1.本公开大体上涉及风力涡轮功率系统，并且更特别地涉及用于在风力涡轮功率系统的滑动联轴器中的滑动检测和健康监测的系统和方法。
背景技术：2.风电被认为是目前可用的最清洁、最环保的能量源之一，并且风力涡轮在这方面得到了越来越多的关注。现代风力涡轮典型地包括塔架、发电机、齿轮箱、机舱和转子。转子典型地包括可旋转的毂，该毂具有附接到其的一个或多个转子叶片。变桨轴承典型地能够操作地配置在毂和转子叶片之间，以允许围绕变桨轴线旋转。转子叶片利用已知的翼型件原理捕获风的动能。转子叶片以旋转能量的形式传递动能，以便转动通常称为低速轴的转子轴，该轴将转子叶片联接到齿轮箱，或者如果不使用齿轮箱，则直接联接到发电机。发电机然后将机械能转换成电能，该电能可被部署到公用电网。
3.更具体地，在某些风力涡轮中，毂经由转子轴(有时称为主轴或低速轴)、齿轮箱、高速轴和滑动联轴器可旋转地联接到发电机。因此，转子轴的旋转可旋转地驱动齿轮箱，该齿轮箱随后驱动高速轴。高速轴利用滑动联轴器可旋转地驱动发电机，并且高速轴的旋转促进通过发电机产生电功率。
4.电网故障事件(诸如低电压穿越(lvrt)电网事件)和/或在风力涡轮传动系上的任何其它瞬态激发轴扭转振荡并在传动系上产生大的扭转应力。为了减少这些瞬时扭矩的影响，在传动系的高速轴上设置滑动联轴器，该联轴器在扭矩超过极限值时滑动，并且帮助减少对系统的冲击。
5.滑动联轴器的现有滑动检测使用由速度传感器测量的转子速度和发电机速度之间的差值来确定，这典型地需要在滑动联轴器的两侧上的两个传感器。然而，这样的方法具有例如由于转子速度传感器的低精度导致的降低的精度，从而导致误报。此外，这样的方法可能花费比期望更长的时间来从转子速度传感器获得准确的读数，以便减少误报，并且因此从滑动的瞬间起花费更多的时间来使涡轮跳闸。在现场触发的与轴联轴器有关的任何滑动故障都需要目视检查以核查故障的原因。不是实际滑动事件并且不应当导致风力涡轮停机的滑动故障可造成电力生产中的重大损失，并招致相当大的维修成本。
6.因此，鉴于上述情况，用于风力涡轮功率系统的滑动联轴器中的滑动检测和摩擦表面健康监测的系统和方法在本领域中将受到欢迎。因此，本公开针对用于检测滑动联轴器的滑动(特别是在lvrt事件或触发的阵风期间)和使用来自发电机和传动系的信号预测联轴器摩擦表面的系统。
技术实现要素：7.本公开的方面和优点将在下面的描述中被部分地阐述，或者可从描述中显而易见，或者可通过本公开的实践获知。
8.在一个方面，本公开涉及一种用于操作具有发电机和轴的传动系的方法。该轴还具有安装在其上的滑动联轴器。因此，该方法包括经由控制器生成发电机的多个操作信号的时间序列。该方法还包括：将至少一个算法应用于发电机的该多个操作信号的时间序列，以生成发电机的该多个操作信号的经处理的时间序列。此外，该方法包括：经由控制器识别发电机的该多个操作信号的经处理的时间序列中的模式，以识别在滑动联轴器中发生的滑动事件或滑动联轴器的表面健康。此外，该方法包括：当识别出在滑动联轴器中发生的滑动事件或滑动联轴器的表面健康指示滑动联轴器中的劣化时，经由控制器实施控制动作。
9.在实施例中，例如，多个操作信号可包括发电机速度、转子速度、发电机电流或发电机电压。
10.因此，在实施例中，将(一个或多个)算法应用于发电机的该多个操作信号的时间序列以生成发电机的该多个操作信号的经处理的时间序列可包括确定发电机速度的二阶导数并将该二阶导数与阈值进行比较以识别在滑动联轴器中发生的滑动事件。
11.在另一个实施例中，该方法可包括：根据发电机电流和发电机电压估计发电机的电磁扭矩；使用发电机的电磁扭矩和发电机速度来估计发电机的轴扭矩；以及使用轴扭矩来估计发电机的联轴器扭矩。
12.因此，在实施例中，将(一个或多个)算法应用于发电机的该多个操作信号的时间序列以生成发电机的该多个操作信号的经处理的时间序列可包括估计发电机的轴扭矩的一阶导数并将该一阶导数与阈值进行比较以识别在滑动联轴器中发生的滑动事件。
13.在另外的实施例中，将(一个或多个)算法应用于发电机的该多个操作信号的时间序列以生成发电机的该多个操作信号的经处理的时间序列可包括识别转子电流的特定频率模式以识别在滑动联轴器中发生的滑动事件。
14.在另外的实施例中，将(一个或多个)算法应用于发电机的该多个操作信号的时间序列以生成发电机的该多个操作信号的经处理的时间序列可包括利用一个或多个人工神经网络和一个或多个分类技术中的至少一个以及发电机速度、发电机的轴扭矩和转子电流的瞬时频率中的至少一个来识别在滑动联轴器中发生的滑动事件。
15.在某些实施例中，例如，利用一个或多个人工神经网络和/或一个或多个分类技术以及发电机速度、发电机的轴扭矩和/或转子电流的瞬时频率来识别在滑动联轴器中发生的滑动事件可包括：接收发电机的该多个操作信号的时间序列；以及使用一个或多个人工神经网络来分析发电机的该多个操作信号的时间序列以提取对应于多变量时间序列窗口的一个或多个低维特征。
16.在特定实施例中，(一个或多个)人工神经网络可包括例如时间卷积网络或长短期记忆(lstm)神经网络。
17.在若干实施例中，利用一个或多个人工神经网络和/或一个或多个分类技术以及发电机速度、发电机的轴扭矩和/或发电机电流的瞬时频率来识别在滑动联轴器中发生的滑动事件可包括接收发电机的该多个操作信号的时间序列以及估计在发电机的该多个操作信号的时间序列中来自正常模式的一个或多个散度(divergences)的模式。
18.在另一个实施例中，将(一个或多个)算法应用于发电机的该多个操作信号的时间序列以生成发电机的该多个操作信号的经处理的时间序列可包括：使用一个或多个人工神经网络来分析在滑动事件开始时的发电机的该多个操作信号的时间序列或发电机的轴扭
矩的时间序列中的至少一个连同一个或多个任选风参数，以提取对应于多变量时间序列窗口的一个或多个低维特征；和对来自正常条件特征集的一个或多个低维特征的一个或多个散度进行趋势分析。
19.在备选实施例中，将(一个或多个)算法应用于发电机的该多个操作信号的时间序列以生成发电机的该多个操作信号的经处理的时间序列可包括：通过将在滑动事件开始时的轴扭矩或联轴器扭矩与阈值进行比较来分析在滑动事件开始时的发电机的该多个操作信号的时间序列或发电机的轴扭矩的时间序列中的至少一个以及一个或多个任选风参数。
