本发明属于机械设备故障监测技术领域，具体涉及一种风机叶片光纤载荷应变特征提取及裂纹监测方法。
背景技术：
近年来我国风电行业发展迅速，装机容量逐年递增。大型风机长期在野外工作，工况恶劣，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，风机叶片出现裂纹在风电机组的故障中所占比例相当高，严重影响风电企业的经济效益。其出现严重故障时，维修困难且维修成本极高,因此对大型风机叶片进行故障检测，进行预知维护维修，对企业降低运行维护成本，提高经济效益具有重要意义。
常用的风机叶片裂纹检测的方法存在两个有待克服的难点：1.风机叶片工况复杂，同时噪音干扰严重，难以提取到鲁棒性强的故障表征，由于材料复杂性和结构不对称性,其振动信号表现出时变特点，总过研究将短时傅里叶变换(stft)应用于风机叶片裂纹检测中,运用短时傅里叶变换分析叶片在健康状态及不同裂纹损伤状态下自由振动信号及其变化规律,为叶片裂纹检测提供一种合理方法，然而振动信号非常容易守噪音干扰，故障信息容易被淹没，该方法难度较大；2.常用分类器要求训练数据中风机叶片正常数据和故障数据平衡，而风机在实际运行过程中长时间处于正常状态，故障发生时设备停机维修，故障数据量少，故障标签不完备，故常见的分类模型，比如bp神经网络、卷积神经网络以及支持向量机等都不适用于风机诊断的实际情况。因此，在数据严重不平衡的情况下提出一种鲁棒的特征提取方式并有效的训练诊断模型是风机叶片裂纹监测领域一项重要且有意义的研究方向。
技术实现要素：
本发明的发明目的是：为了解决现有技术中存在的以上问题，本发明提出了一种实现在工况恶劣、噪音干扰大以及数据不平衡的情况下进行风机叶片裂纹故障诊断的风机叶片光纤载荷应变特征提取及裂纹监测方法。
本发明的技术方案是：一种风机叶片光纤载荷应变特征提取及裂纹监测方法，包括以下步骤：
a、将贴片式光纤载荷传感器分布式安装在风机叶片上，采集风机叶片健康状态下光纤载荷数据，建立风机叶片光纤载荷数据库；
b、构建深度降噪自编码器模型，利用步骤a中风机叶片健康状态下光纤载荷数据对深度降噪自编码器模型进行训练；
c、利用步骤b训练得到的深度降噪自编码器模型对风机叶片健康状态下光纤载荷数据进行处理，得到重构误差数据，并设置重构误差数据中最大值为阈值；
d、采集风机叶片检测状态下光纤载荷数据，利用步骤b训练得到的深度降噪自编码器模型对风机叶片检测状态下光纤载荷数据进行处理，得到重构误差数据；判断重构误差是否大于步骤c中阈值，若是，则风机叶片检测状态为故障状态，若否，则风机叶片检测状态为正常状态。
进一步地，所述步骤a将贴片式光纤载荷传感器分布式安装在风机叶片上具体包括将贴片式光纤载荷传感器分布式安装在风机叶片迎风面、背风面的叶缘和叶根部位。
进一步地，所述步骤b中深度降噪自编码器模型具体采用多层降噪自编码的堆叠结构，将前一层降噪自编码器的隐藏层作为下一层降噪自编码器的输入。
进一步地，所述步骤b中利用步骤a中风机叶片健康状态下光纤载荷数据对深度降噪自编码器模型进行训练具体为：对风机叶片健康状态下光纤载荷数据采用滑动平移窗处理，得到一系列短时时间序列，再将短时时间序列按顺序拼接得到一定长度的数据序列，作为深度降噪自编码器的输入。
进一步地，所述步骤c中设置重构误差数据中最大值为阈值的计算公式具体为：
d＝max(εi)λ
其中，d为阈值，εi为第i组风机叶片健康状态下光纤载荷数据的重构误差，λ为阈值放大倍数。
本发明的有益效果是：本发明首先将贴片式光纤载荷传感器分布式安装在风机叶片上，收集到的数据输入风机离线数据库；在模型训练阶段，用健康数据训练深度降噪自编码器，计算重构误差阈值；在线诊断阶段，将光纤载荷数据输入训练好的模型中，计算重构误差并与阈值比较，以此作为诊断依据；本发明能够自适应地从信号中过滤掉噪音的干扰，提取鲁棒性高的表征，用于后续的故障诊断，并且采用无监督的学习模式，利用大量无故障的健康信号训练模型，使其用于后续的在线诊断中；还能够适应复杂工况中，同时能够避免数据不平衡给模型带来的偏差。
附图说明
图1是本发明的风机叶片光纤载荷应变特征提取及裂纹监测方法流程示意图；
图2是本发明实施例中滑动平移窗处理信号示意图；
图3是本发明实施例中深度降噪自编码器结构示意图；
图4是本发明实施例中叶片正常时光纤载荷数据示意图；
图5是本发明实施例中叶片出现裂纹时故障光纤载荷示意图；
