CN113958463A - 风机叶片在线监测方法、系统及装置 - Google Patents

Abstract

本发明公开了一种风机叶片在线监测方法、系统及装置，包括，传感器模块，安装于风机叶片，与数据处理模块连接，用于采集风机叶片数据发送到数据处理模块；数据处理模块，安装于旋转毂，与网络模块连接，用于接收传感器模块发出的风机叶片数据并对数据处理后发送到网络模块；网络模块，与数据处理模块连接，用于接收数据处理模块发出的风机叶片数据并将所述风机叶片数据发送到监测模块；监测模块，与网络模块连接，用于接收网络模块发出的风机叶片数据并对所述风机叶片数据进行分析并进行可视化监测。本发明可以实现风机实时在线监测。

Description

风机叶片在线监测方法、系统及装置

技术领域

本发明涉及风领域，尤其是涉及一种风机叶片在线监测方法、系统及 装置。

背景技术

风力发电机在公共照明、通信基站、森林防火等领域，获得了日益广 泛的应用。为了利用更多风能资源，相当数量的风机被安装在风大且偏僻 的地方。如果有风机出现故障也不易被及时发现，导致用电受到影响。如 果定期对所有风机进行实地监测，则会占用太多的人力，造成极大的浪费。

发明内容

本发明的目的在于提供一种风机叶片在线监测方法、系统及装置，旨 在解决风机叶片在线监测。

本发明提供一种风机叶片在线监测系统，包括：

传感器模块，安装于风机叶片，与数据处理模块连接，用于采集风机 叶片数据发送到数据处理模块；数据处理模块，安装于旋转毂，与网络模 块连接，用于接收传感器模块发出的风机叶片数据并对数据处理后发送到 网络模块；网络模块，与数据处理模块连接，用于接收数据处理模块发出 的风机叶片数据并将所述风机叶片数据发送到监测模块；

监测模块，与网络模块连接，用于接收网络模块发出的风机叶片数据 并对所述风机叶片数据进行分析并进行可视化监测。

本发明还提供一种风机叶片在线监测方法，包括：

S1、通过传感器模块采集风机叶片数据发送到数据处理模块；

S2、通过数据处理模块接收传感器模块发出的风机叶片数据并对数据 处理后发送到网络模块；

S3、通过网络模块接收数据处理模块发出的风机叶片数据并将所述风 机叶片数据发送到监测模块；

S4、通过监测模块接收网络模块发出的风机叶片数据并对所述风机叶 片数据进行分析并进行可视化监测。

本发明实施例还提供一种风机叶片在线监测装置，包括：存储器、处 理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述 计算机程序被所述处理器执行时实现上述方法的步骤。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储 介质上存储有数据传递的实现程序，所述程序被处理器执行时实现上述 方法的步骤。

采用本发明实施例，可以实现风机实时在线监测。

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，而可依照说明书的内容予以实施，并且为了让本发明的上述和 其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下 面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍， 显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普 通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获 得其他的附图。

图1是本发明实施例的本发明实施例的风机在线监测系统的示意图；

图2是本发明实施例的本发明实施例的风机在线监测方法的流程图；

图3是本发明实施例的本发明实施例的风机在线监测装置的示意图。

附图标记说明：

1：传感器模块；2：数据处理模块；3：网络模块；4：监测模块；30： 存储器；32：处理器。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然， 所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发 明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得 的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横 向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、 “左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位 或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所 指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不 能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示 或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有 “第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述 特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有 明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理 解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以 是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间 接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言， 可以具体情况理解上述术语在本发明中的具体含义。

