CN111400961B - 风力发电机组叶片故障判断方法及装置 - Google Patents

风力发电机组叶片故障判断方法及装置 Download PDF

Info

Publication number
CN111400961B
CN111400961B CN202010097828.9A CN202010097828A CN111400961B CN 111400961 B CN111400961 B CN 111400961B CN 202010097828 A CN202010097828 A CN 202010097828A CN 111400961 B CN111400961 B CN 111400961B
Authority
CN
China
Prior art keywords
operation sound
characteristic value
generating set
wind generating
blade
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.)
Active
Application number
CN202010097828.9A
Other languages
English (en)
Other versions
CN111400961A (zh
Inventor
杨林
张国勇
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.)
SGS CSTC Standards Technical Services Co Ltd
Original Assignee
SGS CSTC Standards Technical Services 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 SGS CSTC Standards Technical Services Co Ltd filed Critical SGS CSTC Standards Technical Services Co Ltd
Priority to CN202010097828.9A priority Critical patent/CN111400961B/zh
Publication of CN111400961A publication Critical patent/CN111400961A/zh
Application granted granted Critical
Publication of CN111400961B publication Critical patent/CN111400961B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T7/0004—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了风力发电机组叶片故障判断方法，包括：采集风力发电机组叶片的第一运行声音信号和第二运行声音信号，并根据所述第一运行声音信号和所述第二运行声音信号提取运行声音特征值；采集风力发电机组叶片上设定区域的图像，并对采集的图像进行识别分析，提取表观特征值；采集风力发电机组的外部环境参数；获取待测风力发电机组叶片的运行声音特征值，输入神经网络预测模型，将输出的下一时刻的运行声音特征值与实际的运行声音特征值进行比较，若误差大于设定阈值，则判断待测风力发电机组叶片存在故障。本发明还提供了风力发电机组叶片故障判断装置。本发明能够持续对风力发电机组叶片进行监测，并较快给出判断结果，成本较低。

