一种基于深度学习的风机叶片健康监测方法及其故障检测方法

本发明涉及健康监测，特别涉及风机叶片健康监测。

背景技术：

1、能源作为当今经济社会发展的重要物质基础，有着不可取代的重要地位。但当今世界能源供应困难，贫乏短缺，煤炭、天然气、石油等传统的不可再生资源被大量耗费储量逐年递减，每年大量的废弃物排放，使得空气质量被严重污染，地球环境遭受到严重的破坏，产生气候变暖，能源危机以及生态破坏等诸多问题。世界各国十分关注未来是否能有足够的能源支撑经济的发展，如何使用能源而又不影响气候。因此，新能源的探索和应用越来越受到各个国家广泛重视。

2、风能是一种绿色、环保的可再生资源，在当今世界急需新能源的迫切形势下，大力发展风电必然成为未来发展的趋势和潮流。近年来，风力发电产业的迅猛发展，使得风电运维市场急速扩张，风机的成本价格昂贵，因此对其后期的维护变得极为重要。由于该领域发展起步时间不长，风机运行维护的机制尚且不成熟，很多风场并没有专门的检修人员，大多服役的风机都带有大大小小不同的损伤，长此以往，损伤不断升级增加修复难度，甚至可能在运行中造成人员损伤。

3、风力发电机组主要由叶片、发电箱、塔筒、齿轮箱等组成，每台风机叶片价格占总价值的23％，风机叶片在户外长期的服役工作，恶劣的环境加速了叶片表面材料的老化、腐蚀和损伤。叶片表面的损伤累计使得由最初产生的细小裂纹不断扩展加深以至断裂，若未及时发现进行修检，不仅会带来的巨大经济损伤，甚至导致人员伤亡。

4、故利用无损检测的方式对风电叶片的健康状态进行检测，既安全又高效，不仅可以对叶片的制造等工艺环节提供技术支持，还能提高风电机组的使用安全性，创造更多的经济效益，常用于检测叶片结构健康的无损检测方式有目视、敲击、超声检测、x射线检测、红外热检测、激光全息检测等。

5、而近年来，随着深度学习的不断发展，其利用的场景和范围也不断拓宽，神经网络具有的超高维性、强非线性等动力学特性，使其具有原则上容错、结构拓扑鲁棒、联想、推测、记忆、自适应、自学习、并行和处理复杂模式等功能，带来了提供更佳诊断性能的潜在可能性。因此，及时有效的对风机叶片的裂纹进行监测对保证风电设备的可靠运行有着十分重要的意义。

技术实现思路

1、本发明解决现有风电叶片的监测方式无法实时、长期连续的监测的问题。

2、为实现上述目的，本发明提供了如下方案：

3、本发明提供一种基于深度学习的风机叶片健康监测方法，所述监测方法为：

4、s1、对风机叶片的振动数据进行预处理，获得风机叶片的低阶固有频率；

5、s2、根据所述风机叶片的低阶固有频率对风机叶片的共振现象进行监测；

6、s3、获取所有风机叶片的时域波形、频谱图、幅值对比图和时间对比图；

7、s4、将所述所有风机叶片的时域波形、频谱图、幅值对比图和时间对比图进行综合对比，根据对比结果对风机叶片的不平衡现象进行监测；

8、s5、将风机叶片的振动信号进行时域特征和频域特征提取，并将提取出的特征进行组合，获得组合特征；

9、s6、采用stacking堆叠法将xgboost、随机森林算法和extra trees进行融合，获得健康监测模型；

10、s7、将所述组合特征输入到健康监测模型中，并采用加权投票机制对xgboost、随机森林算法和extra trees进行加权软投票，获得健康监测结果。

11、进一步，还有一种优选实施例，上述步骤s1具体为：

12、s11、采用经验模态分解结合小波包阈值变换的方法对每个风机叶片的振动数据进行去噪处理，获得去噪后的振动信号；

13、s12、采用巴特沃斯滤波器对所述去噪后的振动信号进行滤波处理，获得滤波后的振动信号；

14、s13、将所述滤波后的振动信号进行快速傅里叶变换，获得频谱图；

15、s14、根据所述频谱图，获得每个风机叶片的低阶固有频率。

16、进一步，还有一种优选实施例，上述步骤s5具体为：

17、s51、将风机叶片的振动信号进行时域特征和频域特征提取，获得时域特征和频域特征；

18、s52、采用随机森林oob分数评估提取出的时域特征和频域特征的重要性，获得特征重要性排名；

19、s53、采用随机森林算法根据特征重要性排名添加特征，并变换特征组合，获得组合特征。

20、进一步，还有一种优选实施例，上述步骤s51中的时域特征包括均值、标准差、方根幅值、rms均方根、峰峰值、偏度、峭度、峰值因子、裕度因子、波形因子和脉冲指数；

21、上述频域特征包括能量最大频率、重心频率、平均频率、1频段能量、2频段能量、3频段能量、4频段能量、5频段能量、6频段能量、7频段能量、8频段能量。

22、进一步，还有一种优选实施例，上述步骤s53中的组合特征包括能量最大频率、均值、5频段能量、6频段能量、偏度、4频段能量、8频段能量、1频段能量、波形因子和峭度。

23、本发明还提供一种基于深度学习的风机叶片故障诊断方法，所述诊断方法是经过上述任意一项所述的风机叶片健康监测方法后的风机叶片进行诊断的，所述诊断方法为：

24、步骤一、采用lstm从振动信号的时域波形中提取特征，并采用注意力机制模块对提取出的特征进行再次提取，获得时域频域特征；

25、步骤二、采用cnn从信号的时频图中提取特征，并采用注意力机制模块对提取出的特征进行再次提取，获得时频域特征；

26、步骤三、将所述时域频域特征和时频域特征进行组合，获得组合特征；

27、步骤四、将所述组合特征输入识别层中进行故障分类，获得故障诊断结果。

28、本发明所述的一种基于深度学习的风机叶片健康监测方法和一种基于深度学习的风机叶片故障诊断方法可以全部采用计算机软件实现，因此，对应的，本发明还提供一种基于深度学习的风机叶片健康监测系统，所述监测系统为：

29、用于对风机叶片的振动数据进行预处理，获得风机叶片的低阶固有频率的存储装置；

30、用于根据所述风机叶片的低阶固有频率对风机叶片的共振现象进行监测的存储装置；

31、用于获取所有风机叶片的时域波形、频谱图、幅值对比图和时间对比图的存储装置；

32、用于将所述所有风机叶片的时域波形、频谱图、幅值对比图和时间对比图进行综合对比，根据对比结果对风机叶片的不平衡现象进行监测的存储装置；

33、用于将风机叶片的振动信号进行时域特征和频域特征提取，并将提取出的特征进行组合，获得组合特征的存储装置；

34、用于采用stacking堆叠法将xgboost、随机森林算法和extra trees进行融合，获得健康监测模型的存储装置；

35、用于将所述组合特征输入到健康监测模型中，并采用加权投票机制对xgboost、随机森林算法和extra trees进行加权软投票，获得健康监测结果的存储装置。

36、本发明提供一种基于深度学习的风机叶片故障诊断系统，所述故障诊断系统为：

37、用于采用lstm从振动信号的时域波形中提取特征，并采用注意力机制模块对提取出的特征进行再次提取，获得时域频域特征的存储装置；

38、用于采用cnn从信号的时频图中提取特征，并采用注意力机制模块对提取出的特征进行再次提取，获得时频域特征的存储装置；

39、用于将所述时域频域特征和时频域特征进行组合，获得组合特征的存储装置；

40、用于将所述组合特征输入识别层中进行故障分类，获得故障诊断结果的存储装置。

41、本发明提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述任意一项所述的一种基于深度学习的风机叶片健康监测方法或上述所述的一种基于深度学习的风机叶片故障诊断方法。

42、本发明提供一种计算机设备，该设备包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行执行上述任意一项所述的一种基于深度学习的风机叶片健康监测方法或上述所述的一种基于深度学习的风机叶片故障诊断方法。

43、本发明的有益效果为：

44、1、本发明提供一种基于深度学习的风机叶片健康监测方法，通过对风机叶片的振动信号进行去噪和滤波处理，并将滤波后的振动信号进行快速傅里叶变换，进而获风机叶片的固有频率，使得能够对风机叶片的固有频率进行识别，进而对风机叶片的共振现象进行监测。通过对风机叶片的时域波形、频谱图、幅值对比图和时间对比图进行综合对比，能够对风机叶片的不平衡现象进行监测。采用stacking堆叠法将xgboost、随机森林算法和extra trees进行融合，获得健康监测模型；将风机叶片的振动信号进行时域特征和频域特征提取，并将提取出的特征进行组合作为健康监测模型的输入，同时采用加权投票机制对xgboost、随机森林算法和extra trees进行加权软投票，获得健康监测结果。实现对风机叶片的工作情况进行实时、长期连续的监测，保障风电设备的可靠运行，以及对人身安全以及公共财产进行保护。

45、2、本发明提供一种基于深度学习的风机叶片故障诊断方法，分别采用latm和cnn提取振动信号中时域波形和时频图中的特征，并经过注意力机制模块处理后，获得时域频域特征和视频域特征，将时域频域特征和视频域特征组合为新的特征作为数据输入，能够准确的对风机叶片的故障进行分类。

46、本发明适用于风机叶片的实时、长期连续的监测。