20.在另外的实施例中，识别发电机的该多个操作信号的经处理的时间序列中的模式以识别滑动联轴器中发生的滑动事件或滑动联轴器的表面健康中的任一个可包括使用一个或多个贝叶斯模型来利用一个或多个低维特征和一个或多个历史加载条件识别滑动联轴器的表面健康。
21.在附加实施例中，识别发电机的该多个操作信号的经处理的时间序列中的模式以识别在滑动联轴器中发生的滑动事件或滑动联轴器的表面健康中的任一个可包括使用一个或多个人工神经网络分析在滑动事件开始时的发电机的多个操作信号的时间序列以提取对应于多变量时间序列窗口的一个或多个低维特征。
22.在某些实施例中，该方法还可包括在一个或多个滑动事件期间基于轴扭矩、转子速度和发电机速度估计能量耗散和温升以及对能量耗散和温升进行趋势分析以确定滑动联轴器的表面健康的累积劣化。
23.在特定实施例中，传动系可为风力涡轮的部分。
24.在另一个方面，本公开涉及一种用于操作风力涡轮的发电机的方法。该风力涡轮具有毂，该毂经由转子轴可旋转地联接到发电机，该转子轴可旋转地驱动齿轮箱，该齿轮箱随后驱动具有滑动联轴器的发电机轴。该方法包括经由控制器生成发电机的多个操作信号的时间序列。该方法还包括：将至少一个算法应用于发电机的该多个操作信号的时间序列，以生成发电机的该多个操作信号的经处理的时间序列。此外，该方法包括经由控制器识别发电机的该多个操作信号的经处理的时间序列中的模式，以估计与发电机轴有关的扭矩信息。因此，该方法包括使用与发电机轴有关的扭矩信息来预测在滑动联轴器中发生的滑动事件的开始。此外，该方法包括控制风力涡轮的功率转换器以减轻滑动事件。
25.在又一个方面，本公开涉及一种用于操作风力涡轮的发电机的系统。该风力涡轮具有毂，该毂经由转子轴可旋转地联接到发电机，该转子轴可旋转地驱动齿轮箱，该齿轮箱随后驱动具有滑动联轴器的发电机轴。该系统包括包含至少一个处理器的控制器。(一个或多个)处理器配置成实施多个操作，包括但不限于：生成发电机的多个操作信号的时间序列；将至少一个算法应用于发电机的该多个操作信号的时间序列，以生成发电机的该多个操作信号的经处理的时间序列；识别发电机的该多个操作信号的经处理的时间序列中的模式，以识别在滑动联轴器中发生的至少一个滑动事件的开始或滑动联轴器的表面健康劣化；以及当识别在滑动联轴器中发生的至少一个滑动事件或滑动联轴器的表面健康指示滑动联轴器的劣化时，实施控制动作。
26.技术方案1. 一种用于操作具有发电机和轴的传动系的方法，所述轴具有安装在所述轴上的滑动联轴器，所述方法包括：经由控制器接收所述发电机的多个操作信号的时间序列；
将至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列，以生成所述发电机的所述多个操作信号的经处理的时间序列；经由所述控制器识别所述发电机的所述多个操作信号的所述经处理的时间序列中的模式，以识别在所述滑动联轴器中发生的滑动事件或所述滑动联轴器的表面健康；和当识别出在所述滑动联轴器中发生的所述滑动事件或所述滑动联轴器的所述表面健康指示所述滑动联轴器中的劣化时，经由所述控制器实施控制动作。
27.技术方案2. 根据技术方案1所述的方法，其中，所述多个操作信号包括发电机速度、转子速度、发电机电流或发电机电压中的至少一个。
28.技术方案3. 根据技术方案2所述的方法，其中，将所述至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列以生成所述发电机的所述多个操作信号的经处理的时间序列还包括：确定所述发电机速度的二阶导数；和将所述二阶导数与阈值进行比较，以识别在所述滑动联轴器中发生的所述滑动事件。
29.技术方案4. 根据技术方案2所述的方法，还包括：根据所述发电机电流、所述发电机电压和所述发电机速度估计所述发电机的电磁扭矩；使用所述发电机的所述电磁扭矩和所述发电机速度来估计所述发电机的轴扭矩；和使用所述轴扭矩来估计所述发电机的联轴器扭矩。
30.技术方案5. 根据技术方案4所述的方法，其中，将所述至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列以生成所述发电机的所述多个操作信号的经处理的时间序列还包括：估计所述发电机的所述轴扭矩的一阶导数；和将所述一阶导数与阈值进行比较，以识别在所述滑动联轴器中发生的所述滑动事件。
31.技术方案6. 根据技术方案2所述的方法，其中，将所述至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列以生成所述发电机的所述多个操作信号的经处理的时间序列还包括识别转子电流的特定频率模式以识别在所述滑动联轴器中发生的所述滑动事件。
32.技术方案7. 根据技术方案4所述的方法，其中，将所述至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列以生成所述发电机的所述多个操作信号的经处理的时间序列还包括：利用一个或多个人工神经网络和一个或多个分类技术中的至少一个以及所述发电机速度、所述发电机的所述轴扭矩和转子电流的瞬时频率中的至少一个来识别在所述滑动联轴器中发生的所述滑动事件。
33.技术方案8. 根据技术方案7所述的方法，其中，利用所述一个或多个人工神经网络和所述一个或多个分类技术中的至少一个以及所述发电机速度、所述发电机的所述轴扭矩和所述发电机电流的所述瞬时频率中的至少一个来识别在所述滑动联轴器中发生的所
述滑动事件还包括：接收所述发电机的所述多个操作信号的所述时间序列；和使用所述一个或多个人工神经网络来分析所述发电机的所述多个操作信号的所述时间序列，以提取对应于多变量时间序列窗口的一个或多个低维特征。
34.技术方案9. 根据技术方案8所述的方法，其中，所述一个或多个人工神经网络包括时间卷积网络或长短期记忆(lstm)神经网络中的至少一个。
35.技术方案10. 根据技术方案7所述的方法，其中，利用所述一个或多个人工神经网络和所述一个或多个分类技术中的至少一个以及所述发电机速度、所述发电机的所述轴扭矩和转子电流的所述瞬时频率中的至少一个来识别在所述滑动联轴器中发生的所述滑动事件还包括：接收所述发电机的所述多个操作信号的所述时间序列；和估计在所述发电机的所述多个操作信号的所述时间序列中来自正常模式的一个或多个散度的模式。
