Nothing Special   »   [go: up one dir, main page]

CN115560961A - 一种风电机组叶片故障诊断系统与方法 - Google Patents

一种风电机组叶片故障诊断系统与方法 Download PDF

Info

Publication number
CN115560961A
CN115560961A CN202210975382.4A CN202210975382A CN115560961A CN 115560961 A CN115560961 A CN 115560961A CN 202210975382 A CN202210975382 A CN 202210975382A CN 115560961 A CN115560961 A CN 115560961A
Authority
CN
China
Prior art keywords
fault
module
blade
data
audio
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210975382.4A
Other languages
English (en)
Inventor
孙萍玲
张军华
李学平
赵海燕
艾真伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Windey Co Ltd
Original Assignee
Zhejiang Windey Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Windey Co Ltd filed Critical Zhejiang Windey Co Ltd
Priority to CN202210975382.4A priority Critical patent/CN115560961A/zh
Publication of CN115560961A publication Critical patent/CN115560961A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种风电机组叶片故障诊断系统与方法。为了克服现有技术中叶片音频故障诊断方法效率低，且无法实现叶片故障类型判断问题;本发明利用叶片扫风气动噪声对叶片及进行健康监测，实现基于音频的风电机组叶片故障判断，给现场运维人员反馈故障信息，指导现场排查与检修。

