一种基于卷积神经网络的风力机叶片不平衡检测方法与流程

本发明涉及机械设备故障监测技术领域，具体涉及一种基于卷积神经网络的风力机叶片不平衡检测方法。

背景技术：

近年来我国风电行业发展迅速，风电机组的并网容量不断提高，特别是海上风电机组的规划也提上了日程，这对机组的安全稳定运行、减少故障停机时间提高发电量提出了更高的要求。风电机组长期在野外工作，运行环境通常都比较恶劣，这种环境也造成了风电机组的故障率较高，其故障发生的原因也是多种多样的。叶片会因风沙、结冰和质量分布不均等造成质量不平衡，另外叶片长期运行中也会由于疲劳应力产生裂纹，造成气动不平衡。特别是低风速机型的推广，使叶片越来越长，叶轮极易出现不平衡。该不平衡传递到传动链，会造成机组振动加剧、降低设备的寿命，严重时造成叶片断裂，导致事故的发生。因此对风机叶片进行故障检测和预知维修，对企业降低运行维护成本，提高经济效益具有重要意义。

常用的风力机叶片不平衡检测的方法存在如下有待克服的难点：1.风力机叶片运行的工况复杂，存在较大的噪声干扰，难以提取到鲁棒性强的故障特征。早期提出的一些风力机叶片不平衡检测方法，大部分采用一定的技术提取振动信号、发电机电流或其他变量中包含的故障特征，通过希尔伯特解调、dq坐标变换、阶跟踪分析等多种方法对定子电流或转子电流等信号进行频域分析，为风力机叶片不平衡检测提供了一种合理方法，然而分析的信号非常容易受噪声干扰，故障信息容易被淹没从而出现判断误差，该方法难度较大；2.风力机叶片运行过程出现的不平衡包括质量不平衡和气动不平衡两种，如何从不平衡特征中分析出两者又是一个具有研究的问题，已有人提出通过分析轮毂上测得的气动力矩信号，采用顺序跟踪法来提取叶片角故障的特征频率，通过一定方法用转子转速频谱上不同的谐波来区分彼此，较好的解释了气动不平衡和转子质量不平衡的区别，然而，该结果只是在稳定的风条件下得到验证，无法适用于风速多变的实际运行工况；3.风力机组运行过程中不同信号数据的采集大部分都是通过传感器来获取的，传感器的布置和使用寿命以及采集信号的准确性往往是最重要基本要求，已有人提出通过将贴片式光纤载荷传感器安装于风机叶片上，通过对风力机运行过程中的信号数据进行采集，运用一定的方法来对叶片裂纹进行监测，为叶片裂纹检测提供了一种方法，然而该方法忽略了传感器自身性能容易受到环境因素的影响，在风力机运行工况复杂的条件下，安装于叶片上的贴片式光纤载荷传感器容易出现损坏，影响了检测结果的准确性，增加了检测成本。因此，在风力机组运行工况复杂，环境噪声干扰严重的情况下提出了一种通过卷积神经网络模型在风力机组运行过程中进行频谱数据提取和故障特征学习的方法是风力机叶片不平衡检测领域的一项重要且十分有意义的研究方向。

技术实现要素：

本发明为了克服以上技术的不足，提供了一种实现在工况恶劣、环境噪声干扰严重以及适用于不同风况下进行风力发电风力机质量不平衡和气动不平衡检测的卷积神经网络的风力机叶片不平衡检测方法。

本发明克服其技术问题所采用的技术方案是：

一种基于卷积神经网络的风力机叶片不平衡检测方法，包括如下步骤：

s1、采集风力机平衡状态和不平衡状态下的发电机转矩信号、发电机转速信号和塔架的振动加速度信号，并将上述信号的时域信号转换为频率信号以获得对应的功率谱图；

s2、对转换后的频率信号数据进行预处理，构建风力机平衡状态样本数据库和不平衡状态样本数据库；

s3、搭建卷积神经网络模型，利用步骤s2中已经分类好的样本数据库对卷积神经网络模型进行训练、调参和验证，得到训练好的卷积神经网络模型；

s4、采集风力机检测状态下的数据，将其定义为检测数据并进行处理，利用步骤s3训练好的卷积神经网络模型对检测数据进行识别判断，输出包括平衡、气动不平衡和质量不平衡三类结果，从而完成风力机叶片的不平衡检测。

进一步地，步骤s1中，所述发电机转矩信号和发电机转速信号分别通过安装在发电机内部的转矩传感器和转速传感器进行采集，塔架的振动加速度信号通过安装在机舱与塔架连接处塔筒内壁的振动传感器进行采集。

