CN114215702A - 风机叶片故障检测方法、系统 - Google Patents
风机叶片故障检测方法、系统 Download PDFInfo
- Publication number
- CN114215702A CN114215702A CN202111484234.4A CN202111484234A CN114215702A CN 114215702 A CN114215702 A CN 114215702A CN 202111484234 A CN202111484234 A CN 202111484234A CN 114215702 A CN114215702 A CN 114215702A
- Authority
- CN
- China
- Prior art keywords
- fan blade
- fault detection
- damaged
- vibration frequency
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 239000013307 optical fiber Substances 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000835 fiber Substances 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 16
- 238000012545 processing Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003292 glue Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种风机叶片故障检测方法，首先将光纤传感器与风机叶片相对应，而后通过光纤传感器采集所述风机叶片的振动频率，再根据振动频率判断风机叶片是否受损，若判断该风机叶片受损，则通过故障检测辨别器检测受损的风机叶片以获取所述风机叶片的故障类别结果，从而识别出风机叶片的损伤位置，推算出风机叶片的故障类别，实现风机叶片的故障诊断，提高诊断可靠性。
Description
技术领域
本发明涉及故障诊断技术领域，更为具体地，涉及一种风机叶片故障检测方法、系统。
背景技术
风力发电机是将风能转换为机械功，机械功带动转子旋转，最终输出交流电的电力设备。风力发电机一般有风轮、发电机(包括装置)、调向器(尾翼)、塔架、限速安全机构和储能装置等构件组成。
随着能源危机和环境问题的日益严重，世界各国争相发展可再生新兴能源，我国长期规划明确支持“研究开发大型风力发电设备”，风电装备由此得到了迅猛发展。在风电迅猛发展的同时，风力发电机高额的运行维护成本影响了风场的经济效益。风场一般地处偏远、环境恶劣，并且机舱位于70m至90m以上的高空，给机组的维护维修工作造成了困难，增加了机组的运行维护成本。并且高额的运行维护费用增加了风场的运营成本，降低了风电的经济效益。
现有风力发电机风机叶片故障诊断的方法均存在各自的局限性：要么现场振动情况复杂且不稳定，使得分离振动信号与噪声信号仍是技术难题，小尺寸裂纹的信号常会被噪声信号或整体振动信号湮灭，要么法融入经验性的知识，需要经过庞大数量的样本学习才能保障诊断的可靠性，且存在由于规模庞大导致检测过长的问题。
因此，亟需一种既能够精准定位，又能够的快速识别的风机叶片故障检测方法、系统。
发明内容
鉴于上述问题，本发明的目的是提供一种风机叶片故障检测方法、系统，以解决基于信号处理的诊断方法使得现场振动情况复杂且不稳定，基于人工智能的故障诊断方法存在由于规模庞大导致诊断模型学习和训练时间过长的问题。
本发明提供的一种风机叶片故障检测方法，包括：
使光纤传感器与风机叶片相对应；
通过所述光纤传感器采集所述风机叶片的振动频率；
根据所述振动频率和预设的风机振动频率指标模型数据库判断所述风机叶片是否受损；
若判断所述风机叶片受损，则通过故障检测辨别器检测受损的风机叶片以获取所述风机叶片的故障类别结果。
优选地，使光纤传感器与风机叶片相对应的过程，包括：
将所述光纤传感器贴在所述风机叶片的预设位置上，并将所述光线传感器与处理器相连接。
优选地，在通过所述光纤传感器采集所述风机叶片的振动频率之前，还包括：
建立风机振动频率指标模型数据库。
优选地，建立风机振动频率指标模型数据库的过程，包括：