Description

一种风电机组叶片故障诊断系统与方法
技术领域
本发明涉及一种风力发电技术领域，尤其涉及一种风电机组叶片故障诊断系统与方法。
背景技术
叶片是风电机组的关键部件，其性能的优劣能够直接影响风电机组的发电效率。但其长期处于环境恶劣的风场，会经受雷击、雨淋、日晒等侵蚀，导致其故障频发。目前常用的叶片故障监测手段有人工巡检、无人机巡检和振动传感器监测，人工巡检和无人机巡检可直观展现叶片损伤状况，但存在检测不及时、停机时间长的问题，振动传感器虽能实现在线实时监测，但其安装困难、技改时间长，且无法监测叶片表面损伤。
例如，一种在中国专利文献上公开的“基于卷积生成对抗网络的风电机组叶片故障音频监测方法”，其公告号CN110792563B，包括应用卷积生成对抗网络的方法，将一组叶片数据作为训练集训练模型，剩余叶片的特征数据输入异常监测器，将获得的差异值作为判断叶片是否异常的依据，该方法复杂且只能判断叶片是否出现异常，并无法得知异常类型，对风场运维人员进行叶片检修的指导性较低。
发明内容
本发明主要解决现有叶片音频故障诊断方法效率低，且无法实现叶片故障类型判断的问题；提供一种风电机组叶片故障诊断系统与方法，利用叶片扫风气动噪声对叶片进行健康监测，实现基于音频的风电机组叶片故障判断，给现场运维人员反馈故障信息，指导现场排查与检修。
本发明的上述技术问题主要是通过下述技术方案得以解决的：
本发明的一种风电机组叶片故障诊断系统包括：故障诊断系统包括相互连接的信号采集模块、数据预处理模块、故障识别与评估模块和控制与报警模块；控制与报警模块调控所述信号采集模块、数据预处理模块和故障识别与评估模块的运行；信号采集模块向数据预处理模块传输机组运行数据，数据预处理模块向故障识别与评估模块传输处理后的机组数据。
作为优选，所述的信号采集模块包括传声器、云台相机、运行数据采集模块；云台相机设置在机组的顶部外侧，传声器设置在机组的外壁远离变流器所在侧，运行数据采集模块设置在机组的内底部，与数据预处理模块进行信息交换。
作为优选，所述的数据预处理模块设置在机组的底部，包括相互连接的状态判断模块、音频数据处理模块、故障判别模块和音视频识别模块；状态判断模块与所述运行数据采集模块连接，当判断机组处于稳定运行状态时，向音频数据处理模块传递机组状态信息；音频数据处理模块接收机组状态信息，对机组状态信息中的音频数据进行滤波、时域同步平均和三支叶片音频数据分离，记录第一个周期的起始时刻t0，向故障判别模块传递分离后的机组音频数据。
作为优选，所述的故障判别模块接收分离后的机组音频数据，对其中的音频数据做两两互相关操作；设定阈值Xr判断机组的叶片的故障状态，当判别结果为有叶片故障，则向故障识别与评估模块传输音频数据，同时将将记录的时刻t0和音频数据传输至音视频识别模块；音视频识别模块还与所述云台相机相连，音视频识别模块接收故障判别模块传输的信息和云台相机传输的实时拍摄图片，启动音视频对比程序，根据时刻t0的音频数据与t0时刻的实时拍摄图片确定故障叶片编码，三支叶片提前在醒目的位置标注了编码，将判断的故障叶片音频数据发送至故障识别与评估模块。
作为优选，所述的故障识别与评估模块包括故障识别模块和故障评估模块，故障识别模块通过光纤环网接收所述故障判别模块传递的音频数据，对接收到的音频信号提取特征信息，进行神经网络训练判断故障类型；故障评估模块通过光纤环网接收云台相机拍摄故障叶片图像，结合人工故障判别输入故障类型及其故障程度，传递至控制与报警模块。
作为优选，所述的故障诊断系统还包括机组主控，控制与报警模块包括控制模块和报警模块，控制模块与故障诊断模块、机组主控连接，控制模块接收到故障判别模块传递的信息，启动远程控制与机组主控的联控程序，控制机组停机并使叶片旋转至固定角度，控制所述云台相机调整角度搜索故障叶片，确定故障叶片后自动聚焦从叶根至叶尖拍摄叶片图片确定故障点；报警模块接收故障识别模块与故障评估模块的信息后进行逻辑判断，识别模块与评估模块结果一致，直接输出报警信息，若判断不一致则控制故障识别模块将判断的所有信息存入神经网络样本库，优化迭代模型，输出报警信息。
本发明的一种风电机组叶片故障诊断方法包括：通过信号采集模块采集机组运行数据，传输信息至数据预处理模块；S2：数据预处理模块对机组运行数据进行稳态分析、预处理和数据分割，获取叶片数据；S3：对叶片数据进行相关性分析，分析结果传输至故障识别与评估模块进行故障判断，得出结果。
