CN110469462B - 一种基于多模板的风电机组智能状态监测系统 - Google Patents

Abstract

本申请涉及一种基于多模板的风电机组智能状态监测系统，包括系统配置模块、数据质量检测模块、智能诊断模块、趋势分析模块、集群对标模块、预警模块和预警信息统计模块。根据本申请的基于多模板的风电机组智能状态监测系统，其适用范围广，数据传输及时、可靠，可对风电机组的健康状态机进行全方位监测，可在变转速工况下实现智能诊断，统计分析更加全面和实用。

Description

一种基于多模板的风电机组智能状态监测系统

技术领域

本申请涉及一种基于多模板的风电机组智能状态监测系统，适用于风电机组监测的技术领域。

背景技术

风力发电可将风能转化为电能，是人类利用风能这一清洁能源的主要手段。目前，风力发电在电力能源领域所占比例逐年提高。据《2018年中国风电吊装容量统计简报》统计，截至2018年底，我国风电机组累计装机容量约2.1亿千瓦，风电机组装机容量保持稳步增长态势。在风力发电系统中，风电机组是核心设备，承担着将风能转化为电能的重要角色。目前风电机组按传动结构主要分为：双馈机组、直驱机组和半直驱机组三种机型。其中，双馈机组和直驱机组市场份额占有绝对优势。随着风电机组服役时间增长，机组故障逐渐增多，尤其是机组大部件，例如叶轮、主轴承、齿轮箱、发电机等主要部件的故障不仅会造成机组的长时间停机，影响发电量，甚至会因大部件严重故障引发安全生产事故，如风机倒塔、叶片断裂等。目前风电机组维护方式主要还是定期维护，该方法存在过维护或欠维护的缺点。

针对上述问题，目前众多风电业主或主机厂家开始对风电机组加装“状态监测系统”，简称“CMS”。CMS主要通过在机组主轴承、齿轮箱、发电机等大部件特定位置加装振动加速度传感器，振动加速度信号经边缘数采设备采集预处理后通过风场光纤环网传至中控室现场服务器，中控室监控软件可对振动信号进行分析处理实现机组状态监测。另外，通过中控室的外网路由器，可将振动信号的远程传输至远程诊断中心，实现远程状态监测和诊断，远程诊断专家会定期出具机组健康状态评估报告。现有CMS一定程度上避免了风电机组运维过程中的过维护和欠维护，但现有CMS主要将关注点集中在风电机组传动链相关大部件上，对风电机组塔筒和塔基的健康状态关注较少。此外，现有CMS需要诊断专家定期出具机组健康评估报告，对诊断专家的经验依赖较大，并且不能实时给出风电机组最新状态和维护建议，不利于风电机组运行状态的实时把控。因此，设计一种风电机组智能状态监测系统，对风电机组塔筒、塔基以及传动链进行全面的监测和智能诊断对风电机组运维意义重大。

目前，在风电机组智能状态监测系统方面的研究主要集中在两方面：(1)边缘数采及数据传输；(2)系统软件功能。在边缘数采及数据传输方面，无线网络输出是一种较新的边缘数采方案，通过无线传输可将振动加速度数据直接传输至风场集控中心，不需要铺设通信线缆，降低了系统搭建成本。但无线传输通常数据传输速率低，而且网络会受到风电机组机舱内强电磁环境影响，并且无线传感器长时间供电问题也很难解决，在实际应用中局限性很大。此外，在系统软件功能方面，不同风电机组状态监测系统所采用的振动数据分析功能不同，并且在智能诊断功能上所采用的方法也不相同。在振动数据分析方面，目前通常采用时域分析、频域分析方法，时域分析方法包括：时域特征参数，如时域均值、有效值、峰值、峰值指标、波形指标、脉冲指标、裕度指标、峭度指标等；频域分析方法主要包括：FFT频谱、倒谱、细化谱、包络谱。此外，除了常用的时域和频域分析方法外，也可采用小波分析的方法实现振动信号的分析和处理，如小波变换-倒频谱、小波包变换-包络谱。