Description

风力发电机组叶片故障判断方法及装置
技术领域
本发明涉及风力发电领域。更具体地说，本发明涉及一种风力发电机组叶片故障判断方法及装置。
背景技术
叶片是风力发电机组的重要部件。在强风负荷、沙粒冲击、水气腐蚀等因素影响下，容易出现裂缝、磨损、腐蚀等缺陷，如不能及时发现，将对风力发电造成较严重的影响。由于叶片实时在运行，停机检测比较麻烦，成本较高。因此，亟需设计一种能够一定程度克服上述缺陷的技术方案。
发明内容
本发明的一个目的是提供一种风力发电机组叶片故障判断方法及装置，其能够持续对风力发电机组叶片进行监测，并较快给出判断结果，成本较低。
为了实现根据本发明的这些目的和其它优点，提供了风力发电机组叶片故障判断方法，包括：
采集风力发电机组叶片的第一运行声音信号和第二运行声音信号，并根据所述第一运行声音信号和所述第二运行声音信号提取运行声音特征值，所述第一运行声音信号和所述第二运行声音信号分别来源于风力发电机组的内部声音和外部声音；
采集风力发电机组叶片上设定区域的图像，并对采集的图像进行识别分析，提取表观特征值；
采集风力发电机组的外部环境参数；
以上一时刻的运行声音特征值、上一时刻的表观特征值以及上一时刻的外部环境参数作为输入，以下一时刻的运行声音特征值为输出，训练获得神经网络预测模型；
获取待测风力发电机组叶片的运行声音信号及运行声音特征值，输入神经网络预测模型，将输出的下一时刻的运行声音特征值与实际的运行声音特征值进行比较，若误差大于设定阈值，则判断待测风力发电机组叶片存在故障。
优选的是，所述的风力发电机组叶片故障判断方法，所述第一运行声音信号采集至轮毂内部，所述第二运行声音信号采集至轮毂外部。
优选的是，所述的风力发电机组叶片故障判断方法，对于设定区域的图像采集，每次的采集角度相同。
优选的是，所述的风力发电机组叶片故障判断方法，所述声音特征值至少包括频率、幅值或相位。
优选的是，所述的风力发电机组叶片故障判断方法，所述表观特征值为纹理特征值。
优选的是，所述的风力发电机组叶片故障判断方法，所述外部环境参数至少包括环境温度、环境湿度、环境风力、环境风速。
优选的是，所述的风力发电机组叶片故障判断方法，采用的神经网络为LSTM神经网络。
本发明还提供了风力发电机组叶片故障判断装置，包括：
处理器；
存储器，其存储有可执行指令；
其中，所述处理器被配置为执行所述可执行指令，以执行所述的风力发电机组叶片故障判断方法。
本发明至少包括以下有益效果：
本发明利用神经网络，通过上一时刻的运行声音特征值、上一时刻的表观特征值以及上一时刻的外部环境参数预测下一时刻的运行声音特征值，并与实际运行声音特征值比对，据此判断叶片是否出现缺陷或故障。相比于现有技术，判断速度快，操作简洁，成本较低，并且能够实时持续监测，适应风力发电机组持续运行的状态。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
在一种技术方案中，如图1所示，风力发电机组叶片故障判断方法，包括：
采集风力发电机组叶片的第一运行声音信号和第二运行声音信号，并根据所述第一运行声音信号和所述第二运行声音信号提取运行声音特征值，所述第一运行声音信号和所述第二运行声音信号分别来源于风力发电机组的内部声音和外部声音；
采集风力发电机组叶片上设定区域的图像，并对采集的图像进行识别分析，提取表观特征值；
采集风力发电机组的外部环境参数；
以上一时刻的运行声音特征值、上一时刻的表观特征值以及上一时刻的外部环境参数作为输入，以下一时刻的运行声音特征值为输出，训练获得神经网络预测模型；
获取待测风力发电机组叶片的运行声音信号及运行声音特征值，输入神经网络预测模型，将输出的下一时刻的运行声音特征值与实际的运行声音特征值进行比较，若误差大于设定阈值，则判断待测风力发电机组叶片存在故障。
在上述技术方案中，通过传感器采集第一运行声音信号和第二运行声音信号，第一运行声音信号和第二运行声音信号分别代表内部运行声音和外部运行声音，提取第一运行声音信号和第二运行声音信号的运行声音特征值，如频率、幅值或相位等，反映叶片的整体运行状况。利用摄像头等设备采集特定区域的图像，如无人机采集等方式，根据图像提取表观特征值，即叶片的纹理特征。外部环境参数包括外部的天气状况，即影响叶片运行的环境因素。将上一时刻的运行声音特征值、表观特征值及外部环境参数输入神经网络，以下一时刻的运行声音特征值作为输出，训练获得神经网络预测模型。在实际监测过程，持续采集运行声音特征值、表观特征值及外部环境参数，并输入神经网络预测模型，输出下一时刻的运行声音特征值，并与实际值比较，当存在误差，且较显著时，即判定叶片存在故障。上一时刻与下一时刻的间隔可以根据需要缺陷，例如一般可以确定为2小时。设定阈值可以根据统计或经验确定，例如可以是10％以上。可以看出，本技术方案利用神经网络，通过上一时刻的运行声音特征值、上一时刻的表观特征值以及上一时刻的外部环境参数预测下一时刻的运行声音特征值，并与实际运行声音特征值比对，据此判断叶片是否出现故障。相比于现有技术，判断速度快，操作简洁，成本较低，并且能够实时持续监测，适应风力发电机组持续运行的状态。
在另一种技术方案中，所述的风力发电机组叶片故障判断方法，所述第一运行声音信号采集至轮毂内部，所述第二运行声音信号采集至轮毂外部。本技术方案提供了优选的第一运行声音信号和第二运行声音信号的采集位置，使得得到的运行声音特征值更能翻译叶片的运行状况。
在另一种技术方案中，所述的风力发电机组叶片故障判断方法，对于设定区域的图像采集，每次的采集角度相同。本技术方案提供了优选的图像采集方式，定位置采集方便持续监测，避免错误。
在另一种技术方案中，所述的风力发电机组叶片故障判断方法，所述运行声音特征值至少包括频率、幅值或相位。本技术方案提供了运行声音特征值的优选内容。
在另一种技术方案中，所述的风力发电机组叶片故障判断方法，所述表观特征值为纹理特征值。本技术方案中，纹理特征值反映图像的纹理特征，反映叶片表观的微小特征。
在另一种技术方案中，所述的风力发电机组叶片故障判断方法，所述外部环境参数至少包括环境温度、环境湿度、环境风力、环境风速。本技术方案中，提供了优选的影响运行声音信号的外部环境参数。
在另一种技术方案中，所述的风力发电机组叶片故障判断方法，采用的神经网络为LSTM神经网络。本技术方案提供了优选的神经网络，LSTM是一种时间循环神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的系统。
本发明还提供了风力发电机组叶片故障判断装置，包括：
处理器；
存储器，其存储有可执行指令；
其中，所述处理器被配置为执行所述可执行指令，以执行所述的风力发电机组叶片故障判断方法。
本技术方案基于与风力发电机组叶片故障判断方法相同的发明构思得到，可参考方法部分的描述。本技术方案的装置不限于pc、终端、服务器。比如此装置可以设置在服务器中，间隔设定时间自动执行输入、计算、输出、判断。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明风力发电机组叶片故障判断方法及装置的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (2)