作为优选，所述的S1.1：机组运行数据包括机组运行时的风轮转速信息、传声器采集的音频数据和云台相机的实时拍摄图片；S2.1：所述稳态分析包括：对机组当前时刻及之前(t-1)秒时间内的机组风轮转速计算均值Rm，若t秒时间内数据保持在均值Rm附近上下波动，且波动范围在设定阈值Rr范围内，则判定机组运行状态稳定；S2.2：所述预处理包括对采集到的t秒时间长度的音频数据做带通滤波，带通滤波范围为[f1 f2]；S2.3：对滤波后的音频数据进行包络谱分析，提取滤波后时域信号的上包络谱结合转速信息，对t秒长度数据截取连续多段叶片旋转一周的音频数据进行时域同步平均，降低随机噪声的影响，截取的第一个周期音频数据的起点为t秒长度数据包络谱第一个极大值点衰减至a％对应的时刻，记录该时刻时间t0，后续截取的周期音频起点为前一个周期音频终点；对时域同步平均处理后得到的一个周期的音频数据进行三等分，得到叶片的音频数据。
作为优选，所述的S3.1：对叶片的音频数据两两做互相关分析，得到三个互相关系数X12、X13、X23，当相关系数小于设定阈值Xr时，则说明该机组叶片存在问题；S3.2：提取与识别所述音频数据中故障音频的特征：提取音频数据的时域、频域、时频域特征，建立特征矩阵，导入已训练好的有监督神经网络模型，对故障类别进行诊断识别；对监督神经网络模型设置故障类别，包括：雷击损伤、前后缘开裂和前缘腐蚀；S3.3：诊断云台相机拍摄的实时图片信息：对云台相机所拍摄叶片故障图片，辅以人工审查，判别叶片故障程度。
作为优选，所述的S3.4：将S3.2和S3.3中诊断的结果和叶片故障程度相互对比，结果一致则通过控制与报警模块发送故障报警信息，结果有异以S3.3的诊断结果为准，将故障音频数据与图片识别标签存储在神经网络样本库，并对样本库及模型进行更新优化；同时记录诊断一致性概率，当系统评估音频诊断与图片判别一致性达到某一准确度，认为神经网络模型样本基本完备，无需再进行图片的人工辅助辨识。
本发明的有益效果是：
1.本方案的一种风电机组叶片故障诊断系统与方法通过建立叶片音视频故障诊断方法与系统，对叶片音频数据进行滤波、时间平均与数据分割，得到三支叶片音频数据，应用互相关对叶片故障进行判断，进一步对判定有故障叶片进行故障识别。
2.本方案的一种风电机组叶片故障诊断系统与方法以相机拍摄直观展示叶片故障作为辅助，减少叶片故障诊断数据处理，同时实现叶片故障类型及程度的识别，便于指导现场人员进行维护检修。
附图说明
图1是本发明的一种风电机组叶片故障诊断系统与方法的流程示意图；
图2是本发明的一种风电机组叶片故障诊断系统与方法的音视频监测系统示意图；
图3是本发明的一种风电机组叶片故障诊断系统与方法的原始信号与三支叶片的分离信号示意图。
图中1-信号采集模块；11-传声器；12-云台相机；13-运行数据采集模块；2-数据预处理模块；21-状态判断模块；22-音频数据预处理模块；23-故障判别模块；24-音视频识别模块；3-故障识别与评估模块；31-故障识别模块；32-故障评估模块；4-控制与报警模块；41-控制模块；42-报警模块。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
本实施例的一种风电机组叶片故障诊断系统与方法，包括诊断系统，该诊断系统通过采集机组运行工况信息、机组运行音频数据及叶片图像信息，对处于稳定状态下的音频数据进行滤波、时域平均等系列操作，依据三支叶片相关系数判断叶片是否存在故障，对判断有故障的叶片音频信号做故障识别，并与机舱顶部叶片拍摄图像进行校验，指导现场工作人员对叶片进行检修与维护。
如图1所示，风电机组叶片故障诊断系统包括信号采集模块1、数据预处理模块2、故障识别与评估模块3、控制与报警模块4，可实现叶片故障的诊断与识别。
如图1所示，信号采集模块1包括传声器11、云台相机12以及运行数据采集模块13；运行数据采集模块13连接塔基柜信号输出模块，采集机组运行时风轮转速，采样率可设置，例如，1Hz；传声器11安装于塔筒外壁，为全指向性传声器，频响范围为6.3～20kHz；云台相机12安装于机舱顶部外侧，可实现360°巡航与自动聚焦，相机初始监测位置为风轮旋转方向150°位置，以垂直于地面向上方向为0°，该角度可拍摄叶片向下划动引起最大音频幅值时的叶片编号，并记录相应的时间。
数据预处理模块2包括状态判断模块21、音频数据预处理模块22、故障判别模块23与音视频识别模块24；状态判断模块21对采集到的当前时刻及前t秒时刻的风轮转速计算均值，可设置风轮转速波动阈值，当判定机组运行工况稳定，音频数据预处理模块22工作；音频数据数据预处理模块2读取传声器11采集的音频数据，进行数据滤波、包络谱分析与时域平均，并由模块算法进一步分割三支叶片音频数据；故障判别模块23对三支叶片音频数据做互相关，并设定阈值，例如0.5，当互相关系数小于该阈值，将故障叶片数据通过光纤环网传输至故障识别与评估模块3，同时启动音视频识别模块24程序，t0时刻音频与云台相机12在该时刻拍摄的图片，判定三支叶片叶片音频所对应的叶片；在云台相机12处于远程控制条件下，传输云台相机12拍摄图像至所述故障识别与评估模块3。