上述分析方法均是对时域振动信号进行分析，该类方法适用于对风电机组转速较为稳定工况下的数据进行分析。但实际中，风电机组存在转速波动较大的运行工况，在转速波动较大的工况下，上述FFT频谱、倒谱和包络谱等分析方法不再适用。目前，在风电机组智能诊断方面，多采用机器学习、专家系统、推理机等方法实现风电机组智能诊断。采用机器学习的智能诊断方法首先对振动数据进行时域、频域进行特征提取，接着利用所提取特征建立神经网络或支持向量机分类模型。采用机器学习的智能诊断法方法不依赖人的经验，可实现自动诊断。但建立机器学习模型需要大量的风电机组故障样本，而实际中故障样本较难获取，阻碍了机器学习在实际中的应用。专家系统通常需要大量的专家知识构建风电机组故障诊断专家系统，而大量的专家知识很难获取，对风电机组的故障现象也很难实现精确描述。此外，专家系统在后续更新上成本过高，不容易维护。由此可见，现有风电机组智能诊断方法均存在较大的不足，在实际应用中较难落地。

发明内容

本发明的目的是设计一种基于多模板的风电机组智能状态监测系统，其适用范围广，数据传输及时、可靠，可对风电机组的健康状态机进行全方位监测，可在变转速工况下实现智能诊断，统计分析更加全面和实用。

根据本申请的一种基于多模板的风电机组智能状态监测系统，包括以下模块：

系统配置模块，所述系统配置模块用于对不同机型、不同测点方案进行适配；

数据质量检测模块，所述数据质量检测模块对风电机组各振动测点的数据质量进行检测；

智能诊断模块，所述智能诊断模块通过智能诊断模型对风电机组的部件进行智能诊断，并自动给出诊断结论；

趋势分析模块，所述趋势分析模块对振动特征参数进行趋势分析，通过趋势分析判断某一测点的某一振动特征参数是否随时间发生显著变化；

集群对标模块，所述集群对标模块在不同转速下对机组的多种振动特征参数进行集群对标；

预警模块，所述预警模块对机组、机组大部件、振动测点的预警状态进行展示；

预警信息统计模块，所述预警信息统计模块对整机预警信息、机组大部件预警信息和故障次数进行统计。

其中，还可以包括数据分析模块，所述数据分析模块可以包括时域分析单元、频域分析单元、阶次域分析单元、时频域分析单元和时域同步平均单元。优选地，所述时域分析单元包括原始振动波形展示和时域滤波功能，所述频域分析单元包括FFT频谱分析、功率谱分析、包络谱分析和倒谱分析，所述阶次域分析单元包括阶次谱分析、阶次功率谱分析和阶次包络谱分析，所述时频域分析单元包括短时傅里叶变换、连续小波分解和瀑布图功能，所述时域同步平均单元通过等角度重采样后的多组整周期振动数据进行同步平均，以剔除振动数据中的随机噪声。

其中，所述系统配置模块适配直驱机组、双馈机组、半直驱机组三种机型，所述系统配置模块包括风电机组管理单元、测点配置单元和机组参数配置单元；所述数据质量检测模块对风电机组的各振动测点数据质量进行检测，检测指标包括均值检测、数据长度检测、峰峰值检测、正负数据点数差异检测和数据相同点数检测。

其中，在所述智能诊断模块中，通过实时获取塔基沉降和塔筒倾覆角度并与所设定的预警值和报警值进行比对实现机组塔基沉降和塔筒倾覆的自动诊断；

机组传动链、叶片、塔筒谐振、塔基松动的智能诊断模型采用基于设备运行机理的诊断模型，所述智能诊断模型依据转速脉冲上升沿位置序列对原始振动数据进行等角度差值，将时域非平稳数据转化为角域平稳数据，避免了转速波动对振动数据分析的影响；接着，依据机组参数对原始振动数据进行时域和频域故障特征提取，对角域平稳振动数据进行阶次域故障特征提取，最终获得将提取到的故障特征参数与该转速区间的阈值进行比较判断部件是否发生故障。所述智能诊断模块中还能展示各类故障判据图和故障判据趋势图，依据故障判据图可对系统智能诊断结果进行进一步确认，依据故障判据趋势图可分析故障程度变化趋势。