系统实施例

根据本发明实施例，提供了一种风机在线监测系统，图1是本发明实 施例的风机在线监测系统的示意图，如图1所示，具体包括：

传感器模块1，安装于风机叶片，与数据处理模块2连接，用于采集风 机叶片数据发送到数据处理模块；

数据处理模块2，安装于旋转毂，用于接收传感器模块发出的风机叶片 数据并对数据处理后发送到网络模块；数据处理模块采用光纤解调仪。

网络模块3，与数据处理模块连接，用于接收数据处理模块发出的风机 叶片数据并将风机叶片数据发送到监测模块；

监测模块4，与网络模块3连接，用于接收网络模块发出的风机叶片数 据并对风机叶片数据进行分析并进行可视化监测。

传感器包括：

多个光纤叶片载荷传感器，安装于叶片，与数据处理模块连接，用于 测量叶片载荷数据并将叶片载荷数据发送到数据处理模块；若过载则发出 报警。

光纤振动传感器，安装于叶片，与数据处理模块连接，用于测量叶片 振动幅值、振动能量、振动频率和振动时间数据并将振动幅值、振动能量、 振动频率和振动时间数据传输到数据处理模块。

监测模块接收到数据处理模块通过网络模块发送的振动幅值、振动能 量、振动频率和振动时间后，将振动幅值、振动能量、振动频率和振动时 间输入神经网络识别模型进行识别，识别结果包括:出生裂纹、扩散裂纹、 断裂和无裂纹，对识别结果进行可视化监测。

传感器还包括高帧率图像采集器，与数据处理模块连接，用于实时采 集叶片视频并将视频通过网络模块发送到监测模块。

监测模块通过对叶片视频进行数据挖掘建立结冰模型，训练结冰模型， 输入新视频并根据结冰模型确定结冰量，根据结冰量进行分级可视化报警。

传感器模块还包括：用于测量结冰厚度的电容式结冰传感器、光纤式 结冰传感器和微波式结冰传感器至少其中之一。

高帧率图像采集器拍摄可采用视频流截图和控制摄像头连拍照片，系 统通过摄像头捕获风机实时照片,系统将利用大数据智能算法对风机的实时 图片和原始图片进行对比分析；第一步,系统将能算法快速准确的从量的原 始图片中进出同角度的风机原始图片；第二步，再将实时捕的照与原始图 片进行细节比对,利用智能算法分析其差异，推算叶片覆冰面积；第三步,系 统将进行多次对比验证,取多次结果的综合值,确保数据的准确性,并形成图 像和数据报告。系统可根据采集精度和监测要求,配置监测周期。

推算叶片覆冰面积具体包括：

1、数据收集和处理

数据收集的过程是：在获取监控设备的图像后,从采样素村中判断、并 分离出风机和风机叶片；

2、数据理解和特征提取

数据理解的目的在于,获取到原始数据之后,分析数据的有效性,并且将 数据里有用的,有典型特征的取出来；

解决方案是,让机器到足够多的样本进行训练,训练的越多,模型将越准 确测试的准确性,也要针对性的找到多个风机和风机叶片样本进行图像样本 训练,训练量在10万张图片以上。

3、模型构建、训练和评估

计算机会计算两张图片的相似程度，是80％或者是20％,但不会告诉我 们这两张图里的内容是否是一个东西。因此图片比对一定会有一个阈值的 概念。设置相似度大于X％的时候,视为比对通过,相似度小于X％的时候时 保,视为不通过。设定值的过程就是模型评估。值设定过低,则比对通过率低, 误报率可能也会降低也可能会增高，测试时,需要不断的测试不同的阈值,找 一个通过率和误报率的平衡点。要针对算法的优劣进行针对性的测试。

4、模型应用

将模型应用于风机叶片的识别和对比,并根据算法推算结冰面积、厚度 和重量,多次推算后取综合值,形成实时监测。

结冰推测原理

通过对已知风机实时运行参数和风机叶片结冰状态下运行参数信息进 行处理,得出每台风力发电机的特征值和结参冰标签,再根据特征值和结冰 标签获得预测未来结冰模型之后根据预测未来结冰模型输出结果、特征值 及叶片结冰信息获得推测当下结冰模型。