预采集风机叶片的运行数据；
对所述运行数据进行标准化处理以形成数据集；
对所述数据集进行梯度划分以形成规格梯度；
为所述规格梯度标注与所述规格梯度相对应的叶片等级以形成标准数据；
对所述标准数据进行列表式存储以形成指标模型数据库。
优选地，根据所述振动频率判断所述风机叶片是否受损的过程，包括：
将所述振动频率与所述指标模型数据库中的标准数据进行对照以获取所述振动频率的所属规格梯度；
获取与所述振动频率的所属规格梯度相对应的叶片等级；
根据所述叶片等级判断所述风机叶片是否受损。
优选地，若判断所述风机叶片未受损，则将所述风机叶片的振动频率与叶片等级作为标准数据输入所述指标模型数据库中。
优选地，在通过故障检测辨别器检测受损的风机叶片以获取所述风机叶片的故障类别结果之前，还包括训练故障检测辨别器，其中，训练故障检测辨别器的过程，包括：
获取风机叶片在正常以及不同程度裂纹故障状态下的样本图片；
将所述样本图片输入卷积神经网络以获取裂纹识别模型；
对所述裂纹识别模型进行检验测试直至所述裂纹识别模型收敛以获取故障检测辨别器。
优选地，通过故障检测辨别器检测受损的风机叶片以获取所述风机叶片的故障类别结果的过程，包括：
对判断受损的风机叶片进行目标锁定以获取目标区域；
在所述目标区域中进行影像提取以获取目标图像；
将所述目标图像输入所述故障检测辨别器中以获取所述风机叶片的故障类别结果。
本发明还提供一种风机叶片故障检测系统，实现前述的风机叶片故障检测方法，其中，包括：
感测对应单元，用于使光纤传感器与风机叶片相对应；
频率采集单元，用于通过所述光纤传感器采集所述风机叶片的振动频率；
受损初判单元，用于根据所述振动频率判断所述风机叶片是否受损；
结果输出单元，用于若判断所述风机叶片受损，则通过故障检测辨别器检测受损的风机叶片以获取所述风机叶片的故障类别结果。
本发明还提供一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的风机叶片故障预测方法。
从上面的技术方案可知，本发明提供的风机叶片故障检测方法、系统，首先将光纤传感器与风机叶片相对应，而后通过光纤传感器采集所述风机叶片的振动频率，再根据振动频率判断风机叶片是否受损，若判断该风机叶片受损，则通过故障检测辨别器检测受损的风机叶片以获取所述风机叶片的故障类别结果，从而识别出风机叶片的损伤位置，推算出风机叶片的故障类别，实现风机叶片的故障诊断，提高诊断可靠性。
附图说明
通过参考以下结合附图的说明书内容，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：
图1为根据本发明实施例的风机叶片故障检测方法的流程图；
图2为根据本发明实施例的风机叶片故障检测系统的示意图；
图3为根据本发明实施例的计算机可读存储介质的示意图。
具体实施方式
基于信号处理的诊断方法——现场振动情况复杂且不稳定，分离振动信号与噪声信号仍是技术难题，小尺寸裂纹的信号常会被噪声信号或整体振动信号湮灭，且目前的故障监测系统主要是依据故障特征是否超出设定的阈值来判断是否有故障，尚不能做到定位检测；基于人工智能的故障诊断方法——虽然基于人工智能的故障诊断方法快速方便，但是无法融入经验性的知识，需要经过庞大数量的样本学习才能保障诊断的可靠性，且存在由于规模庞大导致诊断模型学习和训练时间过长的问题。
针对上述问题，本发明提供一种风机叶片故障检测方法、系统，以下将结合附图对本发明的具体实施例进行详细描述。
为了说明本发明提供的风机叶片故障检测方法、系统，图1对本发明实施例的风机叶片故障检测方法进行了示例性标示；图2对本发明实施例的风机叶片故障检测系统进行了示例性标示。
以下示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术和设备可能不作详细讨论，但在适当情况下，所述技术和设备应当被视为说明书的一部分。
如图1所示，本发明提供的本发明实施例的风机叶片故障检测方法，包括：
S1：使光纤传感器与风机叶片相对应；
S2：通过光纤传感器采集风机叶片的振动频率；
S3：根据振动频率和预设的风机振动频率指标模型数据库判断风机叶片是否受损；
S4：若判断所述风机叶片受损，则通过故障检测辨别器检测受损的风机叶片以获取所述风机叶片的故障类别结果。
如图1所示，在步骤S1中，使光纤传感器与风机叶片相对应的过程，包括：