优选地，所述智能状态监测系统首先通过边缘数采设备采集风电机组传动链振动数据、叶片振动数据、塔架倾覆数据、塔基沉降数据、风电机组转速脉冲数据、功率和风速，并通过所述边缘数采设备对原始数据进行预处理，包括提取振动数据的特征参数、依据转速脉冲数据计算风电机组转速和提取转速脉冲上升沿位置序列。

本申请的有益技术效果包括：

(1)本申请的智能状态监测系统可适配直驱机组、双馈机组、半直驱机组三种主流机型，并针对风电机组传动链振动测点方案的多样性，系统内置多套模板，可快速适配多种风电机组常见传动链振动测点方案，系统适用范围更广；

(2)通过边缘计算的方式实现特征提取，既保证了大数据量传输的实时性和可靠性，又可降低服务器数据存储容量；

(3)本系统可对风电机组传动链、叶片、塔筒、塔基故障进行智能监测和诊断，实现了风电机组健康状态的全方位监测；

(4)本系统引入了数据质量异常检测模块，可对异常数据进行提示，避免异常数据对诊断结果造成影响；系统的智能诊断模块采用基于风电机组运行机理的智能诊断模型，对数据依赖程度低，并且在风电机组不同转速区间内采用阶次分析方法实现智能诊断，避免了变转速工况对智能诊断的影响；

(5)集群对标模块可在不同转速下对整个风场机组的某一特征参数进行集群对标，通过识别对标结果中的离群点即可识别整个风场中异常机组，对分析机组性能异常十分直观有效；

(6)系统中的数据分析模块内置多种振动数据分析方法，可实现振动数据的全面分析；在系统预警信息统计分析方面，系统可实现整机预警信息统计、大部件预警信息统计、故障发生次数统计，统计分析功能更加全面和实用。

附图说明

图1是本申请的智能状态监测系统的系统网络架构图。

图2是本申请的智能状态监测系统的功能架构图。

图3是本申请的智能状态监测系统的预警流程图。

图4是本申请的智能状态监测系统的智能诊断模型流程图。

图5是本申请的一个实施例中的集群对标结果的示意图。

图6是本申请的一个实施例中的整机预警信息统计示意图。

图7是本申请的一个实施例中的大部件预警信息统计示意图。

图8是本申请的一个实施例中的故障发生次数统计示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

本申请的智能状态监测系统首先通过边缘数采设备通过采集风电机组传动链(例如主轴承、齿轮箱、发电机)振动数据、叶片振动数据、塔架倾覆数据、塔基沉降数据、风电机组转速脉冲数据、功率、风速等。边缘数采设备会对原始数据进行预处理，包括：提取振动数据的特征参数(例如预警评估值、峰峰值、有效值、峭度、脉冲指标、波形指标、裕度指标、歪度指标)、依据转速脉冲数据计算风电机组转速、提取转速脉冲上升沿位置序列。通过边缘计算对数据进行预处理可降低后端服务器数据存储和计算压力。边缘计算结果会和原始振动数据、塔架倾覆数据、塔基沉降数据、功率、风速等通过风场光纤环网传至风电集控中心服务器，集控中心服务器经由外网路由器可接入远程数据监控中心。系统可以采用有线方式进行数据传输，数据传输速率高，不易受外部电磁环境影响，可满足实际中大数据量的传输需求，系统网络架构如图1所示。需要说明的是，在图1中，2#机组、……N#机组的设备架构均可以与1#机组设备的架构相同，故省略未画出。

如图2所示，在系统分析功能方面，系统功能主要包含以下几部分：系统配置模块、预警模块、数据质量检测模块、智能诊断模块、趋势分析模块、集群对标模块、数据分析模块、预警信息统计模块。

系统配置模块

针对目前风电机组机型多样，传动链振动测点方案(测点位置和数量)不同的问题，本申请的监测系统可适配直驱机组、双馈机组、半直驱机组三种主流机型，并且系统针对每种机型内置多套振动测点模板，可适配多种常见的传动链振动测点方案。通过采用多模板的方式，可对不同机型、不同测点方案进行快速适配，使得系统适用范围更广。

