CN102175449B - 基于风力机应变能响应的叶片故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于风力机应变能响应的叶片故障诊断方法，其步骤为：(1)通过对风力发电机组进行动力学建模和模态分析计算，获取风力发电机组叶片的前M阶固有频率和模态；(2)对风力发电机组通过有限元计算模拟叶片转动激励加载，得到对应于风力发电机组叶片前M阶机舱传感器设置点的应变能时域响应，再计算出应变能频域响应；(3)将对应于风力发电机组叶片前M阶机舱传感器设置点的应变能频域响应通过应变能及其变化率和支持向量机的方法获取风力发电机组叶片运行状态特征值，比较后得到诊断结果。本发明诊断方法简单易行、灵敏度以及精度较高、诊断成本较低、能够有效提高风力发电机组叶片安全性、可靠性，并且对叶片故障点定位、故障量化与预测准确。

Description

基于风力机应变能响应的叶片故障诊断方法

技术领域

本发明属于风力发电机组领域，尤其是一种基于风力机应变能响应的叶片故障诊断方法。

背景技术

随着风力机制造技术的进步和能源需求的日益增长，我国风力机的发展呈现出大型化、海洋化的趋势。叶片是风力机组捕获风能的关键部件，对风力机的正常运行至关重要。大型风力发电机叶片重达十几吨，造价昂贵，一般风力机叶片的设计寿命在二十年以上，但风力机所处的环境大都十分恶劣。尤其海上风力机与陆上风力机相比而言，运行条件更复杂。因此在通常情况下，风力机叶片运行两年即会发生胶衣磨损、脱落现象，甚至出现小砂眼和裂纹；三年左右叶片即会出现大量砂眼，叶脊迎风面尤为严重，风力机运行时产生阻力增加，叶片防雷能力降低；五年时即达到叶片损毁的事故的高发期，叶片外表面材料已被风沙磨损至极限，叶片粘合缝已经露出。这种状态下风力机的每次停车自振所引发的弯扭力都有可能使叶片的粘合处开裂，并在横向裂纹处折断。通腔砂眼在雨季会使叶片内进水，从而导致防雷指数降低，雷击叶片事故出现。六年左右，某些沿海的风力机叶片已经磨损到极限，叶片迎风面完全是凹凸不平的砂眼，叶片运转阻力增加，发电量下降。一旦叶片发生损伤，就会影响风力发电机组的运行，甚至造成风力发电机组的毁损。

根据现有数据分析叶片故障主要由两大类原因，其中一个原因为恶劣气候引起的大风以及环境温度的急剧变化导致风力发电机组叶片质量偏心、刚度损伤的故障，另外一个因素就是长期受到不同程度的振动导致的叶片疲劳损伤的裂纹故障等。目前的叶片振动故障只能监测100HZ以下的频率变化，也就是大风引起的剧烈振动才能使监测报警系统启动，使整个风力发电机组刹车，但由于不知故障类型和故障位置，故进行维修维护非常困难；另一方面，大型风力机叶片的前20阶固有频率才几赫兹，属于极低频振动，所以，目前对叶片故障不能实现有效的诊断。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于风力机应变能响应的叶片故障诊断方法，该诊断方法简单易行、灵敏度以及精度较高、诊断成本较低、能够有效提高风力发电机组叶片安全性、可靠性，并且对叶片故障点定位、故障量化与预测准确。

本发明解决其技术问题是通过以下技术方案实现的：

一种基于风力机应变能响应的叶片故障诊断方法，其诊断方法的步骤为：

(1)通过对风力发电机组进行动力学建模和模态分析计算，获取风力发电机组叶片的前M阶固有频率和模态，15≤M≤20；

(2)对风力发电机组通过有限元计算模拟叶片转动激励加载，得到对应于风力发电机组叶片前M阶机舱传感器设置点的应变能时域响应，再将应变能时域响应通过计算变为应变能频域响应；

(3)将对应于风力发电机组叶片前M阶机舱传感器设置点的应变能频域响应通过应变能及其变化率和支持向量机的方法获取风力发电机组叶片运行状态特征值，再与风力发电机组叶片正常状态特征值以及风力发电机组叶片故障状态特征值进行比较得到诊断结果。