将光纤传感器贴在风机叶片的预设位置上，并将该光线传感器与处理器相连接。
该预设位置不做具体限制，可以为风机叶片的末端，也可以为风机叶片的中部，并且需根据风机叶片的转速顺势将光纤传感器贴在风机叶片的预设位置上，在将光纤传感器贴在风机叶片上时，可以用光纤用胶，在本实施例中该光纤用胶为UV胶，如此使光纤传感器与风机叶片更为坚固；并且为了便于张贴，在本实施例中，该光纤传感器在叶片组装前即贴在了风机叶片上，且每个风机叶片上均贴有光纤传感器。
需要说明的是，该光纤传感器基于分布式振动传感系统DAS实现，利用相干瑞利散射光的相位幅值大小来提供声音或振动事件强度信息，以及利用线性定量测量值来实现对声音或振动事件相位和频率信息的获取。当振动引起光纤传感器设置位置干涉光相位的线性变化时，通过提取该位置不同时刻的干涉信号并解调，就可实现外界物理量的定量测量，并且，由于该分布式振动传感系统DAS是分布式，整个光纤都是传感器，可以达到1m的分辨率。
具体的，光纤传感器的激光器沿着光纤发出光脉冲，一些光以反向散射的形式与入射光在脉冲内发生干涉，干涉光反射回来以后，反向散射的干涉光回到信号处理装置，同时将光纤沿线振动声波信号带来信号处理装置，从而每米光纤的声波振动的即为与光线传感器相对应的风机叶片的振动频率。
在本发明的一个实现示例中，该光纤传感器基于分布式振动传感DNS实现的规格，如下所示：
如图1所示，在步骤S2中，在通过该光纤传感器采集该风机叶片的振动频率之前，还包括：
S0：建立风机振动频率指标模型数据；其中，建立风机振动频率指标模型数据库的过程，包括：
S01：预采集风机叶片的运行数据；
S02：对该运行数据进行标准化处理以形成数据集；
S03：对该数据集进行梯度划分以形成规格梯度；
S04：为该规格梯度标注与该规格梯度相对应的叶片等级以形成标准数据；
S05：对该标准数据进行列表式存储以形成指标模型数据库。
在步骤S01中，该运行数据为预采集的风机叶片的运行数据为在一个正常运行的风机系统上采集的数据，包括正常风机叶片的数据、非正常风机叶片的数据，如此，在之后判断风机叶片有无受损时，将所采集的风机叶片的振动频率与指标模型数据库中预采集的运行数据进行对照，以获取相应的叶片等级即可判断该风机叶片有无受损；
在步骤S02中，标准化处理为将该运行数据转换为计算机语言的过程，即对所预采集的运行数据进行数据准换，可以转换为字符串，也可以转换为二进制语言，在此不做限制；
步骤S03为对数据集进行梯度划分以形成规格梯度，也可以称之为规格区间，在本实施例中该规格梯度包括三个梯度，从而为后续进行判断比对奠定数据基础，具体的，比如在振动频率为某一区间时，相对正常振动频率略低，为受损状态；振动频率为另一区间时为正常振动频率区间，在此区间内该风机叶片多为正常无受损状态；振动频率为高于另一区间的区间，则相对正常频率略高，为受损状态；具体的区间数值不作具体限制；需要说明是，上述三个梯度(区间)通常收到光线传感器位置、天气、温湿度等因素的影响，具体数值需结合风力、温湿度，以及光线传感器的设置位置而定，在此不作具体限制。
如图1所示，在步骤S3中，根据该振动频率和预设的风机振动频率指标模型数据库判断该风机叶片是否受损的过程，包括：
S31：将该振动频率与该指标模型数据库中的标准数据进行对照以获取该振动频率的所属规格梯度；
S32：获取与该振动频率的所属规格梯度相对应的叶片等级；
S33：根据该叶片等级判断所述风机叶片是否受损；
具体的，经过步骤S2建立出存储有各种规格梯度的风机叶片的运行数据，并且每一梯度中均标注有与该规格梯度相对应的叶片等级，从而步骤S3可直接将振动频率与该指标模型数据库中的标准数据进行对照，对照出该振动频率的所述规格梯度，再根据该规格梯度映射出与该规格梯度相对应的叶片等级，根据该叶片等级可直接判断该等级叶片有无受损。
需要说明的是，由于设置位置、对风风向、安装方式等各种原因，不同风机甚至同一风机不同叶片的参数可能会有不同，因此，每一个风机叶片的实时监测参数都需要和自己的历史数据进行比较，才能准确判断出是否受损。
因此，在指标模型数据库中，每个风机叶片都具有自己的标识(编号、ID等)以及对应的标准运行数据，如不同风力、温湿度状态下的振动频率，不同区域(叶片端部、叶片根部)的振动频率等。
如图1所示，在步骤S4中，若判断该风机叶片受损，则通过故障检测辨别器检测受损的风机叶片以获取该风机叶片的故障类别结果；若判断该风机叶片未受损，则将该风机叶片的振动频率与叶片等级作为标准数据输入该指标模型数据库中。