系统配置模块包含三部分：风电机组管理、测点配置、机组参数配置。

在“风电机组管理”中可选取所配置的风电机组类型、齿轮箱结构，如所配置机组类型为“双馈机组”，齿轮箱结构为“一级行星+二级平行结构”。

在“测点配置”中可根据风电机组实际的传动链振动测点位置，选择相应的测点模板，如双馈风电机组的一种传动链振动测点位置为：主轴前轴承径向、主轴后轴承径向、齿轮箱输入端径向、齿轮箱内齿圈径向、齿轮箱中间轴径向、齿轮箱高速端径向、发电机驱动端径向、发电机非驱动端径向。此外，在“测点配置”中可在不同转速区间配置每个振动测点的振动预警值阈值和报警阈值，振动预警阈值和报警阈值的评估频段参照国家标准GB/T35854-2018《风力发电机组及其组件机械振动测量与评估》。同时，在“测点配置”中可对与该测点相关的智能诊断阈值进行配置。

在“机组参数配置”中可对风电机组传动链中所有轴承(主轴承、齿轮箱内轴承、发电机轴承)故障特征参数、齿轮齿数、塔架谐振频率、叶片共振频率、转速传感器每转一转所产生的脉冲个数进行设置。

数据质量检测模块

数据质量检测模块主要实现风电机组各振动测点数据质量的检测。检测指标包括以下5种：

均值检测：判断振动数据均值是否超出阈值，若超出阈值则振动数据质量异常；

数据长度检测：判断数据长度是否为指定数据长度，若数据长度低于或高于指定数据长度则数据质量异常；

峰峰值检测：计算振动数据峰峰值，判断峰峰值是否超出振动传感器量程，若超出量程则振动数据质量异常；

正负数据点数差异检测：计算振动数据中正数据点数(大于0的数据点数)和负数据点数(小于0的数据点数)的差值，若差值高于阈值则振动数据质量异常；

数据相同点数检测：计算振动数据中数值相同的数据点数，若相同数据点数超出阈值则振动数据质量异常。

当某测点数据质量异常时，系统会给出数据质量异常提示。

智能诊断模块

系统的智能诊断模块可实现风电机组所有关键部件的智能诊断，并自动给出诊断结论。其中，塔基沉降和塔筒倾覆智能诊断是通过实时获取塔基沉降和塔筒倾覆角度并与所设定的预警值和报警值进行比对实现机组塔基沉降和塔筒倾覆的自动诊断。机组传动链、叶片、塔筒谐振、塔基松动的智能诊断模型采用基于设备运行机理的诊断模型，对数据依赖程度低。针对风电机组的变转速工况，智能诊断模型依据转速脉冲上升沿位置序列对原始振动数据进行等角度差值，将时域非平稳数据转化为角域平稳数据，避免了转速波动对振动数据分析的影响；接着，依据机组参数(齿轮齿数、轴承故障特征频率、塔架谐振频率、叶片共振频率)对原始振动数据进行时域和频域故障特征提取，对角域平稳振动数据进行阶次域故障特征提取，最终获得将提取到的故障特征参数与该转速区间的阈值进行比较判断部件是否发生故障。例如，智能诊断模块可将具体故障识别出来如轴承故障还是齿轮故障。智能诊断模型流程图如图4所示。

智能诊断模块中可展示各类故障判据图和故障判据趋势图。依据判据图可对系统智能诊断结果进行进一步确认，依据故障判据趋势图可分析故障程度变化趋势。此外，系统智能诊断模块会记录各类故障的历史诊断结果，并可对历史诊断结果进行查询和分析。

趋势分析模块

趋势分析模块可对振动特征参数(预警评估值、峰峰值、有效值、峭度、脉冲指标、波形指标、裕度指标、歪度指标)进行趋势分析，通过趋势分析可判断某一测点的某一振动特征参数是否随时间发生显著变化，进而推测设备运行状态是否出现异常。如，当振动“有效值”在短期内显著增大，则说明设备性能发生了较严重退化。但即便设备出现了故障，如果趋势较为平稳，说明故障相对也比较稳定，可能也不会影响正常使用。