图6是本发明实施例中深度降噪自编码器重构误差分布示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，为本发明的风机叶片光纤载荷应变特征提取及裂纹监测方法流程示意图。一种风机叶片光纤载荷应变特征提取及裂纹监测方法，包括以下步骤：
a、将贴片式光纤载荷传感器分布式安装在风机叶片上，采集风机叶片健康状态下光纤载荷数据，建立风机叶片光纤载荷数据库；
b、构建深度降噪自编码器模型，利用步骤a中风机叶片健康状态下光纤载荷数据对深度降噪自编码器模型进行训练；
c、利用步骤b训练得到的深度降噪自编码器模型对风机叶片健康状态下光纤载荷数据进行处理，得到重构误差数据，并设置重构误差数据中最大值为阈值；
d、采集风机叶片检测状态下光纤载荷数据，利用步骤b训练得到的深度降噪自编码器模型对风机叶片检测状态下光纤载荷数据进行处理，得到重构误差数据；判断重构误差是否大于步骤c中阈值，若是，则风机叶片检测状态为故障状态，若否，则风机叶片检测状态为正常状态。
在本发明的一个可选实施例中，上述步骤a将贴片式光纤载荷传感器分布式安装在风机叶片上具体包括将贴片式光纤载荷传感器分布式安装在风机叶片迎风面、背风面的叶缘和叶根部位，从而检测叶片的应变情况；再通过建立风机叶片光纤载荷数据库，收集贴片式光纤载荷传感器采集的风机叶片健康状态下光纤载荷数据。风机叶片光纤载荷数据库中的风机叶片健康状态下光纤载荷数据分为训练集htrain和部分测试集htest。
在本发明的一个可选实施例中，上述步骤b构建深度降噪自编码器模型，具体采用多层降噪自编码的堆叠结构，将前一层降噪自编码器的隐藏层作为下一层降噪自编码器的输入；并利用步骤a中风机叶片健康状态下光纤载荷数据对深度降噪自编码器模型进行训练，具体为：对风机叶片健康状态下光纤载荷数据采用滑动平移窗处理，得到一系列短时时间序列，再将短时时间序列按顺序拼接得到一定长度的数据序列，作为深度降噪自编码器的输入。如图2所示，为本发明实施例中滑动平移窗处理信号示意图。
具体的，本发明采用叠逐层训练的方式对三层降噪自编码器作为诊断模型，如图3所示，为本发明实施例中深度降噪自编码器结构示意图；本发明选用帧长(window)为100(10倍与采样频率)，滑动步长(noverlap)为50，同时对同一叶片上贴片式光纤载荷传感器进行上述操作，将得到的数据点按顺序拼接得到长度为400的数据序列，作为网络的输入；深度降噪自编码器模型中三层自编码器分别为400-200-400。
在本发明的一个可选实施例中，上述步骤c利用步骤b训练得到的深度降噪自编码器模型，对风机叶片健康状态下光纤载荷数据中的部分测试集htest进行处理，具体为将风机叶片健康状态下光纤载荷数据中的部分测试集htest进行滑动平移窗处理，并输入到深度降噪自编码器模型中，得到健康状态下的重构误差数据，设置重构误差数据中最大值为阈值。这里设置重构误差数据中最大值为阈值的计算公式具体为：
d＝max(εi)λ
其中，d为阈值，εi为第i组风机叶片健康状态下光纤载荷数据的重构误差，λ为阈值放大倍数。
在本发明的一个可选实施例中，上述步骤d采集风机叶片检测状态下光纤载荷数据作为部分测试集ftest，再利用深度降噪自编码器模型对部分测试集ftest进行处理，具体为将部分测试集ftest进行滑动平移窗处理，并输入到深度降噪自编码器模型中，得到检测状态下的重构误差数据；再判断检测状态下的重构误差数据是否大于步骤c中阈值，若是，则风机叶片检测状态为故障状态，若否，则风机叶片检测状态为正常状态。
本发明将风机叶片健康状态下光纤载荷数据分为训练集htrain和部分测试集htest，如图4所示，为本发明实施例中叶片正常时光纤载荷数据示意图；将风机叶片检测状态下光纤载荷数据作为部分测试集ftest，如图5所示，为本发明实施例中叶片出现裂纹时故障光纤载荷示意图；即训练集datatrain＝htrain，测试集datatest＝[htest,ftest]；对上述数据集进行滑动平移窗处理，用训练集datatrain训练深度降噪自编码器模型，最后使用测试集datatest输入训练好的深度降噪自编码器模型中，得到数据集的重构误差数据；如图6所示，为本发明实施例中深度降噪自编码器重构误差分布示意图，可以观察到，故障数据的重构误差明显大于健康数据，实现了对风机叶片的监测。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。