进一步地，步骤s1中，所述不平衡状态包括气动不平衡和质量不平衡，其中气动不平衡是通过改变风力机叶片桨距角得以实现，质量不平衡是通过在风力机叶片上添加配重得以实现。

进一步地，步骤s1中，时域信号转换为频率信号是通过快速傅里叶变换方法得以实现。

进一步地，步骤s2中，对转换后的频率信号数据进行预处理具体包括：先通过功率谱图分析故障特征的集中区域，然后通过数组切片方法仅保留故障特征集中区域的序列并进行重组合并。

进一步地，步骤s2中，所述不平衡状态样本数据库包括气动不平衡状态样本数据库和质量不平衡状态样本数据库。

进一步地，步骤s3中，所述卷积神经网络模型具体包括输入层、卷积层、池化层、全连接层、隐藏层和输出层，其中，输入层之后是两组卷积层和池化层，全连接层采用两个隐藏层，第一个隐藏层包括128个神经元，第二个隐藏层包括30个神经元，输出层包括3个神经元。

进一步地，步骤s3中，对卷积神经网络模型进行训练具体包括如下步骤：

s31、通过输入层将风力机叶片平衡状态样本数据和不平衡状态样本数据输入到卷积神经网络模型；

s32、在卷积层定义不同深度、滑动步长和大小的内核对风力机叶片平衡状态样本数据和不平衡状态样本数据进行滑动卷积处理提取出数据内部特征；

s33、在池化层定义不同滑动步长和大小的内核对风力机叶片平衡状态样本数据和不平衡状态样本数据进行滑动卷积处理提取出数据内部特征并对数据进行压缩；

s34、全连接层根据压缩的特征与定义的权重参数相乘，再经过损失函数和优化器的处理对卷积神经网络模型进行训练和优化，通过输出层将数据输出，完成一轮训练；

按上述步骤循环训练，直至损失函数收敛到0，得到训练好的卷积神经网络模型。

进一步地，步骤s4中，对检测数据的处理过程与步骤s1和步骤s2的数据处理过程相同，即对检测数据的处理具体包括：将检测数据的时域信号通过快速傅里叶变换方法转换为频率信号以获得对应的功率谱图，再通过功率谱图分析故障特征的集中区域，然后通过数组切片方法仅保留故障特征集中区域的序列并进行重组合并。

进一步地，步骤s4中，利用步骤s3训练好的卷积神经网络模型对检测数据进行识别判断具体包括：将处理后的检测数据输入到已经训练好的卷积神经网络模型中，卷积神经网络模型在经过步骤s3的训练之后其内部已经具备了优化好的权重参数，激活函数根据检测数据压缩的特征进行处理实现识别判断。

本发明的有益效果是：

本发明首先对风力机叶片平衡状态和不平衡状态下的发电机转矩信号、发电机转速信号和塔架的振动加速度信号通过快速傅里叶变换进行处理得到各自的功率谱图，对各自的频率信号通过数组切片选取低频序列构建平衡样本数据库和不平衡样本数据库，其中不平衡数据通过改变桨距角和添加配重分为气动不平衡和质量不平衡；在模型训练阶段，将分类好的数据输送给搭建好的卷积神经网络模型进行训练、调参和验证得到一种具有识别能力的卷积神经网络模型；在线诊断阶段，通过对风力发电机检测状态下的数据进行处理构建检测数据库，将检测数据输送给卷积神经网络模型进行识别判断从而实现风力机叶片的不平衡检测；本发明能够自适应地从信号中捕获到叶片的故障特征，避免了环境噪声、波动和人工判断误差带来的不确定性干扰，能够同时对风力机叶片平衡、气动不平衡和质量不平衡状态进行三分类判别，具有较高的识别精度和速度，并且采用无监督的学习模式，通过大量的信号数据进行卷积神经网络模型的训练和调整，使其可用在后续的在线诊断中；同时数据的采集不需要安装额外的传感器，大大降低了测试成本，数据的采集受环境影响小准确率高，能够有效避免自然环境因素给卷积神经网络模型判断带来困扰。