故障识别与评估模块3包括故障识别模块31、故障评估模块32；故障识别模块31通过光纤环网接收到故障叶片音频信号，对音频数据提取特征并导入已训练好的神经网络模型，进行故障判别；故障评估模块32，通过光纤环网接收云台相机12拍摄故障叶片图像，辅以人工故障判别，输入故障类型及其故障程度。
控制与报警模块4包括控制模块41、报警模块42；控制模块41接收到故障判别模块23传递的故障信息，启动远程控制与主控联控程序，控制机组停机并使叶片旋转至固定角度，所述固定角度为某一叶片垂直地面朝上，控制所述云台相机调整角度搜索故障叶片，确定对应的故障叶片后，自动聚焦从叶根至叶尖拍摄叶片图片确定故障点；报警模块42接收故障识别模块31与故障评估模块32的结果，进行逻辑判断，结果一致直接输出报警信息，结果有差异则控制故障识别模块31将故障样本数据及图片判别结果标签存入神经网络样本库，对模型迭代优化，并输出报警信息。
如图2所示，叶片故障诊断方法包括步骤201至205。
在步骤201中，实时采集机组运行工况数据、机组运行时气动音频数据及云台相机拍摄的叶片图像数据，存储并传输至数据预处理单元；
所述机组运行工况数据采样率为1Hz，实时连续采集数据；所述机组运行时气动音频数据采样率为采样时长为t秒，因大兆瓦机型风轮转速在5～10RPM，本具体实施例取采样时长t＝40s，保证在机组运行转速范围内，至少包含三个旋转周期；所述气动音频数据采样率为44100Hz；所述云台相机拍摄图像频率为10Hz，保证相机拍摄到机组运行时叶片向下旋转的照片。
在步骤202中，对采集到的机组运行信息进行稳定工况分析，判定为稳定，则进一步对机组运行时音频数据做滤波、包络谱分析、时域同步平均及数据分割。
所述对机组运行状态分析，即对上述采集到的t秒数据计算风轮转速均值Rm，设定t秒时间内风轮转速的变化范围在[Rm-Rr，Rm+Rr]，则判断机组运行工况稳定，作为具体实施例，此处取Rr＝0.5；
所述音频数据的滤波方法，采用巴特沃斯带通滤波器，因风噪主要集中在低频，且高频信号衰减大，受影响明显，故带通滤波范围设置为[500 5000]，去除直流信号同时降低环境噪声影响，滤波频率范围可根据需求设定；
所述的包络谱分析，用希尔伯特变换计算音频信号包络谱，取包络谱第一个包络极大值点靠近数据起点一侧衰减至a％的值对应的时刻为周期时间起点t0，此具体实施例取a＝10,截取时长为风轮旋转一周时间T，此时取T＝60/Rms，下一周期数据的切割起点为前一周期的终点；所述的时域同步平均，即对分割后的多个音频周期信号叠加后取平均，周期音频信号为3～6个，最终得到一个周期的音频数据X，该操作可进一步降低随机干扰的影响。
所述的数据分割，即对时域同步平均后的音频数据进行三等分，得到三支叶片分别占主导的音频数据，图3为所述原始音频信号与预处理后三支叶片的音频信号。
在步骤203中，对前一步分离的三支叶片的音频数据做互相关分析，设置阈值Xr，当互相关系数低于阈值时，则判定叶片故障，作为具体实施例，阈值设为Xr＝0.5；
所述互相关分析，即对三支叶片的音频数据做两两互相关，得到互相关系数X12、X13、X23；当三个互相关系数均大于Xr且较为接近时，叶片无故障；若三个相关系数差异较大，且其中两个小于Xr时，可判定一支叶片存在故障，并可知该叶片编号，例如X12\X13＜Xr且X23＞Xr，可判断叶片1有故障；若三个相关系数均小于设定阈值，则至少存在两支叶片故障，无法明确故障叶片，需进入下一步识别，同时将t0时刻对应同一时刻云台相机拍摄图像，将音频数据与叶片编号一一对应。
在步骤204中，对故障音频数据提取特征矩阵，将单支或三支叶片特征矩阵导入已训练好的神经网络模型进行故障识别，同时云台相机采集故障图片，辅以人工判别，明确故障类型与程度。
所述特征矩阵包括音频时域、频域、时频域特征，具体包括均方根值、峭度、方差、波形指标、峰值指标、脉冲指标、1/6倍频谱、频域方均根、短时过零率、熵、小波能量等32个特征，应用主成分分析法对特征降维后输入神经网络模型进行故障识别，输出归一化特征指标及模型训练测试结果。
在步骤205中，对模型识别结果与图片诊断结果及程度进行对比，结果一致则发送故障报警信息，结果有异以图片判别结果为准，将故障音频数据与图片识别标签存储在神经网络样本库，对样本库及模型进行更新优化，并发送故障信息；记录诊断一致性概率，当系统评估音频诊断与图片判别一致性达到某一准确度，认为神经网络模型样本基本完备，无需再进行图片的人工辅助辨识。
应理解，实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (10)