在通过故障检测辨别器检测受损的风机叶片以获取所述风机叶片的故障类别结果之前，还包括S40：训练故障检测辨别器，其中，训练故障检测辨别器的过程，包括：
S401：获取风机叶片在正常以及不同程度裂纹故障状态下的样本图片；
S402：将该样本图片输入卷积神经网络以获取裂纹识别模型；
S403：对该裂纹识别模型进行检验测试直至所述裂纹识别模型收敛以获取故障检测辨别器。
具体的，在判断该风机叶片存在故障之后，则通过卷积神经网络模型更精准的确定该风机叶片的具体故障，故首先通过大量的样本图片训练卷积神经网络以训练出故障检测辨别器，该样本图片可以通过人工拍摄，也可通过无人机拍摄，具体拍摄方式不作具体限制。
其中，通过故障检测辨别器检测受损的风机叶片以获取所述风机叶片的故障类别结果的过程，包括：
S41：对判断受损的风机叶片进行目标锁定以获取目标区域；
S42：在该目标区域中进行影像提取以获取目标图像；
S43：将该目标图像输入该故障检测辨别器中以获取该风机叶片的故障类别结果。
在判断风机叶片存在故障后，首先对判断故障后的风机叶片进行目标锁定，以获取疑似故障的目标区域，而后获取该目标区域的图像数据，即目标图像，从而将该目标图像输入步骤S40训练而成的故障检测辨别器，使得故障检测辨别器能够自动根据该图像数据输出目标图像数据中所存在的故障，进而完成对风机叶片的故障检测。
如上所述，本发明提供的风机叶片故障检测方法，首先将采集风机叶片的振动频率与预设的指标模型数据库中的规格梯度进行对照，从而判断该风机叶片是否受损，若判断受损则对该风机叶片进行目标锁定以获取疑似故障的目标区域，而后获取该目标区域的目标图像，从而将该目标图像输入基于卷积神经网络的故障检测辨别器，使得故障检测辨别器能够自动根据该图像数据输出目标图像数据中所存在的故障，进而完成对风机叶片的故障检测，整个过程通过两大筛查，一是根据振动频率自动比对判断是否受损，二是对疑似受损的区域进行二次核验，如此提高风机叶片故障检测的精度，既能够精准定位，又能够的快速识别的风机叶片故障检测，提高整体稳定性和适应性。
如图2所示，本发明还提供一种风机叶片故障检测系统100，实现如前所述的风机叶片故障检测方法，其特征在于，包括：
感测对应单元101，用于使光纤传感器与风机叶片相对应；
频率采集单元102，用于通过光纤传感器采集风机叶片的振动频率；
受损初判单元103，用于根据振动频率判断风机叶片是否受损；
结果输出单元104，用于若判断风机叶片受损，则通过故障检测辨别器检测受损的风机叶片以获取风机叶片的故障类别结果。
本发明所提供的上述种风机叶片故障检测系统的更为具体的实现方式，均可以参照上述对种风机叶片故障检测方法的实施例表述，在此不再一一列举。
通过上述实施方式可以看出，本发明提供的风机叶片故障检测系统100首先通过感测对应单元101将光纤传感器与风机叶片相对应，而后基于频率采集单元102通过光纤传感器采集所述风机叶片的振动频率，再通过受损初判单元103根据振动频率判断风机叶片是否受损，最后基于结果输出单元104通过故障检测辨别器检测受损的风机叶片以获取风机叶片的故障类别结果，从而识别出风机叶片的损伤位置，推算出风机叶片的故障类别，实现风机叶片的故障诊断，提高诊断可靠性。
再一方面，本发明还提供一种计算机可读存储介质，在该计算机可读存储介质中存储有至少一个指令，该至少一个指令被电子设备中的处理器执行以实现上述风机叶片故障检测方法。具体的，作为示例，存储器11中存储的风机叶片故障检测程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
使光纤传感器与风机叶片相对应；
通过光纤传感器采集风机叶片的振动频率；
根据振动频率和预设的风机振动频率指标模型数据库判断风机叶片是否受损；
若判断风机叶片受损，则通过故障检测辨别器检测受损的风机叶片以获取风机叶片的故障类别结果。
具体地，该风机叶片故障检测程序12被处理器执行时具体实现方法可参考实施例风机叶片故障检测方法中相关步骤的描述，在此不赘述。
再一方面，本发明还提供一种计算机可读存储介质，图3为根据本发明实施例的计算机可读存储介质的示意图。如图3所示，在该计算机可读存储介质中存储有至少一个指令，该至少一个指令被电子设备中的处理器执行以实现上述风机叶片故障检测方法。具体的，作为示例，存储器11中存储的风机叶片故障检测12是多个指令的组合，在处理器10中运行时，可以实现：