建模推测方法

S1:收集数据；收每台风为发电机组的时运养数及风电叶片历史结冰信 息；

S2:数据预处理

对每台风机采集的数据进行整理和统一标准；

S3:结冰状态标注

根据各个时段内各个发电机组风电叶片的结冰信息标注结冰状态标 签；

S4:训练集和验证集划分

在每台风力发机收的数燃那一个时间内数据作为的样本,将多个样本划 分为训练集和验证集；

S5:构建特征

根据每台风内发电机的实时运行参数获得功率残差特征、温度差值特 征和加速度矢量合成特征；

S6:建立预测未来结冰模型

给训练集内各组数据标注未来结冰标签,以步骤S5中三个特征为输入, 未来结冰标签为输出建立预测未来结冰模型并模型训练；

S7:建立推测当下结冰模型

以步骤S5中三个特征及预测未来结冰模型的输出为输入，当下结冰标 签为输出建立推测当下结冰模型并进行模型训练；

S8:模型验证

采用验证集对持久化推测模型进行验证并采用机器学习性能指标评价 模型。

本发明通过各种传感器实现对风机叶片监测，采用智能化数据处理， 实现风机监测智能化，通过数据采集建模方法实现风机结冰预防监测。

方法实施例

根据本发明实施例，提供了一种风机在线监测方法，图3是本发明实 施例的风机在线监测的示意图，如图3所示，具体包括：

通过传感器模块采集风机叶片数据发送到数据处理模块；

通过数据处理模块接收传感器模块发出的风机叶片数据并对数据处理 后发送到网络模块；

通过网络模块接收数据处理模块发出的风机叶片数据并将风机叶片数 据发送到监测模块；

通过监测模块接收网络模块发出的风机叶片数据并对风机叶片数据进 行分析并进行可视化监测。

通过传感器模块采集风机叶片数据发送到数据处理模块具体包括：

通过多个光纤叶片载荷传感器测量叶片载荷数据并将叶片载荷数据发 送到数据处理模块；

通过光纤振动传感器测量叶片振动幅值、振动能量、振动频率和振动 时间数据并将振动幅值、振动能量、振动频率和振动时间数据传输到数据 处理模块；

通过高帧率图像采集器实时采集叶片视频发送到数据处理模块；

通过电容式结冰传感器、光纤式结冰传感器和微波式结冰传感器至少 其中之一测量结冰厚度信息发送到数据处理模块；

通过监测模块接收网络模块发出的风机叶片数据并对风机叶片数据进 行分析并进行可视化监测具体包括：

通过监测模块接收数据处理模块通过网络模块发送的振动幅值、振动 能量、振动频率和振动时间后，将振动幅值、振动能量、振动频率和振动 时间输入神经网络识别模型进行识别，识别结果包括:出生裂纹、扩散裂纹、 断裂和无裂纹，对识别结果进行可视化监测；

通过监测模块对叶片视频进行数据挖掘建立结冰模型，训练结冰模型， 输入新视频并根据结冰模型确定结冰量，根据结冰量进行分级可视化报警。

本发明实施例是与上述方法实施例对应的系统实施例，各个方法步骤 可以参照系统实施例的描述进行理解，在此不再赘述。

装置实施例一

本发明实施例提供一种风机在线监测装置，如图3所示，包括：存储 器30、处理器32及存储在存储器30上并可在处理器32上运行的计算机程 序，计算机程序被处理器执行时实现上述方法实施例中的步骤。

装置实施例二

本发明实施例提供一种计算机可读存储介质，计算机可读存储介质上 存储有数据传输的实现程序，程序被处理器32执行时实现上述方法实施例 中的步骤。

本实施例所述计算机可读存储介质包括但不限于为：ROM、RAM、磁 盘或光盘等。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤 可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者 分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执 行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来 执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的 步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模 块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特 定的硬件和软件结合。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非 对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的 普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进 行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或 者替本发明各实施例技术方案，并不使相应技术方案的本质脱离本方案的 范围。

Claims (10)