此外，趋势分析模块可对不同时间的振动数据FFT频谱进行趋势分析，多个不同时间的FFT频谱同时展示即可构成瀑布图。FFT频谱趋势分析可识别不同时间振动数据频率成分的变化，进而识别设备运行状况是否异常。

集群对标模块

集群对标模块可实现风场机组的集群对标分析。一般认为风场大部分机组运行状态正常，只有少部分机组运行状态异常。基于此，将同一工况下各风电机组的同一特征参数进行集中展示，最终出现的离群点所对应的机组即视为异常机组。系统中的集群对标模块可在不同转速下对机组多种振动特征参数(预警评估值、峰峰值、有效值、峭度、脉冲指标、波形指标、裕度指标、歪度指标)进行集群对标，以某段时间内风电机组发电机驱动端振动“有效值”集群对标为例，集群对标结果示意图如图5所示，图中离群点所对应的风电机组可视为异常机组。

本申请中的智能诊断模块可将具体故障识别出来，例如是轴承故障还是齿轮故障。趋势分析只是看设备某个测点某个特征参数的变化趋势，单独地不能诊断设备是否发生故障和发生故障的具体部件。集群对标也只能识别该测点异常，不能诊断具体故障部件。

智能诊断模块是系统自动给出诊断结论，趋势分析和集群对标可使分析人员进一步确认系统诊断结果。比如智能诊断诊断出某测点轴承故障，那么在集群对标中，该测点振动RMS、峰峰值等参数会偏离正常值，会成为离群点。趋势分析可观察设备某测点某个特征参数一段时间内的变化趋势，可反映设备性能退化趋势。但即便是设备出现故障了，如果趋势较为平稳，那么故障相对来讲也比较稳定。趋势分析和集群对标可理解为从全局角度去分析设备异常，但不能识别出具体哪个部件故障。也可以理解为，集群对标是对智能诊断模块诊断结果的二次确认，而趋势分析相当于是对智能诊断模块诊断结果的二阶确认，即如果出现趋势变化，但变化比较平稳，仍然可以不影响使用。

数据分析模块

数据分析模块包含5部分：时域分析、频域分析、阶次域分析、时频域分析、时域同步平均(TSA)。

时域分析功能包括：原始振动波形展示、时域滤波功能；其中，时域滤波包括：低通滤波、高通滤波、带通滤波和带阻滤波。

频域分析功能包括：FFT频谱分析、功率谱分析、包络谱分析、倒谱分析。通过丰富的频域分析功能可在风电机组转速较为稳定的工况下识别风电机组关键部件故障。

阶次域分析功能包括：阶次谱分析、阶次功率谱分析、阶次包络谱分析。阶次域分析利用转速脉冲对时域振动数据进行等角度差值采样，进而转化为角域平稳信号再进行频谱分析，可避免风电机组转速波动对振动数据分析的影响。

时频域分析功能包括：短时傅里叶变换、连续小波分解、瀑布图。通过时频域分析可在“时间-频率-幅值”三个维度分析振动数据。

时域同步平均(TSA)通过等角度重采样后的多组整周期振动数据进行同步平均，可剔除振动数据中的随机噪声，最终计算所得的时域同步平均波形和频谱中的重要频率成分更加突出。

预警模块

预警模块可实现机组、机组大部件(塔架、风轮、主轴承、齿轮箱、发电机)、振动测点的预警状态展示。预警等级由低到高分为：正常、关注、预警、报警。大部件的预警等级取该大部件上所有振动测点中的最大预警等级；风电机组整机预警状态取机组各大部件中的最大预警等级。如图3所示，系统预警逻辑如下：

首先根据某测点原始数据及边缘计算结果对机组关键部件(主轴承、齿轮箱、发电机等)进行智能诊断，若出现故障则系统给出故障原因和维护建议。针对特定故障，将故障程度划分为三级：早期故障、中期故障、晚期故障。其中，“早期故障”对应的预警等级为“关注”，“中期故障”对应的预警等级为“预警”，“晚期故障”对应的预警等级为“报警”。

