CN112378605A - 一种基于emd分解自学习的风电机组叶片故障识别方法 - Google Patents

一种基于emd分解自学习的风电机组叶片故障识别方法 Download PDF

Info

Publication number
CN112378605A
CN112378605A CN202011116165.7A CN202011116165A CN112378605A CN 112378605 A CN112378605 A CN 112378605A CN 202011116165 A CN202011116165 A CN 202011116165A CN 112378605 A CN112378605 A CN 112378605A
Authority
CN
China
Prior art keywords
wind turbine
blade
turbine generator
sound signal
identification method
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.)
Granted
Application number
CN202011116165.7A
Other languages
English (en)
Other versions
CN112378605B (zh
Inventor
冯强
苗继春
陈继录
丛智慧
丛聪
曹庆才
张树晓
党群
马亮
张路娜
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.)
Datang Chifeng New Energy Co ltd
China Datang Corp Renewable Power Co Ltd
Original Assignee
Datang Chifeng New Energy Co ltd
China Datang Corp Renewable Power 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 Datang Chifeng New Energy Co ltd, China Datang Corp Renewable Power Co Ltd filed Critical Datang Chifeng New Energy Co ltd
Priority to CN202011116165.7A priority Critical patent/CN112378605B/zh
Publication of CN112378605A publication Critical patent/CN112378605A/zh
Application granted granted Critical
Publication of CN112378605B publication Critical patent/CN112378605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0016—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of aircraft wings or blades
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0033—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining damage, crack or wear
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0041—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining deflection or stress
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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

Abstract

本发明涉及一种基于EMD分解自学习的风电机组叶片故障识别方法，包括：步骤一，采集风电机组叶片声音信号在线监测数据，并对采集的监测数据进行EMD分解；步骤二，将EMD分解后的声音信号与正常声音信息进行比较，若存在差异，获取差异信息对应的IMF分量，并启动视频监测设备采集差异信息对应的风电机组叶片的视频图像数据；步骤三，基于BP神经网络的图像识别方法对采集的视频图像进行识别，得到风电机组叶片故障识别结果。本发明无需进行大量的人工筛选，当叶片出现故障时声音信号出现异常，通过触发视频监测，对高清视频监测图片内叶片表面裂纹、雷击、断裂等进行判断，进而对故障声信号进行标识，适用于对风电机组叶片的声音微弱信号进行检测。