附图说明

图1为本发明实施例基于卷积神经网络的风力机叶片不平衡检测方法的流程示意图；

图2为本发明实施例中典型的卷积神经网络架构示意图；

图3为本发明实施例中在气动不平衡条件下三种不同风速下的发电机转速、发电机转矩、塔架的振动加速度和周围风速的时域信号示意图；

图4为本发明实施例中发电机转速信号在平衡、气动不平衡和质量不平衡情况下的功率谱示意图；

图5为本发明实施例中通过数据预处理得到的平衡、气动不平衡和质量不平衡部分样本示意图；

图6为本发明实施例中具体搭建的卷积神经网络模型架构示意图；

图7为本发明实施例中基于卷积神经网络模型的学习曲线示意图；

图8为本发明实施例中对验证结果进行展示的混淆矩阵示意图。

具体实施方式

为了便于本领域人员更好的理解本发明，下面结合附图和具体实施例对本发明做进一步详细说明，下述仅是示例性的不限定本发明的保护范围。

如图1所示，为本发明实施例的基于卷积神经网络的风力机叶片不平衡检测方法的流程示意图。本实施例所述的一种基于卷积神经网络的风力机叶片不平衡检测方法，包括如下步骤：

s1、采集风力机平衡状态和不平衡状态下的发电机转矩信号、发电机转速信号和塔架的振动加速度信号，所述发电机转矩信号和发电机转速信号分别通过安装在发电机内部的转矩传感器和转速传感器进行采集，塔架的振动加速度信号通过安装在机舱与塔架连接处塔筒内壁的振动传感器进行采集，并将上述信号的时域信号通过快速傅里叶变换方法转换为频率信号以获得对应的功率谱图。

s2、对转换后的频率信号数据进行预处理，构建风力机平衡状态样本数据库和不平衡状态样本数据库，所述不平衡状态样本数据库包括气动不平衡状态样本数据库和质量不平衡状态样本数据库。

s3、搭建卷积神经网络模型，利用步骤s2中已经分类好的样本数据库对卷积神经网络模型进行训练、调参和验证，得到训练好的卷积神经网络模型，这时所述的卷积神经网络模型具备识别能力。

s4、采集风力机检测状态下的数据，将其定义为检测数据并进行处理，利用步骤s3训练好的卷积神经网络模型对检测数据进行识别判断，输出包括平衡、气动不平衡和质量不平衡三类结果，从而完成风力机叶片的不平衡检测。

在本发明的一个可选实施例中，上述步骤s1对风力机平衡状态和不平衡状态下的发电机转矩信号、发电机转速信号和塔架的振动加速度信号进行采集，结合了商用风力机设计软件bladed用于模拟一台2.0mw风力机的运行，在9组平均风速分别为4m/s、6m/s、8m/s、10m/s、12m/s、14m/s、16m/s、18m/s和20m/s湍流下进行了数值模拟。所述不平衡状态包括气动不平衡和质量不平衡，其中气动不平衡由故意改变三个叶片桨距角中的一个产生，桨距角范围从0度到2度之间以每0.25度进行递增，质量不平衡由附加在叶片上的不平衡配重产生。如图3所示，为本发明实施例中在气动不平衡条件下三种不同风速下的发电机转速、发电机转矩、塔架的振动加速度和周围风速的时域信号示意图。

在本发明的一个可选实施例中，上述步骤s1分析的时域信号如图3所示，很明显，由于风的不稳定流动，每个变量在时域内的变化趋势很大程度上依赖于风速，因此不建议直接从时域数据中进行故障特征的捕获，通过采用快速傅里叶变换的方法将各自的时域信号转换为频率信号获得对应的功率谱图，如图4所示，为本发明实施例中发电机转速信号在平衡、气动不平衡和质量不平衡情况下的功率谱示意图，可以看出能量主要集中在低频，各功率谱之间的差异很小，因此噪声、波动等因素很大可能会影响故障特征。

在本发明的一个可选实施例中，上述步骤s2中，对转换后的频率信号数据进行预处理包括：先通过功率谱图分析故障特征的集中区域，然后通过数组切片方法仅保留故障特征集中区域的序列并进行重组合并；更具体地说，将发电机转矩信号、发电机转速信号和塔架振动加速度信号的功率谱图通过数组切片的方法仅保留各自前256个值并组合在一起形成一个数据样本，将各样本间的值序列按比例缩放至（0，1）范围，这样每个样本将包含三个变量的频率数据，从而构建风力机平衡状态样本数据库和不平衡状态样本数据库。如图5所示，为本发明实施例中通过数据预处理得到的平衡、气动不平衡和质量不平衡部分样本示意图。

本实施例中，典型的卷积神经网络架构示意图如图2所示，上述步骤s3提出的具体搭建的卷积神经网络模型架构示意图如图6所示，所述卷积神经网络模型具体包括输入层、卷积层、池化层、全连接层、隐藏层和输出层，输入数据是1通道3×256数组，输入层之后是两组卷积层和池化层，全连接层采用两个隐藏层，第一个隐藏层包括128个神经元，第二个隐藏层包括30个神经元，输出层包括3个神经元。