若某测点未诊断出故障，则计算该测点的预警评估值(计算方法参照国标GB/T35854-2018《风力发电机组及其组件机械振动测量与评估》)，判断预警评估值是否超出预警阈值和报警阈值，若超出相应阈值，则分别给出“预警”和“报警”。对应故障原因提示“其他原因”。

本发明所设计的预警逻辑充分考虑了系统所能覆盖到的故障模式和系统不能覆盖的故障模式。当机组异常由系统所包含的故障模式之外的原因引起时，系统也能通过计算预警评估值来判断该测点振动是否异常，预警覆盖面更广。

预警信息统计模块

预警信息统计模块包含3部分：整机预警信息统计、大部件预警信息统计、故障次数统计。

整机预警信息统计功能可对当前整个风电场风电机组产生的预警数量进行统计，可直观展示整个风场整机的健康分布状况。

大部件预警信息统计可对当前整个风电场风电机组大部件的预警数量统计，可直观展示整个风场不同大部件的健康分布状况。

故障次数统计可对某一个时间段内某振动测点所关联的多种故障发生次数进行统计。故障次数统计功能可直观展示各类故障的发生次数，对多次发生的故障现场运维人员可进行重点关注。通常当某一故障在一段时间内连续发生多次，业主才会进行维修。

整机预警信息统计、大部件预警信息统计和故障次数统计示意图分别如图6-图8所示。

本申请的基于多模板的风电机组智能状态监测系统，可适配直驱机组、双馈机组、半直驱机组三种主流机型，并针对风电机组传动链振动测点方案的多样性，系统内置多套模板，可快速适配多种风电机组常见传动链振动测点方案，系统适用范围更广。本系统在数据传输方面，通过边缘计算的方式实现特征提取，既保证了大数据量传输的实时性和可靠性，又可降低服务器数据存储容量。此外，本系统可对风电机组传动链、叶片、塔筒、塔基故障进行智能监测和诊断，实现了风电机组健康状态的全方位监测。在系统软件功能方面，本系统引入了数据质量异常检测模块，可对异常数据进行提示，避免异常数据对诊断结果造成影响。系统的智能诊断模块采用基于风电机组运行机理的智能诊断模型，对数据依赖程度低，并且在风电机组不同转速区间内采用阶次分析方法实现智能诊断，避免了变转速工况对智能诊断的影响。另外，本系统中设计了集群对标模块，可在不同转速下对整个风场机组的某一特征参数进行集群对标，通过识别对标结果中的离群点即可识别整个风场中异常机组，对分析机组性能异常十分直观有效。同时，本系统中的数据分析模块内置多种振动数据分析方法，可实现振动数据的全面分析。在系统预警信息统计分析方面，系统可实现整机预警信息统计、大部件预警信息统计、故障发生次数统计，统计分析功能更加全面和实用。

虽然本申请所揭露的实施方式如上，但所述的内容只是为了便于理解本申请而采用的实施方式，并非用以限定本申请。任何本申请所属技术领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (11)

1.一种基于多模板的风电机组智能状态监测系统，其特征在于，包括以下模块：

系统配置模块，所述系统配置模块用于对不同机型、不同测点方案进行适配，系统针对每种机型内置多套振动测点模板；

数据质量检测模块，所述数据质量检测模块对风电机组各振动测点的数据质量进行检测；

智能诊断模块，所述智能诊断模块通过智能诊断模型对风电机组的部件进行智能诊断，并自动给出诊断结论；

趋势分析模块，所述趋势分析模块对振动特征参数进行趋势分析，通过趋势分析判断某一测点的某一振动特征参数是否随时间发生显著变化；

集群对标模块，所述集群对标模块在不同转速下对机组的多种振动特征参数进行集群对标；

预警模块，所述预警模块对机组、机组大部件、振动测点的预警状态进行展示；

预警信息统计模块，所述预警信息统计模块对整机预警信息、机组大部件预警信息和故障次数进行统计。

2.根据权利要求1所述的风电机组智能状态监测系统，其特征在于，所述监测系统还包括数据分析模块，所述数据分析模块包括时域分析单元、频域分析单元、阶次域分析单元、时频域分析单元和时域同步平均单元。