使光纤传感器与风机叶片相对应；
通过所述光纤传感器采集所述风机叶片的振动频率；
根据所述振动频率和预设的风机振动频率指标模型数据库判断所述风机叶片是否受损；
若判断所述风机叶片受损，则通过故障检测辨别器检测受损的风机叶片以获取所述风机叶片的故障类别结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
如上参照附图以示例的方式描述了根据本发明提出的风机叶片故障检测方法、系统。但是，本领域技术人员应当理解，对于上述本发明所提出的风机叶片故障检测方法、系统，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。
Claims (10)
1.一种风机叶片故障检测方法，其特征在于，包括：
使光纤传感器与风机叶片相对应；
通过所述光纤传感器采集所述风机叶片的振动频率；
根据所述振动频率和预设的风机振动频率指标模型数据库判断所述风机叶片是否受损；
若判断所述风机叶片受损，则通过故障检测辨别器检测受损的风机叶片以获取所述风机叶片的故障类别结果。
2.如权利要求1所述的风机叶片故障检测方法，其特征在于，使光纤传感器与风机叶片相对应的过程，包括：
将所述光纤传感器贴在所述风机叶片的预设位置上，并将所述光线传感器与处理器相连接。
3.如权利要求1所述的风机叶片故障检测方法，其特征在于，在通过所述光纤传感器采集所述风机叶片的振动频率之前，还包括：
建立风机振动频率指标模型数据库。
4.如权利要求3所述的风机叶片故障检测方法，其特征在于，建立风机振动频率指标模型数据库的过程，包括：
预采集风机叶片的运行数据；
对所述运行数据进行标准化处理以形成数据集；
对所述数据集进行梯度划分以形成规格梯度；
为所述规格梯度标注与所述规格梯度相对应的叶片等级以形成标准数据；
对所述标准数据进行列表式存储以形成指标模型数据库。
5.如权利要求4所述的风机叶片故障检测方法，其特征在于，根据所述振动频率判断所述风机叶片是否受损的过程，包括：
将所述振动频率与所述指标模型数据库中的标准数据进行对照以获取所述振动频率的所属规格梯度；
获取与所述振动频率的所属规格梯度相对应的叶片等级；
根据所述叶片等级判断所述风机叶片是否受损。
6.如权利要求5所述的风机叶片故障检测方法，其特征在于，
若判断所述风机叶片未受损，则将所述风机叶片的振动频率与叶片等级作为标准数据输入所述指标模型数据库中。
7.如权利要求1所述的风机叶片故障检测方法，其特征在于，在通过故障检测辨别器检测受损的风机叶片以获取所述风机叶片的故障类别结果之前，还包括训练故障检测辨别器，其中，训练故障检测辨别器的过程，包括：
获取风机叶片在正常以及不同程度裂纹故障状态下的样本图片；
将所述样本图片输入卷积神经网络以获取裂纹识别模型；
对所述裂纹识别模型进行检验测试直至所述裂纹识别模型收敛以获取故障检测辨别器。
8.如权利要求7所述的风机叶片故障检测方法，其特征在于，通过故障检测辨别器检测受损的风机叶片以获取所述风机叶片的故障类别结果的过程，包括：
对判断受损的风机叶片进行目标锁定以获取目标区域；
在所述目标区域中进行影像提取以获取目标图像；
将所述目标图像输入所述故障检测辨别器中以获取所述风机叶片的故障类别结果。
9.一种风机叶片故障检测系统，实现如权利要求1-8所述的风机叶片故障检测方法，其特征在于，包括：
感测对应单元，用于使光纤传感器与风机叶片相对应；
频率采集单元，用于通过所述光纤传感器采集所述风机叶片的振动频率；
受损初判单元，用于根据所述振动频率判断所述风机叶片是否受损；
结果输出单元，用于若判断所述风机叶片受损，则通过故障检测辨别器检测受损的风机叶片以获取所述风机叶片的故障类别结果。
10.一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的风机叶片故障预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111484234.4A CN114215702B (zh) | 2021-12-07 | 2021-12-07 | 风机叶片故障检测方法、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111484234.4A CN114215702B (zh) | 2021-12-07 | 2021-12-07 | 风机叶片故障检测方法、系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114215702A true CN114215702A (zh) | 2022-03-22 |