上述步骤s3中，对卷积神经网络模型进行训练具体包括如下步骤：

s31、通过输入层将风力机叶片平衡状态样本数据和不平衡状态样本数据输入到卷积神经网络模型。

s32、在卷积层定义不同深度、大小和步长的内核对风力机叶片平衡状态样本数据和不平衡状态样本数据进行滑动卷积处理提取出数据内部暗含的不平衡特征，本实施例中，第一次卷积层由深度为16、滑动步长为（1，3）、大小为1×7的内核进行滑动卷积处理，第二次卷积层由深度为32、滑动步长为（1，2）、大小为1×5的内核进行滑动卷积处理。

s33、在池化层定义不同大小和步长的内核对风力机叶片平衡状态样本数据和不平衡状态样本数据进行滑动卷积处理提取出数据内部暗含的不平衡特征并对数据进行压缩，本实施例中，池化层均使用步长为（1，2）、大小为1×2的最大池化层，由于池化层的内核为1×2的最大池化层，这样在进行滑动卷积处理时，每个内核大小的区间取其最大值，所以数据就压缩了。

s34、全连接层根据压缩的特征与定义的权重参数相乘，再经过损失函数和优化器的处理对卷积神经网络模型进行训练和优化，通过输出层将数据输出，完成一轮训练；具体是，当卷积神经网络模型搭建好后，全连接层内部的每个神经元就会有一个初始的权重参数，压缩后的特征数据在进入全连接层后就会与权重参数相乘；本实施例中选用的损失函数为交叉熵损失函数，公式为：l=−[ylogy^+(1−y)log(1−y^)]），损失函数的作用是卷积神经网络模型在训练过程中，用于计算模型（本实施例中所述“模型”就是指卷积神经网络模型）的检测值与数据真实值之间的差别，在一定程度上通过损失函数的输出可以直观的反应出模型的训练学习过程；优化器也是模型在搭建时定义的，对应的程序为：optimizer=rmsprop(lr=0.0003)，本实施例中定义的是rmsprop优化器，它包含一个可调整的学习速率lr，该优化器通常是面对递归神经网络时的一个良好选择，通过优化器可以使模型在每一轮训练结束后根据损失函数的输出，来对模型内部的权重参数进行优化更新。

按上述步骤循环训练，模型的损失函数输出就会逐渐降低，模型的检测值与数据的真实值之间就会越来越接近，直至损失函数收敛到0，完成模型的训练和优化，得到训练好的卷积神经网络模型。

本实施例中，所述调参是指包括改变卷积核的尺寸、大小和深度，全连接层的尺寸以及优化器的学习率。所述验证主要是指模型在检测数据上的表现结果，即模型验证的准确率。

在本发明的一个可选实施例中，利用步骤s2中已经分类好的样本数据库对卷积神经网络模型进行训练、调参和验证，得到具有识别能力的卷积神经网络模型，如图7所示，为本发明实施例中基于卷积神经网络模型的学习曲线示意图，可以看出，随着训练的进行，损失函数收敛到零，模型达到了100%的精度，同时包括数据转换在内的整个模型训练过程在不到20秒的时间内完成。

在本发明的一个可选实施例中，所述步骤s4中，对检测数据的处理过程与步骤s1和步骤s2的数据处理过程相同，即对检测数据的处理具体包括：将检测数据的时域信号通过快速傅里叶变换方法转换为频率信号以获得对应的功率谱图，再通过功率谱图分析故障特征的集中区域，然后通过数组切片方法仅保留故障特征集中区域的序列并进行重组合并。所述步骤s4中，利用步骤s3训练好的卷积神经网络模型对检测数据进行识别判断，模型输出包括平衡、气动不平衡和质量不平衡三类结果，如图8所示，为本发明实施例中对验证结果进行展示的混淆矩阵示意图，验证数据采用随机抽样的方法从步骤s2生成的样本数据库中进行抽取，验证结果表明，每一类样本的检测都是正确的，没有错误判断。因此实验结果表明，可以利用该训练好的卷积神经网络模型对风力机检测状态下的数据进行识别判断，从而实现风力机叶片的不平衡检测。

以上仅描述了本发明的基本原理和优选实施方式，本领域人员可以根据上述描述做出许多变化和改进，这些变化和改进应该属于本发明的保护范围。