3.根据权利要求2所述的风电机组智能状态监测系统，其特征在于，所述时域分析单元包括原始振动波形展示和时域滤波功能，所述频域分析单元包括FFT频谱分析、功率谱分析、包络谱分析和倒谱分析，所述阶次域分析单元包括阶次谱分析、阶次功率谱分析和阶次包络谱分析，所述时频域分析单元包括短时傅里叶变换、连续小波分解和瀑布图功能，所述时域同步平均单元通过等角度重采样后的多组整周期振动数据进行同步平均，以剔除振动数据中的随机噪声。

4.根据权利要求1-3中任一项所述的风电机组智能状态监测系统，其特征在于，所述系统配置模块适配直驱机组、双馈机组、半直驱机组三种机型，所述系统配置模块包括风电机组管理单元、测点配置单元和机组参数配置单元。

5.根据权利要求1-3中任一项所述的风电机组智能状态监测系统，其特征在于，所述数据质量检测模块对风电机组的各振动测点数据质量进行检测，检测指标包括均值检测、数据长度检测、峰峰值检测、正负数据点数差异检测和数据相同点数检测。

6.根据权利要求1-3中任一项所述的风电机组智能状态监测系统，其特征在于，在所述智能诊断模块中，通过实时获取塔基沉降和塔筒倾覆角度并与所设定的预警值和报警值进行比对实现机组塔基沉降和塔筒倾覆的自动诊断；

机组传动链、叶片、塔筒谐振、塔基松动的智能诊断模型采用基于设备运行机理的诊断模型，所述智能诊断模型依据转速脉冲上升沿位置序列对原始振动数据进行等角度差值，将时域非平稳数据转化为角域平稳数据，避免了转速波动对振动数据分析的影响；接着，依据机组参数对原始振动数据进行时域和频域故障特征提取，对角域平稳振动数据进行阶次域故障特征提取，最终获得将提取到的故障特征参数与相应转速区间的阈值进行比较判断部件是否发生故障。

7.根据权利要求6所述的风电机组智能状态监测系统，其特征在于，所述智能诊断模块中能展示各类故障判据图和故障判据趋势图，依据故障判据图可对系统智能诊断结果进行进一步确认，依据故障判据趋势图可分析故障程度变化趋势。

8.根据权利要求1-3或7任一项所述的风电机组智能状态监测系统，其特征在于，所述智能状态监测系统首先通过边缘数采设备采集风电机组传动链振动数据、叶片振动数据、塔架倾覆数据、塔基沉降数据、风电机组转速脉冲数据、功率和风速，并通过所述边缘数采设备对原始数据进行预处理，包括提取振动数据的特征参数、依据转速脉冲数据计算风电机组转速和提取转速脉冲上升沿位置序列。

9.根据权利要求4所述的风电机组智能状态监测系统，其特征在于，所述智能状态监测系统首先通过边缘数采设备采集风电机组传动链振动数据、叶片振动数据、塔架倾覆数据、塔基沉降数据、风电机组转速脉冲数据、功率和风速，并通过所述边缘数采设备对原始数据进行预处理，包括提取振动数据的特征参数、依据转速脉冲数据计算风电机组转速和提取转速脉冲上升沿位置序列。

10.根据权利要求5所述的风电机组智能状态监测系统，其特征在于，所述智能状态监测系统首先通过边缘数采设备采集风电机组传动链振动数据、叶片振动数据、塔架倾覆数据、塔基沉降数据、风电机组转速脉冲数据、功率和风速，并通过所述边缘数采设备对原始数据进行预处理，包括提取振动数据的特征参数、依据转速脉冲数据计算风电机组转速和提取转速脉冲上升沿位置序列。

11.根据权利要求6所述的风电机组智能状态监测系统，其特征在于，所述智能状态监测系统首先通过边缘数采设备采集风电机组传动链振动数据、叶片振动数据、塔架倾覆数据、塔基沉降数据、风电机组转速脉冲数据、功率和风速，并通过所述边缘数采设备对原始数据进行预处理，包括提取振动数据的特征参数、依据转速脉冲数据计算风电机组转速和提取转速脉冲上升沿位置序列。

Images