CN114330513A - 风机叶片故障检测方法、装置、系统及存储介质 - Google Patents
风机叶片故障检测方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN114330513A CN114330513A CN202111522584.5A CN202111522584A CN114330513A CN 114330513 A CN114330513 A CN 114330513A CN 202111522584 A CN202111522584 A CN 202111522584A CN 114330513 A CN114330513 A CN 114330513A
- Authority
- CN
- China
- Prior art keywords
- blade
- fault
- detected
- vibration
- type
- 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.)
- Pending
Links
Images
Abstract
本发明涉及风力发电技术,揭露一种风机叶片故障检测方法,包括:对实时获取的待检测叶片的震动信号进行模数转换处理,得到待检测叶片的震动数字量;根据待检测叶片的震动数字量,通过预设风机叶片故障识别模型,对待检测叶片进行故障识别处理,得到待检测叶片的故障识别结果;根据识别叶片故障,将待检测叶片的震动数字量输入预设叶片故障类型分析模型对待检测叶片的故障类型进行分析,得到待检测叶片的故障的类型;根据待检测叶片的故障类型,生成与待检测叶片的故障类型预先匹配的叶片故障预警提示信息。本发明能够解决现有技术中,风机叶片震动故障检测存在实时性和可靠性差,以及不能准确判断出故障的类型等问题。
Description
技术领域
本发明涉及风力发电技术,尤其涉及一种风机叶片故障检测方法、装置、系统及计算机可读存储介质。
背景技术
风力发电机的工作原理是风轮在风力的作用下旋转,把风的动能转变为风轮轴的机械能,发电机在风轮轴的带动下旋转发电。风机叶片是风力发电机组的关键部件,但其工作环境复杂,如果风机叶片异常震动,可能会导致叶片上裂纹的产生,持续的震动异常,可能会发生叶片断裂,从而造成巨大的经济损失。
目前对叶片震动故障的检测方法常用的是从SACDA(数据采集与监视控制系统)中获取叶片运行数据,然后通过对运行数据进行分析,判断叶片是否发生故障,由于SACDA一般1S更新一次数据,因此只有当故障严重到显而易见的情况下,才适用,此种方法的实时性和可靠性较差;并且只能粗略判断故障是否发生,并不能准确判断出故障的类型,不利于后续的养护和维修,缺乏针对性。
发明内容
本发明提供一种风机叶片故障检测方法、装置、系统及计算机可读存储介质,其主要目的在于能够解决现有技术中,风机叶片震动故障检测存在实时性和可靠性差,以及不能准确判断出故障的类型等问题。
第一方面,为实现上述目的,本发明提供的一种风机叶片故障检测方法,所述方法包括:
对实时获取的待检测叶片的震动信号进行模数转换处理,得到所述待检测叶片的震动数字量;
根据所述待检测叶片的震动数字量,通过预设风机叶片故障识别模型,对所述待检测叶片进行故障识别处理,得到待检测叶片的故障识别结果;
根据获取的所述待检测叶片的故障识别结果为识别叶片故障,将所述待检测叶片的震动数字量输入预设叶片故障类型分析模型,通过所述预设叶片故障类型分析模型对所述待检测叶片的故障类型进行分析,得到所述待检测叶片的故障的类型;
根据所述待检测叶片的故障类型,生成与所述待检测叶片的故障类型预先匹配的叶片故障预警提示信息。
第二方面,为了解决上述问题,本发明还提供一种风机叶片故障检测装置,所述装置包括:
模数转换模块,用于对实时获取的待检测叶片的震动信号进行模数转换处理,得到所述待检测叶片的震动数字量;