Description

一种基于EMD分解自学习的风电机组叶片故障识别方法
技术领域
本发明属于风电机组故障诊断技术领域，尤其涉及一种基于EMD分解自学习的风电机组叶片故障识别方法。
背景技术
随着气候变暖与化石能源的消耗，风能作为一种清洁无污染、持续可再生能源得到了快速地发展。目前我国风电技术发展日趋成熟，风电机组性能也获得了极大提升。风电机组主要由大型叶片、齿轮箱、主轴、制动系统、发电机、开关设备、互感器、升压变压器、变流器等部件构成，对风电机组关键部分的运行状态的识别与检测成为风电场运行的一大重要部分。
随着风电发展，我国很多风资源丰富区域已被开发殆尽，对于资源较差区域的风电场建设，为捕获更多风能，具有更大风轮直径的大容量风电机组成为必然选择。目前风电机组单叶片弦长可达80米，但机组大型化的同时，叶轮和叶片所承载的载荷和扭矩也急剧增加，大大增加了叶片的故障几率。叶片的故障识别成为风电机组大型化发展趋势下，不可或缺的关键技术。
目前，对于风电机组叶片的故障识别方法主要分为两类：一类是对信号检测，包括振动信号与声音信号两种；一类是运行工况参数检测。其中，声信号检测均限定于背景噪声足够强大的情况。
因此需要一种能够对风电机组叶片的声音微弱信号进行检测，对叶片的结构变形、开裂等故障进行识别、诊断与预警的新方案。
发明内容
本发明的目的是提供一种基于EMD分解自学习的风电机组叶片故障识别方法，使用EMD((Empirical Mode Decomposition,经验模态分解))方法结合短时视觉识别技术进行无初始数据库自学习的检测。
本发明提供了一种基于EMD分解自学习的风电机组叶片故障识别方法，其特征在于，包括：
步骤一，采集风电机组叶片声音信号在线监测数据，并对采集的监测数据进行EMD分解；
步骤二，将EMD分解后的声音信号与正常声音信息进行比较，若存在差异，获取差异信息对应的IMF分量，并启动视频监测设备采集差异信息对应的风电机组叶片的视频图像数据；
步骤三，基于BP神经网络的图像识别方法对采集的视频图像进行识别，得到风电机组叶片故障识别结果。
进一步地，所述步骤三包括：
若故障识别结果为无故障，将本次IMF分量异常信息存储至数据库，并做误报情况处理。
借由上述方案，通过基于EMD分解自学习的风电机组叶片故障识别方法，无需进行大量的人工筛选，当叶片出现故障时声音信号出现异常，通过触发视频监测，对高清视频监测图片内叶片表面裂纹、雷击、断裂等进行判断，进而对故障声信号进行标识，适用于对风电机组叶片的声音微弱信号进行检测。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例详细说明如后。
附图说明
图1是本发明基于EMD分解自学习的风电机组叶片故障识别方法的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
参图1所示，本实施例提供了一种基于EMD分解自学习的风电机组叶片故障识别方法，其特征在于，包括：
步骤S1，采集风电机组叶片声音信号在线监测数据，并对采集的监测数据进行EMD分解；
步骤S2，将EMD分解后的声音信号与正常声音信息进行比较，若存在差异，获取差异信息对应的IMF分量(由于叶片为周期性旋转设备，在存在设备故障的情况下，如裂纹、覆冰、净空距离过近等，故障信号同正常信号存在差异)，并启动视频监测设备采集差异信息对应的风电机组叶片的视频图像数据；
步骤S3，基于BP神经网络的图像识别方法对采集的视频图像进行识别，得到风电机组叶片故障识别结果。
在本实施例中，步骤S3包括：
若故障识别结果为无故障，将本次IMF分量异常信息存储至数据库，并做误报情况处理。
通过该基于EMD分解自学习的风电机组叶片故障识别方法，无需进行大量的人工筛选，当叶片出现故障时声音信号出现异常，通过触发视频监测，对高清视频监测图片内叶片表面裂纹、雷击、断裂等进行判断，进而对故障声信号进行标识，适用于对风电机组叶片的声音微弱信号进行检测。
以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (2)

1.一种基于EMD分解自学习的风电机组叶片故障识别方法，其特征在于，包括：
步骤一，采集风电机组叶片声音信号在线监测数据，并对采集的监测数据进行EMD分解；
步骤二，将EMD分解后的声音信号与正常声音信息进行比较，若存在差异，获取差异信息对应的IMF分量，并启动视频监测设备采集差异信息对应的风电机组叶片的视频图像数据；
步骤三，基于BP神经网络的图像识别方法对采集的视频图像进行识别，得到风电机组叶片故障识别结果。
2.根据权利要求1所述的基于EMD分解自学习的风电机组叶片故障识别方法，其特征在于，所述步骤三包括：
若故障识别结果为无故障，将本次IMF分量异常信息存储至数据库，并做误报情况处理。
CN202011116165.7A 2020-10-19 2020-10-19 一种基于emd分解自学习的风电机组叶片故障识别方法 Active CN112378605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011116165.7A CN112378605B (zh) 2020-10-19 2020-10-19 一种基于emd分解自学习的风电机组叶片故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011116165.7A CN112378605B (zh) 2020-10-19 2020-10-19 一种基于emd分解自学习的风电机组叶片故障识别方法

Publications (2)

Publication Number Publication Date
CN112378605A true CN112378605A (zh) 2021-02-19
CN112378605B CN112378605B (zh) 2023-06-27

Family

ID=74580088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011116165.7A Active CN112378605B (zh) 2020-10-19 2020-10-19 一种基于emd分解自学习的风电机组叶片故障识别方法

Country Status (1)