1.一种风机叶片在线监测系统，其特征在于，包括，

传感器模块，安装于风机叶片，与数据处理模块连接，用于采集风机叶片数据发送到数据处理模块；

数据处理模块，安装于旋转毂，用于接收传感器模块发出的风机叶片数据并对数据处理后发送到网络模块；

网络模块，与数据处理模块连接，用于接收数据处理模块发出的处理后的风机叶片数据并将所述处理后的风机叶片数据发送到监测模块；

监测模块，与网络模块连接，用于接收网络模块发出的处理后的风机叶片数据，对所述处理后的风机叶片数据进行分析并进行可视化监测。

2.根据权利要求1所述的系统，其特征在于，所述传感器包括：

多个光纤叶片载荷传感器，安装于叶片，与数据处理模块连接，用于测量叶片载荷数据并将所述叶片载荷数据发送到数据处理模块；

光纤振动传感器，安装于叶片，与数据处理模块连接，用于测量叶片振动幅值、振动能量、振动频率和振动时间数据并将所述振动幅值、振动能量、振动频率和振动时间数据传输到数据处理模块。

3.根据权利要求2所述的系统，其特征在于，所述监测模块具体用于：

再接收到所述数据处理模块通过网络模块发送的振动幅值、振动能量、振动频率和振动时间后，将振动幅值、振动能量、振动频率和振动时间输入神经网络识别模型进行识别，获取识别结果，其中，所述识别结果包括:出生裂纹、扩散裂纹、断裂和无裂纹，对所述识别结果进行可视化监测。

4.根据权利要求3所述的系统，其特征在于，所述传感器还包括高帧率图像采集器，与数据处理模块连接，用于实时采集叶片视频并将所述视频通过所述网络模块发送到监测模块。

5.根据权利要求4所述的系统，其特征在于，所述监测模块进一步用于：通过对所述叶片视频进行数据挖掘建立结冰模型，训练所述结冰模型，输入新视频并根据结冰模型确定结冰量，根据结冰量进行分级可视化报警。

6.根据权利要求1所述的系统，其特征在于，所述传感器模块还包括一下至少之一：用于测量结冰厚度的电容式结冰传感器、光纤式结冰传感器和微波式结冰传感器。

7.一种风机叶片在线监测方法，其特征在于，用于上述权利要求1至6中任一项所述的系统，所述方法具体包括如下步骤：

S1、通过传感器模块采集风机叶片数据发送到数据处理模块；

S2、通过数据处理模块接收传感器模块发出的风机叶片数据并对数据处理后发送到网络模块；

S3、通过网络模块接收数据处理模块发出的风机叶片数据并将所述风机叶片数据发送到监测模块；

S4、通过监测模块接收网络模块发出的风机叶片数据并对所述风机叶片数据进行分析并进行可视化监测。

8.根据权利要求7所述的方法，其特征在于，所述通过传感器模块采集风机叶片数据发送到数据处理模块具体包括：

通过多个光纤叶片载荷传感器测量叶片载荷数据并将所述叶片载荷数据发送到数据处理模块；

通过光纤振动传感器测量叶片振动幅值、振动能量、振动频率和振动时间数据并将所述振动幅值、振动能量、振动频率和振动时间数据传输到数据处理模块；

通过高帧率图像采集器实时采集叶片视频发送到数据处理模块；

通过电容式结冰传感器、光纤式结冰传感器和微波式结冰传感器至少其中之一测量结冰厚度信息发送到数据处理模块；

所述通过监测模块接收网络模块发出的风机叶片数据并对所述风机叶片数据进行分析并进行可视化监测具体包括：

通过监测模块接收所述数据处理模块通过网络模块发送的振动幅值、振动能量、振动频率和振动时间后，将振动幅值、振动能量、振动频率和振动时间输入神经网络识别模型进行识别，识别结果包括:出生裂纹、扩散裂纹、断裂和无裂纹，对所述识别结果进行可视化监测；

通过监测模块对所述叶片视频进行数据挖掘建立结冰模型，训练所述结冰模型，输入新视频并根据结冰模型确定结冰量，根据结冰量进行分级可视化报警。

9.一种风机叶片在线监测装置，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求7至8中任一项所述的风机叶片在线监测方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有数据传递的实现程序，所述程序被处理器执行时实现如权利要求7至8中任一项所述的风机叶片在线监测方法的步骤。

Images