而且，所述的风力发电机组叶片正常状态特征值获取方法为：

(1)通过对风力发电机组进行动力学建模和模态分析计算，获取风力发电机组叶片的前M阶固有频率和模态，根据叶片的振动特性找出叶片的危险点，15≤M≤20；

(2)对风力发电机组叶片前M阶的危险点通过有限元计算模拟正常运行状态，对风力发电机组通过有限元计算模拟叶片转动激励加载，得到对应于风力发电机组叶片前M阶危险点的机舱传感器设置点的应变能时域响应，再将应变能时域响应通过计算变为应变能频域响应；

(3)将对应于风力发电机组叶片前M阶危险点的机舱传感器设置点的应变能频域响应通过应变能及其变化率和支持向量机的方法获取风力发电机组叶片正常状态特征值。

而且，所述的风力发电机组叶片故障状态特征值获取的方法为：

(1)通过对风力发电机组进行动力学建模和模态分析计算，获取风力发电机组叶片的前M阶固有频率和模态，根据叶片的振动特性找出叶片的危险点，15≤M≤20；

(2)对风力发电机组叶片前M阶的危险点通过有限元计算模拟风力发电机组叶片故障，对风力发电机组通过有限元计算模拟叶片转动激励加载，得到对应于风力发电机组叶片前M阶危险点的机舱传感器设置点的应变能时域响应，再将应变能时域响应通过计算变为应变能频域响应；

(3)将对应于风力发电机组叶片前M阶危险点的机舱传感器设置点的应变能频域响应通过应变能及其变化率和支持向量机的方法获取风力发电机组叶片故障状态特征值。

而且，所述的风力发电机组叶片故障状态特征值为风力发电机组叶片质量偏心故障状态特征值或风力发电机组叶片刚度损伤故障状态特征值或风力发电机组叶片质量偏心和刚度损伤故障状态特征值。

本发明的优点和有益效果为：

1、本叶片故障诊断方法能够对风力发电机组叶片的异常运行提供诊断，通过对机舱传感器设置点的应变能响应信号的分析计算，快速准确的诊断风力发电机组叶片故障的位置和故障程度，为及时刹车、维修提供依据。

2、本叶片故障诊断方法对机舱传感器设置点的应变能频域响应用应变能及其变化率和支持向量机的方法获取叶片状态特征值，两种方法联合应用，提高了整个诊断方法的可靠性。

3、本叶片故障诊断方法还包括通过机舱传感器设置点的应变能频域响应获取风力发电机组叶片故障状损伤状态特征值能够精确找出风力发电机组叶片的故障损伤位置、故障损伤程度，缩短维修维护查找时间，提高维修维护的效率。

4、本发明诊断方法简单易行、灵敏度以及精度较高、诊断成本较低、能够有效提高风力发电机组叶片安全性、可靠性，并且对叶片故障点定位、故障量化与预测准确。

附图说明

图1为叶片质量偏心、损伤位置示意图；

图2为机舱传感器设置点的位置示意图；

图3为支持向量机损伤识别流程图；

图4为叶片上点1位置质量偏心下机舱传感器设置点的应变能频率响应变化率；

图5为叶片上点2位置质量偏心下机舱传感器设置点的应变能频率响应变化率；

图6为叶片上点3位置质量偏心下机舱传感器设置点的应变能频率响应变化率；

图7为叶片上点4位置质量偏心下机舱传感器设置点的应变能频率响应变化率；

图8为叶片上点5位置质量偏心下机舱传感器设置点的应变能频率响应变化率；

图9为叶片上点6位置质量偏心下机舱传感器设置点的应变能频率响应变化率；

图10为叶片上点7位置质量偏心下机舱传感器设置点的应变能频率响应变化率；

图11为叶片上点8位置质量偏心下机舱传感器设置点的应变能频率响应变化率；

图12为叶片上点9位置质量偏心下机舱传感器设置点的应变能频率响应变化率；

图13为叶片上点10位置质量偏心下机舱传感器设置点的应变能频率响应变化率；

图14为叶片上点11位置质量偏心下机舱传感器设置点的应变能频率响应变化率；

图15为叶片上点12位置质量偏心下机舱传感器设置点的应变能频率响应变化率；

图16为对质量偏心位置的分类结果；

图17为对刚度损伤的位置的分类结果；

图18为对任意质量偏心的预测结果；

图19为对任意损伤程度的预测结果。

具体实施方式

下面通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。

一种基于风力机应变能响应的叶片故障诊断方法，风力机叶片主要由叶脊13；叶覆14；叶刃15构成，其诊断方法的步骤为：

(1)通过对风力发电机组进行动力学建模和模态分析计算，获取风力发电机组叶片的前M阶固有频率和模态，15≤M≤20；

(2)对风力发电机组通过有限元计算模拟叶片转动激励加载，得到对应于风力发电机组叶片前M阶机舱传感器设置点16的应变能时域响应，再将应变能时域响应通过计算变为应变能频域响应；