36.技术方案11. 根据技术方案4所述的方法，其中，将所述至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列以生成所述发电机的所述多个操作信号的经处理的时间序列还包括：使用一个或多个人工神经网络来分析在滑动事件开始时的所述发电机的所述多个操作信号的所述时间序列或所述发电机的所述轴扭矩的时间序列中的至少一个连同一个或多个任选风参数，以提取对应于多变量时间序列窗口的一个或多个低维特征，或者将在所述滑动事件开始时的所述轴扭矩或联轴器扭矩与阈值进行比较；和对来自正常条件特征集的所述一个或多个低维特征的一个或多个散度进行趋势分析。
37.技术方案12. 根据技术方案11所述的方法，其中，识别所述发电机的所述多个操作信号的经处理的时间序列中的所述模式以识别在所述滑动联轴器中发生的所述滑动事件或所述滑动联轴器的所述表面健康中的任一个还包括：使用一个或多个贝叶斯模型来利用所述一个或多个低维特征和一个或多个历史加载条件识别所述滑动联轴器的所述表面健康。
38.技术方案13. 根据技术方案10所述的方法，其中，识别所述发电机的所述多个操作信号的经处理的时间序列中的所述模式以识别在所述滑动联轴器中发生的所述滑动事件或所述滑动联轴器的所述表面健康中的任一个还包括：使用一个或多个人工神经网络来分析在滑动事件开始时的所述发电机的多个操作信号的时间序列，以提取对应于多变量时间序列窗口的一个或多个低维特征。
39.技术方案14. 根据技术方案4所述的方法，还包括：在一个或多个滑动事件期间，基于所述轴扭矩、所述转子速度和所述发电机速度来估计能量耗散和温升；和对所述能量耗散和所述温升进行趋势分析，以确定所述滑动联轴器的所述表面健康的累积劣化。
40.技术方案15. 根据技术方案1所述的方法，其中，所述传动系是风力涡轮的部分。
41.技术方案16. 一种用于操作风力涡轮的发电机的方法，所述风力涡轮具有毂，所
述毂经由转子轴可旋转地联接到所述发电机，所述转子轴可旋转地驱动齿轮箱，所述齿轮箱随后驱动具有滑动联轴器的发电机轴，所述方法包括：经由控制器生成所述发电机的多个操作信号的时间序列；将至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列，以生成所述发电机的所述多个操作信号的经处理的时间序列；经由所述控制器识别所述发电机的所述多个操作信号的所述经处理的时间序列中的模式，以估计与所述发电机轴有关的扭矩信息；使用与所述发电机轴有关的所述扭矩信息来预测在所述滑动联轴器中发生的滑动事件的开始；和控制所述风力涡轮的功率转换器以减轻所述滑动事件。
42.技术方案17. 一种用于操作风力涡轮的发电机的系统，所述风力涡轮具有毂，所述毂经由转子轴可旋转地联接到所述发电机，所述转子轴可旋转地驱动齿轮箱，所述齿轮箱随后驱动具有滑动联轴器的发电机轴，所述系统包括：控制器，其包括至少一个处理器，所述至少一个处理器配置成实施多个操作，所述多个操作包括：生成所述发电机的多个操作信号的时间序列；将至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列，以生成所述发电机的所述多个操作信号的经处理的时间序列；识别所述发电机的所述多个操作信号的经处理的时间序列中的模式，以识别在所述滑动联轴器中发生的至少一个滑动事件的开始或所述滑动联轴器的表面健康劣化；和当识别出在所述滑动联轴器中发生的所述至少一个滑动事件或所述滑动联轴器的所述表面健康指示所述滑动联轴器中的劣化时，实施控制动作。
43.技术方案18. 根据技术方案17所述的系统，其中，所述多个操作信号包括发电机速度、转子速度、发电机电流或发电机电压中的至少一个。
44.技术方案19. 根据技术方案18所述的系统，其中，将所述至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列以生成所述发电机的所述多个操作信号的经处理的时间序列还包括：确定所述发电机速度的二阶导数；和将所述二阶导数与阈值进行比较，以识别在所述滑动联轴器中发生的所述滑动事件。
45.技术方案20. 根据技术方案18所述的系统，其中，将所述至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列以生成所述发电机的所述多个操作信号的经处理的时间序列还包括：根据所述发电机电流和所述发电机电压估计所述发电机的电磁扭矩；使用所述发电机的所述电磁扭矩和所述发电机速度来估计所述发电机的轴扭矩；和使用所述轴扭矩来估计所述发电机的联轴器扭矩。
46.参考以下描述和所附权利要求书，本公开的这些和其它特征、方面和优点将变得更好理解。并入并构成本说明书的一部分的附图说明了本公开的实施例，并与描述一起用
于解释本公开的原理。
附图说明
47.在参考附图的说明书中阐述了针对本领域普通技术人员而言的本公开的完整且能够实现的公开内容，包括其最佳模式，在附图中：图1图示根据本公开的风力涡轮的一个实施例的透视图；图2图示图1中所示风力涡轮的一部分的放大截面图；图3图示根据本公开的可包括在风力涡轮的控制器中的合适部件的一个实施例的框图；图4图示根据本公开的用于操作风力涡轮的发电机的方法的一个实施例的流程图；图5图示根据本公开的在不存在滑动的情况下的涡轮/转子速度、齿轮箱速度和发电机速度的时间序列的一个实施例的曲线图；图6图示根据本公开的在存在滑动的情况下的涡轮/转子速度、齿轮箱速度和发电机速度的时间序列的一个实施例的曲线图；图7图示根据本公开的用于估计发电机的轴扭矩的估计器的一个实施例的示意图；图8图示根据本公开的用于操作风力涡轮的发电机的系统的一个实施例的示意图，特别地图示了将算法应用于时间序列以分别生成轴扭矩和速度的一阶和二阶导数的系统；图9图示根据本公开的发电机的扭矩的一阶导数的一个实施例的曲线图，特别地图示了滑动事件的开始和结束；和图10图示根据本公开的发电机的速度的二阶导数的一个实施例的曲线图，特别地图示了滑动事件的开始和结束。
具体实施方式
48.现在将详细参考各种实施例，在每个图中示出了一个或多个示例。每个示例都是通过解释的方式提供的，并且不意味着作为限制。例如，作为一个实施例的部分被示出或描述的特征可用在其它实施例上或与其它实施例结合使用，以产生又一些另外的实施例。意图是，本公开包括这样的修改和变型。