| CN114215702B CN114215702B (zh) | 2024-02-23 |
Family
ID=80700112
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111484234.4A Active CN114215702B (zh) | 2021-12-07 | 2021-12-07 | 风机叶片故障检测方法、系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114215702B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106246476A (zh) * | 2016-09-30 | 2016-12-21 | 广州特种承压设备检测研究院 | 海上风力发电机叶片故障智能监测系统及方法 |
| CN206054187U (zh) * | 2016-07-18 | 2017-03-29 | 中能电力科技开发有限公司 | 基于光纤光栅传感器的风机叶片监测系统 |
| CN107064298A (zh) * | 2017-02-28 | 2017-08-18 | 重庆工商大学 | 一种运行中风机叶片裂纹的激光检测方法 |
| CN110131109A (zh) * | 2019-04-25 | 2019-08-16 | 浙江大学 | 一种基于卷积神经网络的风力机叶片不平衡检测方法 |
| CN111239249A (zh) * | 2020-03-18 | 2020-06-05 | 北京工业大学 | 一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法 |
| CN112233091A (zh) * | 2020-10-15 | 2021-01-15 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
| CN112796957A (zh) * | 2021-03-26 | 2021-05-14 | 厦门理工学院 | 一种风机叶片的检测方法和装置以及设备 |
| CN113504302A (zh) * | 2021-06-30 | 2021-10-15 | 上海电气风电集团股份有限公司 | 风机叶片状态监测的方法、系统、电子设备及存储介质 |
| CN113738595A (zh) * | 2021-07-09 | 2021-12-03 | 国电和风风电开发有限公司 | 一种风力发电机组叶片状态监测方法及其系统 |
-
2021
- 2021-12-07 CN CN202111484234.4A patent/CN114215702B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206054187U (zh) * | 2016-07-18 | 2017-03-29 | 中能电力科技开发有限公司 | 基于光纤光栅传感器的风机叶片监测系统 |
| CN106246476A (zh) * | 2016-09-30 | 2016-12-21 | 广州特种承压设备检测研究院 | 海上风力发电机叶片故障智能监测系统及方法 |
| CN107064298A (zh) * | 2017-02-28 | 2017-08-18 | 重庆工商大学 | 一种运行中风机叶片裂纹的激光检测方法 |
| CN110131109A (zh) * | 2019-04-25 | 2019-08-16 | 浙江大学 | 一种基于卷积神经网络的风力机叶片不平衡检测方法 |
| CN111239249A (zh) * | 2020-03-18 | 2020-06-05 | 北京工业大学 | 一种基于Hilbert—Huang变换的通风机叶片裂纹故障诊断方法 |
| CN112233091A (zh) * | 2020-10-15 | 2021-01-15 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
