经元j周围的邻近核心。该学习率α被允许随着时间改变。邻近函数确定该神经元彼此连接有多牢固。邻近函数的示例是在获胜者神经元的整个邻近上是恒定的。另一时变类型的函数是高斯邻近函数
权利要求
1.一种计算装置(1320)实现的用于涡轮机故障分析的方法，包含 经由计算装置(1320)收集与风涡轮机性能相关联的第一数据集； 分析该第一数据集以确定该第一数据集是否能够指示故障状况；并且 检查与风涡轮机性能相关联的第二数据集以确定是否存在故障状况。
2.权利要求I所述的方法，其中该方法进一步包含为用户提供通知以基于确定存在故障状况而采取行动。
3.权利要求2所述的方法，其中该方法进一步包含确定故障状况的类型，其存在于多个可能的故障状况。
4.权利要求3所述的方法，其中提供所述通知包含关于基于确定的故障状况类型采取的动作类型的信息。
5.权利要求I所述的方法，其中经由计算装置(1320)收集与风涡轮机性能相关联的第一数据集包含从如下的至少一个收集监控和数据采集类型数据一组风涡轮机传感器、与风涡轮机相关联的计算装置，和存储器(1326)中的文件。
6.权利要求I所述的方法，其中分析该第一数据集以确定该第一数据集是否能够指示故障状况包含分析用于在无故障状况下操作的风涡轮机的一个或者多个数据项。
7.权利要求I所述的方法，其中分析该第一数据集以确定该第一数据集是否能够指示故障状况包含分析用于在无故障状况下操作的风涡轮机的一个或者多个数据项以及用于在故障状况下操作的风涡轮机的一个或者多个数据项。
8.权利要求I所述的方法，其中分析该第一数据集以确定该第一数据集是否能够指示故障状况包含使用聚类算法方法分析该第一数据集。
9.权利要求8所述的方法，其中使用聚类算法方法分析第一数据集包含使用自组织特征映射方法分析该第一数据集。
10.权利要求I所述的方法，其中分析该第一数据集以确定该第一数据集是否能够指示故障状况包含，使用主要组件分析方法分析该第一数据集。
全文摘要
本发明公开了涡轮机故障分析。在此描述了用于涡轮机故障分析的装置、方法及系统。一种计算装置实现的用于涡轮机故障分析的方法包含经由计算装置收集与风涡轮机性能相关联的第一数据集；分析该第一数据集以确定该第一数据集是否能够指示故障状况；并且检查与风涡轮机性能相关联的第二数据集以确定是否存在故障状况。
文档编号G06N3/02GK102636350SQ201110463310
公开日2012年8月15日 申请日期2011年12月10日 优先权日2011年2月10日
发明者K·金 申请人:霍尼韦尔国际公司
最新回复(0)