49.大体上，本公开针对在风力涡轮功率系统的滑动联轴器中用于滑动检测和摩擦表面健康监测的系统和方法。特别地，在实施例中，本公开的系统和方法利用在滑动的瞬间的联轴器扭矩和轴扭矩并且随时间推移对这些值进行趋势分析以检测表面健康劣化。因此，本公开是有利的，因为联轴器表面有很大的概率在表面完成预定次数的滑动旋转之前大幅劣化，并且因此即使在较低的扭矩水平下也会产生滑动事件并增加灾难性损坏的机会。此外，本公开提供了一种滑动检测方法，该方法使用来自发电机的高保真信号来以更快的速率检测在控制器中发生(runs)的滑动。因此，本公开提供了一种帮助以更快的速率更准确地(即，在不使用低精度转子速度传感器信息的情况下)检测滑动的方法。此外，本公开的系统和方法提供用于联轴器摩擦表面健康监测。特别地，在实施例中，本公开使用在滑动的瞬
间的估计的轴扭矩(滑动扭矩)并提供联轴器摩擦表面劣化的直接测量。这连同在滑动过程中耗散的能量一起可被随着时间的推移而进行趋势分析，以估计轴承的剩余使用寿命(rul)。
50.现在参考附图，图1图示了根据本公开的风力涡轮10的一个实施例的透视图。在图示实施例中，风力涡轮10是水平轴风力涡轮。备选地，风力涡轮10可为竖直轴风力涡轮。此外，如图所示，风力涡轮10包括从支撑系统14延伸的塔架12、安装在塔架12上的机舱16以及联接到机舱16的转子18。转子18包括可旋转的毂20和至少一个转子叶片22，至少一个转子叶片22联接到毂20并从毂20向外延伸。此外，如图所示，转子18具有三个转子叶片22。在备选实施例中，转子18包括多于或少于三个转子叶片22。在实施例中，塔架12由管状钢制成，以在支撑系统14和机舱16之间限定空腔(图1中未示出)。在备选实施例中，塔架12是具有任何合适高度的任何合适类型的塔架。
51.转子叶片22围绕毂20间隔开，以便于旋转转子18，从而使动能能够从风能转换成可用的机械能，并随后转换成电能。此外，转子叶片22通过在多个负载转移区域26处将叶片根部部分24联接到毂20而大体上固连到毂20。负载转移区域26具有毂负载转移区域和叶片负载转移区域(二者在图1中均未示出)。因此，诱导至转子叶片22的负载经由负载转移区域26转移到毂20。
52.因此，当风从方向28冲击转子叶片22时，转子18围绕旋转轴线30旋转。当转子叶片22旋转并受到离心力时，转子叶片22也受到各种力和力矩。因此，转子叶片22可从中性或非偏转位置偏转和/或旋转到偏转位置。
53.此外，转子叶片22的变桨角度(pitch angle)或叶片变桨(即确定转子叶片22相对于风的方向28的视角的角度)可由变桨调节系统32改变，以通过调节至少一个转子叶片22相对于风矢量的角向位置来控制由风力涡轮10产生的负载和功率。示出了转子叶片22的变桨轴线(pitch axis)34。在风力涡轮10的操作期间，变桨调节系统32可改变转子叶片22的叶片变桨，使得转子叶片22移动到顺桨位置，使得至少一个转子叶片22相对于风矢量的视角提供朝向风矢量定向的转子叶片22的最小表面积，这促进降低转子18的旋转速度和/或促进转子18的失速。
54.在一个实施例中，每个转子叶片22的叶片变桨由控制器36单独控制。备选地，所有转子叶片22的叶片变桨可由控制器36同时控制。此外，在实施例中，随着方向28改变，机舱16的偏航方向可围绕偏航轴线38控制，以相对于方向28定位转子叶片22。
55.在实施例中，控制器36示出为集中在机舱16内，然而，控制器36可为在风力涡轮10各处、在支撑系统14上、在风电场内和/或在远程控制中心处的分布式系统。
56.现在参考图2，图示了根据本公开的风力涡轮10的一部分的放大截面图。在实施例中，毂20通过转子轴44(有时称为主轴或低速轴)、齿轮箱46、高速轴48和联轴器50可旋转地联接到定位在机舱16内的发电机42。在实施例中，转子轴44设置为与纵向轴线40同轴。转子轴44的旋转可旋转地驱动齿轮箱46，齿轮箱46随后驱动高速轴48。高速轴48利用联轴器50可旋转地驱动发电机42，并且高速轴48的旋转促进由发电机42产生电功率。齿轮箱46和发电机42由支撑件52、54支撑。此外，在实施例中，齿轮箱46利用双路径几何结构来驱动高速轴48。备选地，转子轴44利用联轴器50直接联接到发电机42。
57.机舱16还包括偏航驱动机构56，其可用来在偏航轴线38(图1中示出)上旋转机舱
16和毂20，以控制转子叶片22相对于风的方向28的视角。机舱16还包括至少一个气象桅杆58，该气象桅杆58包括风向标和风速计(二者在图2中均未示出)。因此，在实施例中，桅杆58向控制器36提供可包括风方向和/或风速度的信息。此外，如在图示实施例中所示，机舱16还包括主前支撑轴承60和主后支撑轴承62。
58.仍然参考图2，前支撑轴承60和后支撑轴承62促进转子轴44的径向支撑和对齐。前支撑轴承60在毂20附近联接到转子轴44。后支撑轴承62在齿轮箱46和/或发电机42附近定位在转子轴44上。备选地，机舱16包括使风力涡轮10能够如本文中所公开的那样运行的任何数量的支撑轴承。转子轴44、发电机42、齿轮箱46、高速轴48、联轴器50和/或任何相关联的紧固、支撑和/或固连设备(包括但不限于支撑件52、54以及前支撑轴承60和后支撑轴承62)有时称为传动系64，在示例中称为带齿轮的传动系。
59.在其它示例中，带齿轮的传动系64由直接传动系取代。例如，比较长的主轴连接毂20和发电机42。主轴44和发电机轴48典型地经由锥形套筒联接器联接。主轴44典型地由靠近毂20的前轴承(例如，球面滚子轴承)和靠近发电机42的后轴承(例如，圆环滚子轴承(carb))支撑。前轴承和后轴承连接到底板，并且构造成将轴向负载和弯曲负载传递到安装到机舱16的底板。发电机42悬挂在主轴44上。另外的扭矩梁可设置在发电机42和底板之间，以在风力涡轮10的操作期间将扭矩传递到底板。
60.在实施例中，毂20还可包括变桨组件66。例如，如图2中所示，变桨组件66包括一个或多个变桨驱动系统68和至少一个传感器70。每个变桨驱动系统68联接到相应的转子叶片22(图1中示出)，用于沿着变桨轴线34调制相关联的转子叶片22的叶片变桨。图2中仅示出了三个变桨驱动系统68中的一个。