Country Link
CN (1) CN112378605B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304570A (zh) * 2023-03-23 2023-06-23 昆明理工大学 一种基于EEMD联合Chebyshev滤波的水轮机故障信号去噪方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102840979A (zh) * 2012-09-04 2012-12-26 国电联合动力技术有限公司 一种风电机组传动链故障检测方法及装置
CN104165925A (zh) * 2014-08-06 2014-11-26 沈阳透平机械股份有限公司 随机共振的离心式压缩机半开式叶轮裂纹故障检测方法
CN104730081A (zh) * 2015-03-26 2015-06-24 大唐（赤峰）新能源有限公司 一种用于风电桨叶的故障检测系统
CN204832111U (zh) * 2015-08-06 2015-12-02 中国大唐集团科学技术研究院有限公司 一种风场运行中的风力发电机叶片检测装置
US20190095781A1 (en) * 2017-09-23 2019-03-28 Nanoprecise Sci Corp. System and method for automated fault diagnosis and prognosis for rotating equipment
CN110096673A (zh) * 2019-04-29 2019-08-06 河北工业大学 一种适用于信号分解的emd改进方法
CN111400961A (zh) * 2020-02-17 2020-07-10 通标标准技术服务有限公司 风力发电机组叶片故障判断方法及装置
CN111553877A (zh) * 2020-03-20 2020-08-18 西安交通大学 基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102840979A (zh) * 2012-09-04 2012-12-26 国电联合动力技术有限公司 一种风电机组传动链故障检测方法及装置
CN104165925A (zh) * 2014-08-06 2014-11-26 沈阳透平机械股份有限公司 随机共振的离心式压缩机半开式叶轮裂纹故障检测方法
CN104730081A (zh) * 2015-03-26 2015-06-24 大唐（赤峰）新能源有限公司 一种用于风电桨叶的故障检测系统
CN204832111U (zh) * 2015-08-06 2015-12-02 中国大唐集团科学技术研究院有限公司 一种风场运行中的风力发电机叶片检测装置
US20190095781A1 (en) * 2017-09-23 2019-03-28 Nanoprecise Sci Corp. System and method for automated fault diagnosis and prognosis for rotating equipment
CN110096673A (zh) * 2019-04-29 2019-08-06 河北工业大学 一种适用于信号分解的emd改进方法
CN111400961A (zh) * 2020-02-17 2020-07-10 通标标准技术服务有限公司 风力发电机组叶片故障判断方法及装置
CN111553877A (zh) * 2020-03-20 2020-08-18 西安交通大学 基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YING DU: "Damage detection techniques for wind turbine blades: A review", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 *
基于经验模态分解的齿轮裂纹声发射检测: "姚晓山 等", 《无损检测》 *
林卿: "轴流风机动叶偏移时的特征参数分析", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304570A (zh) * 2023-03-23 2023-06-23 昆明理工大学 一种基于EEMD联合Chebyshev滤波的水轮机故障信号去噪方法
CN116304570B (zh) * 2023-03-23 2023-10-27 昆明理工大学 一种基于EEMD联合Chebyshev滤波的水轮机故障信号去噪方法

Also Published As

Publication number Publication date
CN112378605B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN107220469B (zh) 一种风机状态估计的方法及系统
CN106662072B (zh) 风力发电机状态监控方法与系统
CN107781118B (zh) 基于多元传感信息的风力发电机叶片健康状态监测系统
CN102434387A (zh) 风机检测诊断系统
CN103343728A (zh) 风力发电机组远程在线多模式健康状态监测与故障诊断系统
CN102840979A (zh) 一种风电机组传动链故障检测方法及装置
CN102494894A (zh) 风力发电机组音频监测和故障诊断系统及其方法
Butler et al. A feasibility study into prognostics for the main bearing of a wind turbine
CN104101652B (zh) 一种基于音频信号的风电叶片损伤监测方法及监测系统
CN104564542B (zh) 一种基于大数据技术的故障诊断系统及其诊断方法
CN111415070A (zh) 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法
Purarjomandlangrudi et al. Fault detection in wind turbine: a systematic literature review
Jun et al. An overview of condition monitoring and fault diagnostic for wind energy conversion system
CN111555776B (zh) 一种输电线路融合感知及联合诊断方法、系统及装置
CN112378605A (zh) 一种基于emd分解自学习的风电机组叶片故障识别方法
CN115929566A (zh) 风电机组变桨减速器在线状态监测与预警系统及方法
WO2022100046A1 (zh) 一种基于零值比例频谱特征的机械传动故障检测方法
CN110905736A (zh) 一种风机运行监控系统
CN114215705A (zh) 风电机组故障预警方法和系统
CN103899498A (zh) 一种风力发电机组数据采集处理系统
CN213149750U (zh) 一种汽轮发电机组状态评价与故障预测系统
CN203881539U (zh) 一种风电机组状态监测与故障诊断装置
CN108491622A (zh) 一种风电机组的故障诊断方法及系统
CN103728942A (zh) 一种风力发电机组本地数据采集处理系统
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

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