1.一种风电机组叶片故障诊断系统，其特征在于，故障诊断系统包括相互连接的信号采集模块(1)、数据预处理模块(2)、故障识别与评估模块(3)和控制与报警模块(4)；所述控制与报警模块调控所述信号采集模块、数据预处理模块和故障识别与评估模块的运行；信号采集模块向数据预处理模块传输机组运行数据，数据预处理模块向故障识别与评估模块传输处理后的机组数据。
2.根据权利要求1所述的一种风电机组叶片故障诊断系统，其特征在于，所述信号采集模块(1)包括传声器(11)、云台相机(12)、运行数据采集模块(13)；所述云台相机设置在机组的顶部外侧，所述传声器设置在机组的外壁远离变流器所在侧，所述运行数据采集模块设置在机组的内底部，与数据预处理模块进行信息交换。
3.根据权利要求1或2所述的一种风电机组叶片故障诊断系统，其特征在于，所述数据预处理模块(2)设置在机组的底部，包括相互连接的状态判断模块(21)、音频数据处理模块(22)、故障判别模块(23)和音视频识别模块(24)；所述状态判断模块与所述运行数据采集模块(1)连接，当判断机组处于稳定运行状态时，向音频数据处理模块传递机组状态信息；所述音频数据处理模块接收机组状态信息，对机组状态信息中的音频数据进行滤波、时域同步平均和叶片音频数据分离，记录第一个周期的起始时刻t0，向故障判别模块传递分离后的音频数据。
4.根据权利要求3所述的一种风电机组叶片故障诊断系统，其特征在于，所述故障判别模块(23)接收分离后的音频数据，对音频数据做两两互相关操作；设定阈值Xr判断机组的叶片的故障状态，当判别结果为有叶片故障，则向故障识别与评估模块(3)传输音频数据，同时将记录的时刻t0和音频数据传输至音视频识别模块(24)；所述音视频识别模块还与所述云台相机(12)相连，音视频识别模块接收故障判别模块传输的信息和云台相机传输的实时拍摄图片，启动音视频对比程序，根据时刻t0的音频数据与t0时刻的实时拍摄图片确定故障叶片编码，将t0时刻的实时拍摄图片与故障的叶片编码发送至故障识别与评估模块。
5.根据权利要求4所述的一种风电机组叶片故障诊断系统，其特征在于，所述故障识别与评估模块(3)包括故障识别模块(31)和故障评估模块(32)，故障识别模块通过光纤环网接收所述故障判别模块(23)传递的音频数据，对接收到的音频信号提取特征信息，进行神经网络训练判断故障类型；故障评估模块通过光纤环网接收云台相机(12)拍摄故障叶片图像，判别输入故障类型及其故障程度，传递至控制与报警模块(4)。
6.根据权利要求1或5所述的一种风电机组叶片故障诊断系统，其特征在于，所述故障诊断系统还包括机组主控，所述控制与报警模块(4)包括控制模块(41)和报警模块(42)，控制模块与所述故障识别与评估模块(3)、机组主控连接，控制模块接收到故障判别模块传递的信息，控制所述云台相机(12)调整角度搜索故障叶片，拍摄叶片图片确定故障点。
7.一种风电机组叶片故障诊断方法，适用于权利要求1～6中任意一项所述的一种风电机组叶片故障诊断系统，其特征在于，包括以下步骤：
S1：通过信号采集模块采集机组运行数据，传输信息至数据预处理模块；S2：数据预处理模块对机组运行数据进行稳态分析、预处理和数据分割，获取叶片数据；S3：对叶片数据进行相关性分析，分析结果传输至故障识别与评估模块进行故障判断。
8.根据权利要求7所述的一种风电机组叶片故障诊断方法，其特征在于，S1.1：所述机组运行数据包括机组运行时的风轮转速信息、传声器采集的音频数据和云台相机的实时拍摄图片；S2.1：所述稳态分析包括：对机组当前时刻及前(t-1)秒时间内的机组风轮转速计算均值Rm，若t秒时间内数据保持在均值Rm附近上下波动，且波动范围在设定阈值Rr范围内，则判定机组运行状态稳定；S2.2：对采集到的t秒时间长度的音频数据做带通滤波，带通滤波的范围为[f1f2]；S2.3：对带通滤波后的音频数据进行包络谱分析，提取带通滤波后时域信号的上包络谱结合转速信息，对t秒长度数据截取连续多段叶片旋转一周的音频数据进行时域同步平均，截取的第一个周期音频数据的起点为t秒长度数据包络谱第一个极大值点衰减至a％对应的时刻，记录该时刻时间t0，后续截取的周期音频起点为前一个周期音频终点；对时域同步平均处理后得到的一个t秒内的音频数据进行三等分，得到叶片的音频数据。
9.根据权利要求8所述的一种风电机组叶片故障诊断方法，其特征在于，S3.1：对叶片的音频数据两两做互相关分析，得到三个互相关系数X12、X13、X23，当相关系数小于设定阈值Xr时，则说明该机组叶片存在问题；S3.2：提取与识别所述音频数据中故障音频的特征：提取音频数据的时域、频域、时频域特征，建立特征矩阵，导入已训练好的有监督神经网络模型，对故障类别进行诊断识别；对监督神经网络模型设置故障类别；S3.3：诊断云台相机拍摄的实时图片信息：对云台相机所拍摄叶片故障图片，人工辅助判别叶片故障程度。
10.根据权利要求9所述的一种风电机组叶片故障诊断方法，其特征在于，S3.4：将S3.2和S3.3中诊断的结果和叶片故障程度相互对比，结果一致则通过控制与报警模块发送故障报警信息，结果有异以S3.3的诊断结果为准，将故障音频数据与图片识别标签存储在神经网络样本库，并对样本库及模型进行更新优化；同时记录诊断一致性概率，当系统评估音频诊断与图片判别一致性达到95％后，无需再使用人工辅助。
CN202210975382.4A 2022-08-15 2022-08-15 一种风电机组叶片故障诊断系统与方法 Pending CN115560961A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210975382.4A CN115560961A (zh) 2022-08-15 2022-08-15 一种风电机组叶片故障诊断系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210975382.4A CN115560961A (zh) 2022-08-15 2022-08-15 一种风电机组叶片故障诊断系统与方法