| CN112796957A (zh) * | 2021-03-26 | 2021-05-14 | 厦门理工学院 | 一种风机叶片的检测方法和装置以及设备 |
| CN113504302A (zh) * | 2021-06-30 | 2021-10-15 | 上海电气风电集团股份有限公司 | 风机叶片状态监测的方法、系统、电子设备及存储介质 |
| CN113738595A (zh) * | 2021-07-09 | 2021-12-03 | 国电和风风电开发有限公司 | 一种风力发电机组叶片状态监测方法及其系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114215702B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2017158479A1 (en) | Method of condition monitoring one or more wind turbines and parts thereof and performing instant alarm when needed | |
| JP7240527B2 (ja) | 運転可能な風力タービンのコンポーネントの残存有効寿命を評価するための方法 | |
| CN111946559B (zh) | 一种风机基础和塔架结构检测方法 | |
| CN111860593B (zh) | 一种基于生成对抗网络的风机叶片故障检测方法 | |
| CN111652835A (zh) | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 | |
| CN103675354B (zh) | 一种风速仪故障检测的方法和系统 | |
| CN113406107B (zh) | 风机叶片缺陷检测系统 | |
| CN113610749A (zh) | 基于神经网络的风机叶片缺陷检测方法 | |
| CN115640503B (zh) | 风电机组叶片异常检测方法和装置 | |
| CN114992063B (zh) | 一种自动化风机叶片故障检测方法及系统 | |
| CN118068448B (zh) | 一种气象无人机地面测控平台 | |
| WO2019103621A1 (en) | Wind turbine blade orientation detection | |
| CN113404655A (zh) | 一种基于ps0-anfis的风力发电机传感器状态诊断系统 | |
| CN117889786B (zh) | 一种基于视觉的风电场站自动巡检方法及系统 | |
| CN114330513A (zh) | 风机叶片故障检测方法、装置、系统及存储介质 | |
| CN114417981A (zh) | 一种智能河长巡测系统 | |
| CN114215702B (zh) | 风机叶片故障检测方法、系统 | |
| CN111833336A (zh) | 一种基于高光谱的风电叶片表面砂眼故障的检测系统及方法 | |
| CN113504302B (zh) | 风机叶片状态监测的方法、系统、电子设备及存储介质 | |
| CN109670645A (zh) | 预测风速模型的建立方法及装置 | |
| CN116337210A (zh) | 一种建筑施工作业的噪声评估系统 | |
| Qiang et al. | Online faults diagnosis of wind turbine blades based on support vector machines | |
| CN114429550B (zh) | 一种基于计算机视觉的风电机舱圆表油位监测方法 | |
| MÄLZER et al. | Radar-based structural monitoring of wind turbines blades: Field results from two operational wind turbines | |
| CN113268937B (zh) | 一种基于数据融合的风电机组大部件损坏分析系统 |
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 |