1.风力发电机组叶片故障判断方法，其特征在于，包括：
采集风力发电机组叶片的第一运行声音信号和第二运行声音信号，并根据所述第一运行声音信号和所述第二运行声音信号提取运行声音特征值，所述第一运行声音信号和所述第二运行声音信号分别来源于风力发电机组的内部声音和外部声音；
采集风力发电机组叶片上设定区域的图像，并对采集的图像进行识别分析，提取表观特征值；
采集风力发电机组的外部环境参数；
以上一时刻的运行声音特征值、上一时刻的表观特征值以及上一时刻的外部环境参数作为输入，以下一时刻的运行声音特征值为输出，训练获得神经网络预测模型；
获取待测风力发电机组叶片的运行声音信号及运行声音特征值，输入神经网络预测模型，将输出的下一时刻的运行声音特征值与实际的运行声音特征值进行比较，若误差大于设定阈值，则判断待测风力发电机组叶片存在故障；
所述第一运行声音信号采集自轮毂内部，所述第二运行声音信号采集自轮毂外部；
对于设定区域的图像采集，每次的采集角度相同；
所述运行声音特征值至少包括频率、幅值或相位；
所述表观特征值为纹理特征值；
所述外部环境参数至少包括环境温度、环境湿度、环境风力、环境风速；
采用的神经网络为LSTM神经网络。
2.风力发电机组叶片故障判断装置，其特征在于，包括：
处理器；
存储器，其存储有可执行指令；
其中，所述处理器被配置为执行所述可执行指令，以执行权利要求1所述的风力发电机组叶片故障判断方法。
CN202010097828.9A 2020-02-17 2020-02-17 风力发电机组叶片故障判断方法及装置 Active CN111400961B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010097828.9A CN111400961B (zh) 2020-02-17 2020-02-17 风力发电机组叶片故障判断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010097828.9A CN111400961B (zh) 2020-02-17 2020-02-17 风力发电机组叶片故障判断方法及装置

Publications (2)

Publication Number Publication Date
CN111400961A CN111400961A (zh) 2020-07-10
CN111400961B true CN111400961B (zh) 2023-09-19

Family

ID=71432659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010097828.9A Active CN111400961B (zh) 2020-02-17 2020-02-17 风力发电机组叶片故障判断方法及装置

Country Status (1)