(3)将对应于风力发电机组叶片前M阶机舱传感器设置点的应变能频域响应通过应变能及其变化率和支持向量机的方法获取风力发电机组叶片运行状态特征值，再与风力发电机组叶片正常状态特征值以及风力发电机组叶片故障状态特征值进行比较得到诊断结果，风力发电机组叶片正常状态特征值获取方法为：

(1)通过对风力发电机组进行动力学建模和模态分析计算，获取风力发电机组叶片的前M阶固有频率和模态，根据叶片的振动特性找出叶片的危险点，该危险点就是叶片质量或刚度的薄弱点，15≤M≤20；

(2)对风力发电机组叶片前M阶的危险点通过有限元计算模拟正常运行状态，对风力发电机组通过有限元计算模拟叶片转动激励加载，得到对应于风力发电机组叶片前M阶危险点的机舱传感器设置点的应变能时域响应，再将应变能时域响应通过计算变为应变能频域响应；

(3)将对应于风力发电机组叶片前M阶危险点的机舱传感器设置点的应变能频域响应通过应变能及其变化率和支持向量机的方法获取风力发电机组叶片正常状态特征值。

本方法还包括获取风力发电机组叶片故障状态特征值，该风力发电机组叶片故障状态特征值获取的方法为：

(1)通过对风力发电机组进行动力学建模和模态分析计算，获取风力发电机组叶片的前M阶固有频率和模态，根据叶片的振动特性找出叶片的危险点，15≤M≤20；

(2)对风力发电机组叶片前M阶的危险点通过有限元计算模拟风力发电机组叶片故障，对风力发电机组通过有限元计算模拟叶片转动激励加载，得到对应于风力发电机组叶片前M阶危险点的机舱传感器设置点的应变能时域响应，再将应变能时域响应通过计算变为应变能频域响应；

(3)将对应于风力发电机组叶片前M阶危险点的机舱传感器设置点的应变能频域响应通过应变能及其变化率和支持向量机的方法获取风力发电机组叶片故障状态特征值，该风力发电机组叶片故障状态特征值为风力发电机组叶片质量偏心故障状态特征值或风力发电机组叶片刚度损伤故障状态特征值或风力发电机组叶片质量偏心和刚度损伤故障状态特征值。进一步说该风力发电机组叶片故障状态特征值为叶片不同危险点加偏心质量故障状态特征值或者叶片不同危险点加刚度损伤故障状态特征值或者叶片同一危险点加不同偏心质量和叶片同一危险点加不同刚度损伤故障状态特征值。

上述对正常或者故障或者运行状态下获取风力发电机组机舱传感器设置点的应变能频域响应的方法均为：

用有限元方法将风力发电机组结构划分为N个自由度，n个单元的振动系统，其自由振动方程为：

$M\left\{\stackrel{\·\·}{X}\right\}+C\left\{\stackrel{\·}{X}\right\}+K\left\{X\right\}=0$ 式(1)

这里M、C和K分别是系统的N阶质量矩阵、阻尼矩阵和刚度矩阵；向量{X}为节点的位移向量；

分别为节点的速度和加速度向量。通过模态计算分析可得到叶片前M阶的固有频率和模态。对于风轮转动激振力F(t)的位移时域响应{X}由式(2)获得；对于任一单元i，通过式(3)计算获得其单元应变时域响应{ε}_i和单元应变能时域响应V(t)_i。

$M\left\{\stackrel{\·\·}{X}\right\}+C\left\{\stackrel{\·}{X}\right\}+K\left\{X\right\}=F\left(t\right)$ 式(2)

{ε}_i＝[B]_i{x_}i，V(t)_i＝1/2∫{σ}_i ^T{ε}_idv    式(3)

式(3)中，[B]_i为单元i的几何矩阵，{σ}_i为单元i的应力列阵。

将获取的风力发电机组任一单元i的应变能时域响应V(t)_i按式(4)进行傅立叶变换，得到其频域响应V(jω)_i：

V(jω)_i＝∫V(t)_ie^-jωtdt    式(4)

根据风力发电机组叶片的前M阶固有频率和模态，对于任一单元i都可提取到对应叶片前M阶的应变能频域响应为G(f)_i，f＝ω/2π。

通过从风力发电机组机舱传感器设置点的应变能频域响应中，提取对应于风力发电机组叶片前M阶机舱传感器设置点的应变能频域响应(15≤M≤20)；将对应于风力发电机组叶片前M阶机舱传感器设置点的应变能频域响应通过应变能及其变化率和支持向量机的方法获取风力发电机组叶片运行状态特征值，再与风力发电机组叶片正常状态特征值以及风力发电机组叶片故障状态特征值进行比较得到诊断结果。

应变能及其变化率和支持向量机的方法为现有技术方法，下面作简单介绍：

1.诊断原理方法

(1)应变能及其变化率

设任意单元i(i＝1，2，...，n)损伤状态下应变能频域响应向量为G^d _i＝(G^d _i1，G^d _i2，...，G^d _im)，正常状态的应变能频域响应向量为G_i＝(G_i1，G_i2，...，G_im)，m为该单元应变能频域响应的频域采样点个数；则任一单元i的应变能变化率向量为SECR_i，第j(j＝1，2，...，m)个应变能变化率为：

SECR_ij＝(G^d _ij-G_ij)/G_ij             式(5)

(2)支持向量机的诊断原理

支持向量机从本质上讲是一种前向神经网络，根据结构风险最小化准则，在使训练样本分类误差极小化的前提下，尽量提高分类器的泛化推广能力。从实施的角度，训练支持向量机的核心思想等价于求解一个线性约束的二次规划问题，从而构造一个超平面作为决策平面，使得特征空间中两类模式之间的距离最大，而且它能保证得到的解为全局最优解。

(a)支持向量机分类算法是从线性可分情况下的最优分类面提出的。所谓最优分类面就是要求分类面不但能将两类样本点无错误地分开，而且要使两类的分类空隙最大。

设样本集为：(y₁，x₁)，·，(y_l，x_l)，x∈Rⁿ，y∈R，d维空间中线性判别函数的一般形式为g(x)＝w^Tx+b，则分类面方程是w^Tx+b＝0。

在进行分类前，一般需要将判别函数进行归一化，使两类所有样本都满足|g(x)|≥1，此时离分类面最近的样本|g(x)|＝1，而要求分类面对所有样本都能正确分类，就是要求它满足

y_i(w^Tx_i+b)-1≥0，i＝1，2，·，n  式(6)

式(6)中使等号成立的那些样本叫做支持向量(Support Vectors)。两类样本的分类空隙(Margin)的间隔大小：

$M\arg \mathrm{in}=\frac{2}{\left|\right|w\left|\right|}$ 式(7)

最优分类面问题可以表示成如下的约束优化问题，即在式(6)的约束下，求函数式(7)的最小值：

式(8)

非线性可分的情况可以采用核函数的方法，通过核函数映射使之转化为一个在高维特征空间中构造线性分类超平面的问题。

(b)对于支持向量机的回归预测问题，回归函数用下列线性方程来表示：

f(x)＝w^Tx+b    式(9)

最佳回归函数通过求以下函数的最小极值得出：

$\mathrm{\Φ}(w,{\mathrm{\ξ}}^{*},\mathrm{\ξ})=\frac{1}{2}{\left|\right|w\left|\right|}^2+C(\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i+\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{{\mathrm{\ξ}}^{*}}_i)$ 式(10)

式(10)中，C为设定的惩罚因子值，ξ、ξ^*为松弛变量的上限与下限。

至于非线性回归，则类似于分类问题，可以通过非线性映射将数据映射到高维的特征空间中，在其中就可以进行线性回归，从而实现对非线性数量管理的预测。

用支持向量机的分类算法，可以进行叶片故障损伤位置识别；用支持向量机回归方法，可以进行叶片故障损伤程度的识别，其支持向量机损伤识别流程如图3所示。

2.应变能及其变化率和支持向量机方法对叶片故障损伤识别举例

当风力机组叶片发生损伤时，叶片上的响应变化很明显，由于机组各部件的传递特性、阻尼等因素反应在机舱传感器设置点的响应变化很小，虽然小，叶片损伤与机舱传感器设置点的响应也必然存在着某些相似性及关联特性。为了寻找这种关联特性，有效地用机舱传感器设置点的应变能频域响应进行叶片的故障损伤识别与诊断，需要对机舱传感器设置点的应变能频域响应数据用应变能及其变化率和支持向量机的方法进行分析、处理。

(1)叶片质量偏心位置的识别

对图1所示叶片的各点分别设置相同的偏心质量，通过计算得到对应于各偏心质量状况下机舱传感器设置点的应变能频域响应变化率曲线，如图4-图15所示。从图4-图15可以看出，在叶脊展向的不同位置上(点1、2、3和4)分别设置偏心时，它们各自对应的机舱传感器设置点的应变能变化率曲线有显著不同；而在各同一展向、不同弦向的位置上，即图1中的点1、5、9；点2、6、10；点3、7、11；点4、8、12上分别设置偏心时，它们各自对应的机舱传感器设置点的应变能频域响应变化率曲线却有高度的相似关联特性。由此可见，机舱传感器设置点的应变能频域响应变化率曲线具有直观的优点，可准确识别出叶片展向的质量偏心位置，但要精确地预测出各同一展向、不同弦向的质量偏心位置，则需要对机舱传感器设置点的应变能频域响应变化率应用分类方法对故障位置进行准确的识别。

应用支持向量机方法对机舱传感器设置点的应变能频域响应变化率的数据进行分类。因叶片展向的点1、2、3、4分别存在质量偏心时的应变能变化率数据包含了该展向上频域响应所有类别得数据，因此，可以用这4组数据进行支持向量机训练；依次可将其它两展向的8组数据进行分类测试，将所有应变能频域响应变化率数据代入支持向量机模型，通过计算得到的分类结果如图16所示。从图16中的实际分类17和预测测试分类18的两组数据点可以看出，两组数据点分类结果一致；这表明，把点1、5、9的数据结果分类在距叶根10m处，点2、6、10的数据结果分类在距叶根23.09m处，点3、7、11的数据结果分类在距叶根33.76m处，点4、8、12的数据结果分类在距叶根41.52m处，即把质量偏心位置按展向位置都进行了正确分类；同样也把不同弦向位置的质量偏心位置(即叶脊、叶腹、叶刃)进行了正确的分类，即叶脊上的点1、2、3和4被分类在不同的弦向位置，叶腹上的点5、6、7、8被分类在不同的弦向位置，叶刃上的点9、10、11、12也被分类在不同的弦向位置。说明应用应变能及其变化率和支持向量机分类方法能将叶片不同展向、弦向位置的质量偏心进行正确的识别。

(2)对叶片刚度损伤位置的识别

与上述方法相似，不同的是将图1中的各点设置为相同的刚度损伤。用机舱传感器设置点的应变能变化率数据进行支持向量机分类训练。分类结果如图17所示，图17中的实际分类19，预测测试分类20从图17中的数据点可以看出，均对不同展向的刚度损伤位置和不同弦向的刚度损伤位置进行了正确的分类。

可见，基于机舱传感器设置点的应变能频率响应变化率和支持向量机分类方法，对叶片的质量偏心和刚度损伤的位置识别不仅可行，且诊断识别精度高。

(3)对叶片质量偏心和刚度损伤的预测

(a)对同一位置不同质量偏心的预测

在图1的叶刃上的点12，分别设置5Kg、10Kg、15Kg、20Kg、25Kg五种不同的偏心质量，分别计算机舱传感器设置点的应变能频域响应变化率。将得到的机舱传感器设置点的应变能频域响应变化率数据与对应的质量偏心的数据作为训练样本进行支持向量机训练。然后重新设置任意偏心质量18Kg，将此情况下机舱传感器设置点的应变能频域响应变化率数据作为测试样本，代入训练好的支持向量机进行测试，图18为通过计算得到的叶刃上点12的三组偏心质量数值，分别为原始数据21、训练结果22和预测结果23，三组计算结果比较一致。重新设置任意偏心质量的预测结果为17.89Kg，与实际设置的偏心质量18Kg的相对误差为-0.61％。