61.在实施例中，变桨组件66包括至少一个变桨轴承72，该变桨轴承72联接到毂20和相应的转子叶片22(图1中示出)，用于使相应的转子叶片22围绕变桨轴线34旋转。变桨驱动系统68包括变桨驱动马达74、变桨驱动齿轮箱76和变桨驱动小齿轮78。变桨驱动马达74联接到变桨驱动齿轮箱76，使得变桨驱动马达74将机械力施加到变桨驱动齿轮箱76。变桨驱动齿轮箱76联接到变桨驱动小齿轮78，使得变桨驱动小齿轮78由变桨驱动齿轮箱76旋转。变桨轴承72联接到变桨驱动小齿轮78，使得变桨驱动小齿轮78的旋转导致变桨轴承72的旋转。更具体地，在实施例中，变桨驱动小齿轮78联接到变桨轴承72，使得变桨驱动齿轮箱76的旋转使变桨轴承72和转子叶片22围绕变桨轴线34旋转，以改变转子叶片22的叶片变桨。此外，变桨驱动系统68联接到控制器36，用于在从控制器36接收到一个或多个信号时调节(一个或多个)转子叶片22的叶片变桨。
62.现在参考图3，图示了根据本公开的各方面的可包括在控制器36内的合适部件的一个实施例的框图。应当理解，图3的控制器的各种部件可适用于任何合适的控制器，包括例如涡轮控制器、风电场级控制器、监督控制器和/或其它合适的控制系统。
63.如图所示，控制器36可包括一个或多个处理器80和一个或多个相关联的存储器设备82，其配置成执行各种计算机实施的功能(例如，执行本文公开的方法、步骤、计算等)。如本文中所用，术语“处理器”不仅指在本领域中被称为包含在计算机中的集成电路，还指控制器、微控制器、微型计算机、可编程逻辑控制器(plc)、专用集成电路和其它可编程电路。另外，(一个或多个)存储器设备82大体上可包括(一个或多个)存储器元件，包括但不限于计算机可读介质(例如，随机存取存储器(ram))、计算机可读非易失性介质(例如，闪存存储
器)、软盘、致密盘只读存储器(cd-rom)、磁光盘(mod)、数字多功能盘(dvd)和/或其它合适的存储器元件。
64.另外，控制器36还可包括通信模块84，以便于控制器36和风力涡轮10的各种部件之间的通信。例如，通信模块84可包括传感器接口86(例如，一个或多个模数转换器)，以允许由一个或多个传感器88、90传输的信号被转换成可由控制器36理解和处理的信号。应当意识到、传感器88、90可使用任何合适的手段通信地联接到通信模块84。例如，如图3中所示，传感器88、90经由有线连接联接到传感器接口86。然而，在其它实施例中，传感器88、90可经由无线连接联接到传感器接口86，诸如通过使用本领域已知的任何合适的无线通信协议。因此，处理器80可配置成从传感器88、90接收一个或多个信号。
65.风力涡轮10的传感器88、90可为配置成测量在风力涡轮10处或附近的任何操作条件和/或风参数的任何合适的传感器。例如，传感器88、90可包括：叶片传感器，其用于测量转子叶片22中的一个的变桨角度或用于测量作用在转子叶片22中的一个上的负载；发电机传感器，其用于监测发电机42(例如，扭矩、旋转速度、加速度和/或功率输出)；和/或各种风传感器，其用于测量各种风参数。此外，传感器88、90可位于风力涡轮10的地面附近、机舱16上和/或气象桅杆58上。
66.还应当理解，任何其它数量或类型的传感器都可被采用并且在任何位置处。例如，传感器88、90可为模拟传感器、数字传感器、光学/视觉传感器、加速度计、压力传感器、迎角传感器、振动传感器、mimu传感器、光纤系统、温度传感器、风传感器、声波探测和测距(sodar)传感器、红外激光器、光探测和测距(lidar)传感器、辐射计、皮托管、无线电探空测风仪和/或任何其它合适的传感器。应当意识到，如本文所用，术语“监测”及其变型指示风力涡轮的各种传感器可配置成提供被监测参数的直接测量或这样的参数的间接测量。因此、传感器88、90可例如用来生成与被监测的参数相关的信号，这些信号然后可由控制器利用来确定实际条件。
67.现在参考图4至图9，本公开涉及用于操作诸如风力涡轮10的风力涡轮的发电机的方法100和系统200。大体上，本文中将参考上文参考图1至图3描述的风力涡轮10来描述方法100。然而，本领域的普通技术人员应当意识到，所公开的方法100可大体上用于具有任何合适构造的任何风力涡轮。此外，尽管为了说明和讨论的目的，图4描绘了以特定顺序执行的步骤，但是本文中讨论的方法不限于任何特定顺序或布置。使用本文中提供的公开内容，本领域技术人员将意识到，在不偏离本公开的范围的情况下，本文中公开的方法的各种步骤可以各种方式被省略、重新布置、组合和/或修改。
68.如在(102)所示，方法100包括经由控制器36生成发电机42的多个操作信号的时间序列。例如，在实施例中，多个操作信号可包括发电机速度、转子速度、发电机电流或发电机电压和/或其函数。此外，在特定实施例中，操作信号可为来自诸如风力涡轮10的传感器88、90的一个或多个传感器的原始测量结果。此外，或者在备选方案中，方法100可包括使用一个或多个处理算法处理操作信号。在图5和图6中分别提供了描绘滑动联轴器50没有滑动和滑动的涡轮速度152、162、齿轮箱速度154、164和发电机速度156、166的时间序列150、160的示例。特别地，如图5中所示，当不存在滑动时，齿轮箱速度154和发电机速度156同步。相比之下，如图6中所示，当存在滑动时，齿轮箱速度154和发电机速度156不再同步，从而导致t1和t2之间的滑动事件。
69.此外，在某些实施例中，方法100可包括：根据发电机电流和发电机电压估计发电机42的电磁扭矩以及使用发电机42的电磁扭矩和发电机速度来估计发电机42的轴扭矩。更具体地，发电机42的电磁扭矩(即，t
em
)可使用下面的方程(1)来计算：方程(1)因此，可使用例如图7中所图示的估计器170使用来自方程(1)的电磁扭矩(即，t
em
)和发电机速度来估计发电机42的轴扭矩(即，t
sh
)。因此，联轴器扭矩(即，t
cl
)可根据轴扭矩使用下面的方程(2)来计算：方程(2)返回参考图4，如在(104)所示，方法100包括：将至少一个算法应用于发电机42的多个操作信号的时间序列，以生成发电机42的多个操作信号的经处理的时间序列。例如，在实施例中，控制器36配置成确定发电机速度的二阶导数并将二阶导数与阈值进行比较以识别在滑动联轴器50中发生的滑动事件。在另外的实施例中，控制器36配置成估计发电机42的轴扭矩t
sh
的一阶导数并将该一阶导数与阈值进行比较以识别在滑动联轴器50中发生的滑动事件。
70.更特别地，如图8中所示，图示了本文中描述的用于操作发电机42的系统200的一个实施例的示意图。如图所示，系统200包括控制器36，该控制器配置成将本文中描述的算法应用于发电机42的操作信号的时间序列。此外，如图所示，控制器36可包括用于实施本文中描述的算法的各种计算机/软件模块。因此，如在(202)所示，控制器36配置成接收发电机42的估计电磁扭矩(即，t
em
)。因此，如在(204)所示，控制器36可将增益应用于估计的电磁扭矩t
em
。此外，如图所示，控制器36可包括用于对来自增益模块的输出进行积分的积分器206。此外，如在(208)所示，控制器36还配置成接收发电机速度(即，ωm)。因此，如在(210)所示，可将发电机速度与来自积分器206的输出进行比较。此外，如在(212)所示，可将另一增益应用于比较器210的输出。此外，如在(214)所示，该比较可用来估计发电机42的轴扭矩关于时间的一阶导数(即，dt
sh
/dt)。此外，如在(216)所示，控制器36可进一步配置成确定发电机速度关于时间的二阶导数(即，d2ωm/dt2)以识别在滑动联轴器50中发生的滑动事件。
71.在实施例中，例如，图9图示了根据本公开的实施例的发电机42的轴扭矩t
sh
关于时间的一阶导数(即，dt
sh
/dt)的曲线图300。因此，如图所示，没有滑动的轴扭矩t
sh
由曲线302表示，而有滑动的轴扭矩t
sh
由曲线304表示。此外，如图所示，可分别在时间t1和t2处看到滑动事件的开始和结束，如由幅值的急剧增加和与预定阈值相比较所指示。此外，如图10中所示，图示了根据本公开的实施例的发电机速度(即，ωm)关于时间的二阶导数的曲线图400。因此，如图所示，可分别在时间t1和t2处看到滑动事件的开始和结束，如由幅值的急剧增加和与预定阈值相比较所指示。
72.在另一个实施例中，控制器36还可配置成识别发电机电流的特定频率模式，以识别在滑动联轴器50中发生的滑动事件。在另外的实施例中，控制器36还可进一步配置成利
用一个或多个人工神经网络和一个或多个分类技术中的至少一个以及发电机速度、发电机42的轴扭矩和/或转子电流的瞬时频率来识别在滑动联轴器50中发生的滑动事件。
73.例如，在实施例中，控制器36配置成接收发电机的多个操作信号的时间序列并使用一个或多个人工神经网络来分析发电机的多个操作信号的时间序列以提取对应于多变量时间序列窗口的一个或多个低维特征。在这样的实施例中，(一个或多个)人工神经网络可包括例如时间卷积网络、长短期记忆(lstm)神经网络或任何其它合适的神经网络。
74.此外，在某些实施例中，控制器36还可配置成接收发电机42的多个操作信号的时间序列并估计在发电机42的多个操作信号的时间序列中来自正常模式的一个或多个散度的模式。
75.在另外的实施例中，将(一个或多个)算法应用于发电机42的多个操作信号的时间序列还可包括使用一个或多个人工神经网络来分析在滑动事件开始时的发电机42的多个操作信号的时间序列或发电机42的轴扭矩的时间序列连同一个或多个任选风参数以提取对应于多变量时间序列窗口的一个或多个低维特征。因此，在这样的实施例中，控制器36还配置成对来自正常条件特征集的一个或多个低维特征的一个或多个散度进行趋势分析。
76.返回参考图4，如在(106)所示，方法100包括：经由控制器36识别发电机42的多个操作信号的经处理的时间序列中的模式，以识别在滑动联轴器器50中发生的滑动事件和/或滑动联轴器器50的表面健康中的任一个。此外，在实施例中，方法100可包括识别发电机42的操作信号的经处理的时间序列中的模式以估计与发电机轴48有关的扭矩信息。因此，在实施例中，方法100可包括使用与发电机轴48有关的扭矩信息来预测在滑动联轴器50中发生的滑动事件的开始。例如，在某些实施例中，控制器36可配置成在滑动事件开始时使用一个或多个人工神经网络来分析发电机42的多个操作信号的时间序列以提取对应于多变量时间序列窗口的一个或多个低维特征。因此，在实施例中，控制器36还可对来自正常条件特征的(一个或多个)低维特征的一个或多个散度进行趋势分析。在另外的实施例中，方法100可包括使用一个或多个贝叶斯模型来利用(一个或多个)低维特征和一个或多个历史加载条件识别滑动联轴器50的表面健康。
77.在再一些另外的实施例中，方法100可包括在一个或多个滑动事件期间基于轴扭矩、转子速度和发电机速度估计发电机42的能量耗散和温升以及对能量耗散和温升进行趋势分析以确定滑动联轴器50的表面健康的累积劣化。因此，仍然参考图4，如在(108)所示，方法100包括：当识别出在滑动联轴器50中发生的(一个或多个)滑动事件和/或滑动联轴器50的表面健康指示滑动联轴器50中的劣化时，经由控制器36实施控制动作。这样的控制动作可包括例如：控制风力涡轮的功率转换器以减轻滑动事件；关闭风力涡轮；生成警报；将风力涡轮降额；调节风力涡轮的操作参数；将风力涡轮升额；和/或安排维护事件。
78.上面详细地描述了用于风力涡轮的传动系的系统的示例性实施例。该系统不限于本文中描述的具体实施例，而是，该系统的部件可独立于本文中描述的其它部件并与本文中描述的其它部件分开使用。相反，实施例可结合许多其它转子叶片应用来被实施和利用。
79.尽管本公开的各种实施例的具体特征可能在一些附图中被示出，而在其它附图中没有示出，但这仅仅是为了方便。根据本公开的原理，附图的任何特征可结合任何其它附图的任何特征来被引用和/或要求保护。
80.本发明的各个方面和实施例由以下编号的条款限定：
条款1. 一种用于操作具有发电机和轴的传动系的方法，所述轴具有安装在所述轴上的滑动联轴器，所述方法包括：经由控制器接收所述发电机的多个操作信号的时间序列；将至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列，以生成所述发电机的所述多个操作信号的经处理的时间序列；经由所述控制器识别所述发电机的所述多个操作信号的所述经处理的时间序列中的模式，以识别在所述滑动联轴器中发生的滑动事件或所述滑动联轴器的表面健康；和当识别出在所述滑动联轴器中发生的所述滑动事件或所述滑动联轴器的所述表面健康指示所述滑动联轴器中的劣化时，经由所述控制器实施控制动作。
81.条款2. 根据条款1所述的方法，其中，所述多个操作信号包括发电机速度、转子速度、发电机电流或发电机电压中的至少一个。