Publications (1)

Publication Number Publication Date
CN115560961A true CN115560961A (zh) 2023-01-03

Family

ID=84739819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210975382.4A Pending CN115560961A (zh) 2022-08-15 2022-08-15 一种风电机组叶片故障诊断系统与方法

Country Status (1)

Country Link
CN (1) CN115560961A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118367672A (zh) * 2024-04-17 2024-07-19 乐清市正信技术咨询有限公司 一种电力设备智能化远程监控方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118367672A (zh) * 2024-04-17 2024-07-19 乐清市正信技术咨询有限公司 一种电力设备智能化远程监控方法

Similar Documents

Publication Publication Date Title
JP7199608B2 (ja) 風力タービン翼を検査するための方法および装置、ならびにそれらの機器および記憶媒体
CN113298134B (zh) 一种基于bpnn的风机叶片远程非接触健康监测系统和方法
CN109209783A (zh) 一种基于噪声检测叶片的雷击损伤的方法及装置
CN112727704B (zh) 一种叶片前缘腐蚀的监测方法及系统
CN112067701B (zh) 基于声学诊断的风机叶片远程听诊方法
DE102016117190A1 (de) Verfahren und Vorrichtung zum Überwachen eines Zustands wenigstens einer Windkraftanlage und Computerprogrammprodukt
CN111103137A (zh) 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法
CN114565006A (zh) 一种基于深度学习的风力发电机叶片损伤检测方法及系统
CN115560961A (zh) 一种风电机组叶片故障诊断系统与方法
CN116861303A (zh) 一种变电站数字孪生多源信息融合诊断方法
CN118067727B (zh) 一种转子焊接缺陷评定方法
CN117889786B (zh) 一种基于视觉的风电场站自动巡检方法及系统
CN112782421B (zh) 一种基于音频的转速识别方法
Dhanraj et al. Statistical data mining through credal decision tree classifiers for fault prediction on wind turbine blades using vibration signals
CN117932358A (zh) 一种智能远程电场故障诊断方法及系统
CN112465776A (zh) 一种基于风力机表面模糊图像的裂纹智能检测方法
CN111456915A (zh) 风机机舱内部部件的故障诊断装置及方法
CN116717461A (zh) 一种真空泵运行状态的智能监测方法及系统
CN114412729B (zh) 一种风机叶片损伤监测装置及其监测方法
CN115163426A (zh) 基于ai听诊的风机故障检测方法及系统、风机安全系统
CN116163894A (zh) 一种风电场风机叶片状态检测方法、系统及存储介质
EP4254261A1 (en) Blade fault diagnosis method, apparatus and system, and storage medium
CN115376302A (zh) 一种风机叶片故障预警方法、系统、设备及介质
CN114439702A (zh) 一种风力发电机的叶片状态监测方法和装置
CN114330413A (zh) 牵引电机轴承的故障类型辨识及定位方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination