本发明涉及风力发电机,尤其是涉及一种风电机叶片综合状态监控方法和设备。
背景技术:
1、目前已有的风电机叶片声音监测方案大多在塔下安装声音传感器。
2、在塔下安装声音传感器的方案存在对叶片声音信号缺乏充分认知的缺点,在故障诊断算法方面主要有分类和特征提取两类。采用分类方法的则根据故障类型而不是声音特征进行类,在实际应用中容易导致分类错误而误报。采用特征提取的则关注哨音或三支叶片之间的差异性,没有考虑叶片结构损伤造成的冲击异响。
3、中国专利申请公开号cn112801432a公开了一种风机组叶片智能巡检系统及相关的风机组叶片巡检方法,工作人员通过手持测向单元对叶轮上支叶片的叶尖进行测量以对风机组叶片进行巡检,然而,该方法仍需要人工对风机组叶片进行巡检,自动化程度低,检测较为繁琐。
4、综上,当前缺少一种对风机叶片进行智能化综合监控的方法。
技术实现思路
1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种风电机叶片综合状态监控方法和设备,以实现风机叶片的智能化综合监控。
2、本发明的目的可以通过以下技术方案来实现:
3、本发明的一个方面,提供了一种风电机叶片综合状态监控方法,包括如下步骤:
4、采集风电机叶片内的声音信号和风电机轮毂内的声音信号,经预处理后匹配叶片及轮毂内声音信号特征分类;
5、判断风电机叶片内部是否发生异常,若发生异常则通过损伤定位得到损伤位置数据;
6、采集风电机塔底的声音信号,经预处理后匹配塔底声音信号特征分类;
7、基于所述叶片及轮毂内声音信号特征分类和所述塔底声音信号特征分类,根据预设的预警特征矩阵输出风险等级、检查建议和所述损伤位置数据,实现预警。
8、作为优选的技术方案,所述叶片及轮毂内声音信号特征分类包括正常和异常,所述塔底声音信号特征分类包括正常、哨音、冲击异响和气动不平衡。
9、作为优选的技术方案,在基于plc数据确定风机在运行中之后,再判断风电机叶片是否发生异常。
10、作为优选的技术方案,判断风电机叶片内部是否发生异常的过程包括:
11、收集风电机叶片声音信号作为案例库;
12、基于所述案例库训练一个深度学习模型用于异常分类;
13、将预处理后的风电机叶片内的声音信号作为训练好的深度学习模型的输入,基于深度学习模型输出的分类结果判断是否发生异常。
14、作为优选的技术方案,利用所述案例库训练深度学习模型的过程包括:
15、计算案例库内声音信号的频谱;
16、以案例库内声音信号的频谱作为所述深度学习模型的输入,实现特征提取,基于提取到的特征,输出异常分类标签,更新所述深度学习模型的参数,实现深度学习模型的训练。
17、作为优选的技术方案,利用风电机叶片内和风电机轮毂内的声音传感器阵列实现损伤定位。
18、作为优选的技术方案,所述风电机叶片内的声音信号和风电机轮毂内的声音信号的预处理过程包括:
19、对采集到的声音信号进行带通滤波并计算其频谱;
20、利用深度去噪自编码器剔除所述频谱中的背景噪声,完成预处理。
21、作为优选的技术方案,所述风电机塔底的声音信号的预处理过程包括:
22、对采集到的风电机塔底的声音信号带通滤波,计算其频谱并进行高斯平滑滤波。
23、本发明的另一个方面,提供了一种风电机叶片综合状态监控设备,包括:
24、多个声音传感器测点,设置在风电机叶片内、风电机轮毂内和风电机塔底处;
25、损伤定位模块,用于在风电机叶片内部发生异常后,基于预处理后的风电机叶片内和风电机轮毂内声音传感器测点测得的声音信号,通过损伤定位得到损伤位置数据;
26、预警信息融合模块,根据预先给出的预警特征矩阵,输出风险等级、检查建议和所述损伤位置数据,实现预警。
27、作为优选的技术方案,在风电机叶片内,所述声音传感器测点设置在叶片底部盖板处以及前、后缘处。其中,叶片后缘处以叶片底部为参考每间隔d米布置一个声音传感器,共计n个。考虑到声源的“距离平方衰减规律”,即距离每增加一倍,声压级下降6db,为避免损伤位置声源衰减过大无法与背景噪声区分,d不宜过大。同时,为降低引雷风险,且鉴于大部分叶片内部结构损伤发生在重心位置附近,距离叶片底部最远的传感器位置不宜超过叶片长度的一半,即需满足n*d≤1/2l,l为叶片长度。在叶片前缘处,距离叶根1/3l和1/2l处各布置一个声音传感器。
28、在风电机轮毂内,所述声音传感器测点设置在周向方向均匀分布,共计m个声音传感器。
29、在风电机塔底处,所述声音传感器测点需布置在当地的主风向上,主风向可参考当地气象资料进行选择,亦可以塔筒门为参考。一般而言,风电机的塔筒门与当地主风向呈90°。此外,为避免地面混响干扰,传感器测点高度需离地2米以上。
30、本发明的另一个方面,提供了一种计算机可读存储介质,包括供电子设备的一个或多个处理器执行的一个或多个程序,所述一个或多个程序包括用于执行上述风电机叶片综合状态监控方法的指令。
31、与现有技术相比,本发明具有以下有益效果:
32、实现风机叶片的综合监控:本申请基于风电机叶片内的声音信号和风电机轮毂内的声音信号判断风电机叶片内部是否发生异常,同时基于预处理后的声音信号,匹配声音信号特征分类,实现了更准确的叶片损伤预警,同时可根据声源定位损伤位置,根据预设的预警特征矩阵输出风险等级、检查建议和所述损伤位置数据,实现预警。
1.一种风电机叶片综合状态监控方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种风电机叶片综合状态监控方法,其特征在于,所述叶片及轮毂内声音信号特征分类包括正常和异常,所述塔底声音信号特征分类包括正常、哨音、冲击异响和气动不平衡。
3.根据权利要求1所述的一种风电机叶片综合状态监控方法,其特征在于,在基于plc数据确定风机在运行中之后,再判断风电机叶片是否发生异常。
4.根据权利要求1所述的一种风电机叶片综合状态监控方法,其特征在于,判断风电机叶片内部是否发生异常的过程包括:
5.根据权利要求4所述的一种风电机叶片综合状态监控方法,其特征在于,利用所述案例库训练深度学习模型的过程包括:
6.根据权利要求1所述的一种风电机叶片综合状态监控方法,其特征在于,利用风电机叶片内和风电机轮毂内的声音传感器阵列实现损伤定位。
7.根据权利要求1所述的一种风电机叶片综合状态监控方法,其特征在于,所述风电机叶片内的声音信号和风电机轮毂内的声音信号的预处理过程包括:
8.根据权利要求1所述的一种风电机叶片综合状态监控方法,其特征在于,所述风电机塔底的声音信号的预处理过程包括:
9.一种风电机叶片综合状态监控设备,其特征在于,包括:
10.根据权利要求9所述的一种风电机叶片综合状态监控设备,其特征在于,在风电机叶片内,所述声音传感器测点设置在叶片底部盖板处以及前、后缘处,其中,后缘处以叶片底部为参考间隔d米设置一个声音传感器,共n个声音传感器,且满足n*d≤0.5l,l为叶片长度;在风电机轮毂内,所述声音传感器测点设置在轮毂与叶片接触的叶根处以及轮毂中心处;在风电机塔底处,所述声音传感器测点布置在当地的主风向上。