82.条款3. 根据前述条款中的任一项所述的方法，其中，将所述至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列以生成所述发电机的所述多个操作信号的经处理的时间序列还包括：确定所述发电机速度的二阶导数；和将所述二阶导数与阈值进行比较，以识别在所述滑动联轴器中发生的所述滑动事件。
83.条款4. 根据前述条款中的任一项所述的方法，还包括：根据所述发电机电流、所述发电机电压和所述发电机速度估计所述发电机的电磁扭矩；使用所述发电机的所述电磁扭矩和所述发电机速度来估计所述发电机的轴扭矩；和使用所述轴扭矩来估计所述发电机的联轴器扭矩。
84.条款5. 根据前述条款中的任一项所述的方法，其中，将所述至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列以生成所述发电机的所述多个操作信号的经处理的时间序列还包括：估计所述发电机的所述轴扭矩的一阶导数；和将所述一阶导数与阈值进行比较，以识别在所述滑动联轴器中发生的所述滑动事件。
85.条款6. 根据前述条款中的任一项所述的方法，其中，将所述至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列以生成所述发电机的所述多个操作信号的经处理的时间序列还包括识别转子电流的特定频率模式以识别在所述滑动联轴器中发生的所述滑动事件。
86.条款7. 根据前述条款中的任一项所述的方法，其中，将所述至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列以生成所述发电机的所述多个操作信号的经处理的时间序列还包括：利用一个或多个人工神经网络和一个或多个分类技术中的至少一个以及所述发电机速度、所述发电机的所述轴扭矩和转子电流的瞬时频率中的至少一个来识别在所述滑动联轴器中发生的所述滑动事件。
87.条款8. 根据前述条款中的任一项所述的方法，其中，利用所述一个或多个人工神经网络和所述一个或多个分类技术中的至少一个以及所述发电机速度、所述发电机的所述轴扭矩和所述发电机电流的所述瞬时频率中的至少一个来识别在所述滑动联轴器中发生的所述滑动事件还包括：接收所述发电机的所述多个操作信号的所述时间序列；和使用所述一个或多个人工神经网络来分析所述发电机的所述多个操作信号的所述时间序列，以提取对应于多变量时间序列窗口的一个或多个低维特征。
88.条款9. 根据前述条款中的任一项所述的方法，其中，所述一个或多个人工神经网络包括时间卷积网络或长短期记忆(lstm)神经网络中的至少一个。
89.条款10. 根据前述条款中的任一项所述的方法，其中，利用所述一个或多个人工神经网络和所述一个或多个分类技术中的至少一个以及所述发电机速度、所述发电机的所述轴扭矩和转子电流的所述瞬时频率中的至少一个来识别在所述滑动联轴器中发生的所述滑动事件还包括：接收所述发电机的所述多个操作信号的所述时间序列；和估计在所述发电机的所述多个操作信号的所述时间序列中来自正常模式的一个或多个散度的模式。
90.条款11. 根据前述条款中的任一项所述的方法，其中，将所述至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列以生成所述发电机的所述多个操作信号的经处理的时间序列还包括：使用一个或多个人工神经网络来分析在滑动事件开始时的所述发电机的所述多个操作信号的所述时间序列或所述发电机的所述轴扭矩的时间序列中的至少一个连同一个或多个任选风参数，以提取对应于多变量时间序列窗口的一个或多个低维特征，或者将在所述滑动事件开始时的所述轴扭矩或联轴器扭矩与阈值进行比较；和对来自正常条件特征集的所述一个或多个低维特征的一个或多个散度进行趋势分析。
91.条款12. 根据前述条款中的任一项所述的方法，其中，识别所述发电机的所述多个操作信号的经处理的时间序列中的所述模式以识别在所述滑动联轴器中发生的所述滑动事件或所述滑动联轴器的所述表面健康中的任一个还包括：使用一个或多个贝叶斯模型来利用所述一个或多个低维特征和一个或多个历史加载条件识别所述滑动联轴器的所述表面健康。
92.条款13. 根据前述条款中的任一项所述的方法，其中，识别所述发电机的所述多个操作信号的经处理的时间序列中的所述模式以识别在所述滑动联轴器中发生的所述滑动事件或所述滑动联轴器的所述表面健康中的任一个还包括：使用一个或多个人工神经网络来分析在滑动事件开始时的所述发电机的多个操作信号的时间序列，以提取对应于多变量时间序列窗口的一个或多个低维特征。
93.条款14. 根据前述条款中的任一项所述的方法，还包括：在一个或多个滑动事件期间，基于所述轴扭矩、所述转子速度和所述发电机速度来估计能量耗散和温升；和对所述能量耗散和所述温升进行趋势分析，以确定所述滑动联轴器的所述表面健
康的累积劣化。
94.条款15. 根据前述条款中的任一项所述的方法，其中，所述传动系是风力涡轮的部分。
95.条款16. 一种用于操作风力涡轮的发电机的方法，所述风力涡轮具有毂，所述毂经由转子轴可旋转地联接到所述发电机，所述转子轴可旋转地驱动齿轮箱，所述齿轮箱随后驱动具有滑动联轴器的发电机轴，所述方法包括：经由控制器生成所述发电机的多个操作信号的时间序列；将至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列，以生成所述发电机的所述多个操作信号的经处理的时间序列；经由所述控制器识别所述发电机的所述多个操作信号的所述经处理的时间序列中的模式，以估计与所述发电机轴有关的扭矩信息；使用与所述发电机轴有关的所述扭矩信息来预测在所述滑动联轴器中发生的滑动事件的开始；和控制所述风力涡轮的功率转换器以减轻所述滑动事件。
96.条款17. 一种用于操作风力涡轮的发电机的系统，所述风力涡轮具有毂，所述毂经由转子轴可旋转地联接到所述发电机，所述转子轴可旋转地驱动齿轮箱，所述齿轮箱随后驱动具有滑动联轴器的发电机轴，所述系统包括：控制器，其包括至少一个处理器，所述至少一个处理器配置成实施多个操作，所述多个操作包括：生成所述发电机的多个操作信号的时间序列；将至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列，以生成所述发电机的所述多个操作信号的经处理的时间序列；识别所述发电机的所述多个操作信号的经处理的时间序列中的模式，以识别在所述滑动联轴器中发生的至少一个滑动事件的开始或所述滑动联轴器的表面健康劣化；和当识别出在所述滑动联轴器中发生的所述至少一个滑动事件或所述滑动联轴器的所述表面健康指示所述滑动联轴器中的劣化时，实施控制动作。