Country Link
CN (1) CN111400961B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112185070B (zh) * 2020-09-11 2021-12-17 珠海格力电器股份有限公司 故障预警方法、存储介质及电子设备
CN112378605B (zh) * 2020-10-19 2023-06-27 大唐（赤峰）新能源有限公司 一种基于emd分解自学习的风电机组叶片故障识别方法
CN112363020A (zh) * 2020-11-11 2021-02-12 国网江苏省电力有限公司盐城供电分公司 一种基于不同天气的输配电线路声音异常检测方法
CN112727705A (zh) * 2020-12-23 2021-04-30 蚌埠学院 风力发电机组桨叶监测探伤方法
CN114483417B (zh) * 2022-01-10 2023-06-16 中国长江三峡集团有限公司 一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法
CN116228761B (zh) * 2023-05-08 2023-10-20 中交第四公路工程局有限公司 一种钢结构刚度损伤评价方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011023596A1 (en) * 2009-08-28 2011-03-03 Siemens Aktiengesellschaft Method and system for monitoring wind turbine generator vibration
CN103982378A (zh) * 2014-04-25 2014-08-13 广东电网公司电力科学研究院 基于机器视觉图像对电力系统风力发电机叶片表面结冰故障进行诊断的方法
CN104215640A (zh) * 2014-08-18 2014-12-17 南京航空航天大学 基于无人直升机的风电叶片缺陷损伤检查方法及检查系统
CN104236879A (zh) * 2014-08-25 2014-12-24 合肥工业大学 基于机器视觉的发动机叶片动静态检测方法
CN106404377A (zh) * 2016-11-10 2017-02-15 西安交通大学 一种基于声学成像技术的变压器机械故障诊断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103380294B (zh) * 2011-01-20 2016-05-18 维斯塔斯风力系统集团公司 用于诊断监视风力涡轮发电机系统的方法
WO2015100577A1 (en) * 2013-12-31 2015-07-09 Siemens Aktiengesellschaft Devices and methods for arc fault detection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011023596A1 (en) * 2009-08-28 2011-03-03 Siemens Aktiengesellschaft Method and system for monitoring wind turbine generator vibration
CN103982378A (zh) * 2014-04-25 2014-08-13 广东电网公司电力科学研究院 基于机器视觉图像对电力系统风力发电机叶片表面结冰故障进行诊断的方法
CN104215640A (zh) * 2014-08-18 2014-12-17 南京航空航天大学 基于无人直升机的风电叶片缺陷损伤检查方法及检查系统
CN104236879A (zh) * 2014-08-25 2014-12-24 合肥工业大学 基于机器视觉的发动机叶片动静态检测方法
CN106404377A (zh) * 2016-11-10 2017-02-15 西安交通大学 一种基于声学成像技术的变压器机械故障诊断方法

Also Published As

Publication number Publication date
CN111400961A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN111400961B (zh) 风力发电机组叶片故障判断方法及装置
CN110688617B (zh) 风机振动异常检测方法及装置
CN110378042B (zh) 基于scada数据的风电机组齿轮箱油温异常检测方法及系统
CN109139390B (zh) 一种基于声信号特征库的风机桨叶故障识别方法
WO2023279382A1 (zh) 一种电机轴承运行状态故障检测方法及系统
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
CN115640503B (zh) 风电机组叶片异常检测方法和装置
CN114061743A (zh) 风力发电机组的振动监测方法、装置、设备及介质
CN115859148A (zh) 风机叶片振动报警方法及装置
He et al. A non-intrusive approach for fault detection and diagnosis of water distribution systems based on image sensors, audio sensors and an inspection robot
CN114593020A (zh) 风电机组叶片结冰监测预警方法、装置及电子设备
CN115374653B (zh) 基于nset模型的风力发电机温度预警方法及相关装置
CN109872511B (zh) 一种针对轴向位移突变监测的自适应两级报警方法
CN111456915A (zh) 风机机舱内部部件的故障诊断装置及方法
US11339763B2 (en) Method for windmill farm monitoring
CN112560916B (zh) 基于倾角传感器信息的风电塔筒倾覆智能诊断方法
CN115712860A (zh) 风机叶片振动报警方法及装置
AU2021415086B2 (en) Blade fault diagnosis method, apparatus and system, and storage medium
CN115950957A (zh) 一种轴流式水轮发电机组螺栓失效预警方法及系统
CN112525336B (zh) 一种机械设备振动连续增长的自动化检测方法
CN114689321A (zh) 风力发电机组的轴承故障诊断方法、装置、电子设备
CN109357751B (zh) 一种电力变压器绕组松动缺陷检测系统
CN112699598A (zh) 齿轮箱油温异常智能诊断方法及装置
Zheng et al. Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration

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
GR01 Patent grant
GR01 Patent grant