(b)对同一位置不同损伤程度的预测

在图1的叶刃上的点12，分别设置10％、20％、30％、40％四种不同的的刚度损伤，分别计算机舱传感器设置点的应变能频域响应的变化率。将得到的机舱传感器设置点的应变能频域响应变化率数据与对应的刚度损伤的数据作为训练样本进行支持向量机训练。然后再重新设置任一程度的刚度损伤50％。将此时的机舱传感器设置点的应变能变化率数据作为测试样本，代入训练好的支持向量机模型进行测试。通过计算得到叶刃上点12的三组刚度损伤的计算结果，分别为原始数据24、训练结果25和预测结果26，三组计算结果比较一致，如图19所示，重新设置任意刚度损伤的预测结果为47.95％，与实际设置的刚度损伤50％的相对误差为-4.1％。

研究结果表明，基于机舱传感器设置点的应变能频率响应变化率，采用应变能及其变化率和支持向量机的方法，可有效准确地识别出叶片质量偏心与刚度损伤的不同位置和不同程度。这将对基于风力机组的振动响应实现风力机叶片的运行监测提供一个极好的前景。

Claims (4)

1.一种基于风力机应变能响应的叶片故障诊断方法，其特征在于：该诊断方法的步骤为：

(1)通过对风力发电机组进行动力学建模和模态分析计算，获取风力发电机组叶片的前M阶固有频率和模态，15≤M≤20；

(2)对风力发电机组通过有限元计算模拟叶片转动激励加载，得到对应于风力发电机组叶片前M阶机舱传感器设置点的应变能时域响应，再将应变能时域响应通过计算变为应变能频域响应；

(3)将对应于风力发电机组叶片前M阶机舱传感器设置点的应变能频域响应通过应变能及其变化率和支持向量机的方法获取风力发电机组叶片运行状态特征值，再与风力发电机组叶片正常状态特征值以及风力发电机组叶片故障状态特征值进行比较得到诊断结果。

2.根据权利要求1所述的基于风力机应变能响应的叶片故障诊断方法，其特征在于：所述的风力发电机组叶片正常状态特征值获取方法为：

①通过对风力发电机组进行动力学建模和模态分析计算，获取风力发电机组叶片的前M阶固有频率和模态，根据叶片的振动特性找出叶片的危险点，15≤M≤20；

②对风力发电机组叶片前M阶的危险点通过有限元计算模拟正常运行状态，对风力发电机组通过有限元计算模拟叶片转动激励加载，得到对应于风力发电机组叶片前M阶危险点的机舱传感器设置点的应变能时域响应，再将应变能时域响应通过计算变为应变能频域响应；

③将对应于风力发电机组叶片前M阶危险点的机舱传感器设置点的应变能频域响应通过应变能及其变化率和支持向量机的方法获取风力发电机组叶片正常状态特征值。

3.根据权利要求1所述的基于风力机应变能响应的叶片故障诊断方法，其特征在于：所述的风力发电机组叶片故障状态特征值获取的方法为：

①通过对风力发电机组进行动力学建模和模态分析计算，获取风力发电机组叶片的前M阶固有频率和模态，根据叶片的振动特性找出叶片的危险点，15≤M≤20；

②对风力发电机组叶片前M阶的危险点通过有限元计算模拟风力发电机组叶片故障，对风力发电机组通过有限元计算模拟叶片转动激励加载，得到对应于风力发电机组叶片前M阶危险点的机舱传感器设置点的应变能时域响应，再将应变能时域响应通过计算变为应变能频域响应；

③将对应于风力发电机组叶片前M阶危险点的机舱传感器设置点的应变能频域响应通过应变能及其变化率和支持向量机的方法获取风力发电机组叶片故障状态特征值。

4.根据权利要求3所述的基于风力机应变能响应的叶片故障诊断方法，其特征在于：所述的风力发电机组叶片故障状态特征值为风力发电机组叶片质量偏心故障状态特征值或风力发电机组叶片刚度损伤故障状态特征值或风力发电机组叶片质量偏心和刚度损伤故障状态特征值。

Images