97.条款18. 根据条款17所述的系统，其中，所述多个操作信号包括发电机速度、转子速度、发电机电流或发电机电压中的至少一个。
98.条款19. 根据条款17-18所述的系统，其中，将所述至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列以生成所述发电机的所述多个操作信号的经处理的时间序列还包括：确定所述发电机速度的二阶导数；和将所述二阶导数与阈值进行比较，以识别在所述滑动联轴器中发生的所述滑动事件。
99.条款20. 根据条款17-19所述的系统，其中，将所述至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列以生成所述发电机的所述多个操作信号的经处理的时间序列还包括：根据所述发电机电流和所述发电机电压估计所述发电机的电磁扭矩；使用所述发电机的所述电磁扭矩和所述发电机速度来估计所述发电机的轴扭矩；
和使用所述轴扭矩来估计所述发电机的联轴器扭矩。
100.本书面描述使用示例来公开包括最佳模式的本公开，并且还使得本领域的任何技术人员能够实践本公开，包括制造和使用任何设备或系统以及执行任何并入的方法。尽管前面已经公开了各种具体实施例，但是本领域技术人员将认识到权利要求书的精神和范围允许同等有效的修改。特别地，上述实施例的相互非排他性特征可彼此组合。本公开的可专利性范围由权利要求书限定，并且可包括本领域技术人员想到的其它示例。如果这些其它示例具有不异于权利要求书的字面语言的结构要素，或者如果它们包括与权利要求书的字面语言具有无实质性差异的等同结构要素，则这些其它示例旨在处于权利要求书的范围内。
技术特征：1.一种用于操作具有发电机和轴的传动系的方法，所述轴具有安装在所述轴上的滑动联轴器，所述方法包括：经由控制器接收所述发电机的多个操作信号的时间序列；将至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列，以生成所述发电机的所述多个操作信号的经处理的时间序列；经由所述控制器识别所述发电机的所述多个操作信号的所述经处理的时间序列中的模式，以识别在所述滑动联轴器中发生的滑动事件或所述滑动联轴器的表面健康；和当识别出在所述滑动联轴器中发生的所述滑动事件或所述滑动联轴器的所述表面健康指示所述滑动联轴器中的劣化时，经由所述控制器实施控制动作。2.根据权利要求1所述的方法，其中，所述多个操作信号包括发电机速度、转子速度、发电机电流或发电机电压中的至少一个。3. 根据权利要求2所述的方法，其中，将所述至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列以生成所述发电机的所述多个操作信号的经处理的时间序列还包括：确定所述发电机速度的二阶导数；和将所述二阶导数与阈值进行比较，以识别在所述滑动联轴器中发生的所述滑动事件。4.根据权利要求2所述的方法，还包括：根据所述发电机电流、所述发电机电压和所述发电机速度估计所述发电机的电磁扭矩；使用所述发电机的所述电磁扭矩和所述发电机速度来估计所述发电机的轴扭矩；和使用所述轴扭矩来估计所述发电机的联轴器扭矩。5. 根据权利要求4所述的方法，其中，将所述至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列以生成所述发电机的所述多个操作信号的经处理的时间序列还包括：估计所述发电机的所述轴扭矩的一阶导数；和将所述一阶导数与阈值进行比较，以识别在所述滑动联轴器中发生的所述滑动事件。6.根据权利要求2所述的方法，其中，将所述至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列以生成所述发电机的所述多个操作信号的经处理的时间序列还包括识别转子电流的特定频率模式以识别在所述滑动联轴器中发生的所述滑动事件。7.根据权利要求4所述的方法，其中，将所述至少一个算法应用于所述发电机的所述多个操作信号的所述时间序列以生成所述发电机的所述多个操作信号的经处理的时间序列还包括：利用一个或多个人工神经网络和一个或多个分类技术中的至少一个以及所述发电机速度、所述发电机的所述轴扭矩和转子电流的瞬时频率中的至少一个来识别在所述滑动联轴器中发生的所述滑动事件。8. 根据权利要求7所述的方法，其中，利用所述一个或多个人工神经网络和所述一个或多个分类技术中的至少一个以及所述发电机速度、所述发电机的所述轴扭矩和所述发电机电流的所述瞬时频率中的至少一个来识别在所述滑动联轴器中发生的所述滑动事件还包括：
接收所述发电机的所述多个操作信号的所述时间序列；和使用所述一个或多个人工神经网络来分析所述发电机的所述多个操作信号的所述时间序列，以提取对应于多变量时间序列窗口的一个或多个低维特征。9.根据权利要求8所述的方法，其中，所述一个或多个人工神经网络包括时间卷积网络或长短期记忆(lstm)神经网络中的至少一个。10. 根据权利要求7所述的方法，其中，利用所述一个或多个人工神经网络和所述一个或多个分类技术中的至少一个以及所述发电机速度、所述发电机的所述轴扭矩和转子电流的所述瞬时频率中的至少一个来识别在所述滑动联轴器中发生的所述滑动事件还包括：接收所述发电机的所述多个操作信号的所述时间序列；和估计在所述发电机的所述多个操作信号的所述时间序列中来自正常模式的一个或多个散度的模式。
技术总结一种用于操作风力涡轮的发电机的方法包括经由控制器生成发电机的多个操作信号的时间序列。该方法还包括：将至少一个算法应用于发电机的该多个操作信号的时间序列，以生成发电机的该多个操作信号的经处理的时间序列。此外，该方法包括：经由控制器识别发电机的该多个操作信号的经处理的时间序列中的模式，以识别在滑动联轴器中发生的至少一个滑动事件或滑动联轴器的表面健康中的一个或多个。此外，该方法包括：当识别出在滑动联轴器中发生的至少一个滑动事件或滑动联轴器的表面健康指示滑动联轴器中的劣化时，经由控制器实施控制动作。作。作。
技术研发人员：S
受保护的技术使用者：通用电气可再生能源西班牙有限公司
技术研发日：2022.04.28
技术公布日：2022/11/1