故障识别模块,用于根据所述待检测叶片的震动数字量,通过预设风机叶片故障识别模型,对所述待检测叶片进行故障识别处理,得到待检测叶片的故障识别结果;
故障类型分析模块,用于根据获取的所述待检测叶片的故障识别结果为识别叶片故障,将所述待检测叶片的震动数字量输入预设叶片故障类型分析模型,通过所述预设叶片故障类型分析模型对所述待检测叶片的故障类型进行分析,得到所述待检测叶片的故障的类型;
故障预警信号生成模块,用于根据所述待检测叶片的故障类型,生成与所述待检测叶片的故障类型预先匹配的叶片故障预警提示信息。
第三方面,为了解决上述问题,本发明还提供一种风机叶片故障检测系统,包括至少一个处理器以及与所述至少一个处理器耦合的存储器,其中,所述至少一个处理器用于执行存储器中的指令,实现如上所述的风机叶片故障检测方法。
第四方面,为了解决上述问题,本发明还提供一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的风机叶片故障检测方法。
本发明提出的风机叶片故障检测方法、装置、电子设备及存储介质,通过实时获取待检测叶片的震动信号能够时刻对风机叶片进行监测,具有实时性;通过预设风机叶片故障识别模型和预设叶片故障类型分析模型的相互配合,能够在准确判断叶片故障是同时,确定叶片故障的类型,便于后续的养护和维修,具有针对性。
附图说明
图1为本发明一实施例提供的风机叶片故障检测方法的流程示意图;
图2为本发明一实施例提供的风机叶片故障检测装置的模块示意图;
图3为本发明一实施例提供的实现风机叶片故障检测方法的系统的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种风机叶片故障检测方法。参照图1所示,为本发明一实施例提供的风机叶片故障检测方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,风机叶片故障检测方法包括:
步骤S110、对实时获取的待检测叶片的震动信号进行模数转换处理,得到所述待检测叶片的震动数字量。
具体的,通过在待检测叶片上安装震动传感器,将待检测叶片的震动信号实时传输至处理器,由于震动传感器采集到的为模拟信号,而计算机只能对数字量进行处理,因此,处理器将接收到的震动信号通过模数转换器转换成震动数字量。其中,震动数字量可包括基本的震动参数,如,振幅参数、震动频率参数和相位等,用于判断待检测叶片的故障以及故障类型。
作为本发明的一个可选实施例,对实时获取的待检测叶片的震动信号进行模数转换处理,得到待检测叶片的震动数字量包括:
对待检测叶片的震动信号进行信号适调处理,使待检测叶片的震动信号满足预设模数转换量程,得到适调后的震动信号;
对适调后的震动信号进行模数转换处理,得到待检测叶片的震动数字量。
具体的,由于对数据处理的系统为数字化系统,所以在模数转化处理过程中芯片的输入量程有一定的限制,为了保证信号转换具有较高的信噪比,信号进行模数转换处理之前,需要进行适调。其中,适调包括大信号的衰减处理和弱信号的放大处理,以及对于一些直流信号进行偏置处理,使其满足预设模数转换量程,然后,对适调后的震动信号进行模数转换处理,得到待检测叶片的震动数字量。
步骤S120、根据待检测叶片的震动数字量,通过预设风机叶片故障识别模型,对待检测叶片进行故障识别处理,得到待检测叶片的故障识别结果。
具体的,将待检测叶片的震动数字量输入预设风机叶片故障识别模型中,通过预设风机叶片故障识别模型对待检测叶片进行故障识别处理;其中,预设风机叶片故障识别模型可包括用于输入待检测叶片的震动数字量的输入层、用于将输入层输入的待检测叶片的震动数字量与预先学习的叶片故障状态的叶片震动数据进行比对处理的判断层,将判断层得到判断结果进行输出的故障识别结果输出层。
作为本发明的一个可选实施例,预设风机叶片故障识别模型的训练方法包括:
分别将待检测叶片的正常工作状态的历史震动数据作为正样本数据和将叶片故障状态的叶片震动数据作为负样本数据;
建立长短期记忆的神经网络模型,并通过正样本数据和负样本数据对长短期记忆的神经网络模型进行模型训练处理,得到预设风机叶片故障识别模型。
具体的,采集待检测叶片的正常工作状态的历史震动数据和采集叶片故障状态的叶片震动数据,并提取两个样本中的叶片震动数字量,作为特征数字量,然后通过两个样本分别对长短期记忆的神经网络模型进行深度学习训练,使得到的预设风机叶片故障识别模型能够根据输入的检测叶片的震动数字量识别待检测叶片的故障。
步骤S130、根据获取的待检测叶片的故障识别结果为识别叶片故障,将待检测叶片的震动数字量输入预设叶片故障类型分析模型,通过预设叶片故障类型分析模型对待检测叶片的故障类型进行分析,得到待检测叶片的故障的类型。
具体的,当待检测叶片的故障识别结果为识别叶片故障时,为了后续叶片故障的处理,需要判断叶片故障的类型,其中叶片故障的类型一般包括:叶片损伤(如,叶片叶尖裂纹、玻璃钢脱落、叶片前缘、后缘或特定方向发生的扩展裂纹或剥落、腰部纤维铺层剥离或破裂、腹板支撑位分层或破裂)、叶片结冰、叶片的变桨轴承损伤、叶片的桨距角偏差以及叶片平衡性故障等问题。待检测叶片的震动数字量输入预设叶片故障类型分析模型,通过预设叶片故障类型分析模型对待检测叶片的故障类型进行分析,得到待检测叶片的故障的类型。
作为本发明的一个可选实施例,预设叶片故障类型分析模型的训练方法包括:
采集不同类型故障的叶片震动信号样本;
对不同类型故障的叶片震动信号样本均进行模数转换处理,得到不同类型故障叶片的叶片震动数字量;其中,叶片震动数字量包括震动参数数据;
对每种类型故障叶片的震动参数数据进行归一化处理,得到每种类型故障叶片的特征参数数据;
建立神经网络基础模型,通过每种类型故障叶片的特征参数数据对神经网络基础模型进行模型训练,得到预设叶片故障类型分析模型。
具体的,由于每种类型的故障对应的叶片的震动信号是不同的,因此,采集不同类型故障的叶片震动信号样本,然后将不同类型故障的叶片震动信号样本均进行模数转换处理,得到不同类型故障叶片的叶片震动数字量,在此,过程中,为了能够更加准确的判断叶片故障的类型及故障位置,叶片震动信号样本包括来自叶片不同位置上的叶片震动信号。然后为了便于建立叶片故障的类型与发生故障时参数的特征相对应,对每种类型故障叶片的震动参数数据进行归一化处理,得到每种类型故障叶片的特征参数数据,最后通过模型训练得到预设叶片故障类型分析模型。
作为本发明的一个可选实施例,将待检测叶片的震动数字量输入预设叶片故障类型分析模型,通过预设叶片故障类型分析模型对待检测叶片的故障类型进行分析,得到待检测叶片的故障的类型包括:
对待检测叶片的震动数字量的震动参数数据进行归一化处理,得到待检测叶片的特征参数数据;
通过将待检测叶片的特征参数数据与每种类型故障叶片的特征参数数据进行比对,确定待检测叶片的故障的类型。
具体的,为了便于预设叶片故障类型分析模型对待检测叶片的故障类型进行分析,需要将待检测叶片的震动数字量的震动参数数据进行归一化处理,然后将归一化处理得到的特征参数数据与每种类型故障叶片的特征参数数据进行比对,从而确定待检测叶片的故障的类型。
作为本发明的一个可选实施例,震动参数数据包括振幅参数、震动频率参数和相位参数;和/或,待检测叶片的震动数字量包括振幅参数、震动频率参数和相位参数。
具体的,每种类型故障叶片的特征参数数据与待检测叶片的震动数字量包括的参数数据相同,便于后续的数据比对分析,确定待检测叶片的故障的类型。
步骤S140、根据待检测叶片的故障类型,生成与待检测叶片的故障类型预先匹配的叶片故障预警提示信息。
具体的,为了对不同故障类型的待检测叶片进行故障预警提示,可预设故障预警提示信息库,储存每种故障类型对应的故障预警提示信息。
作为本发明的一个可选实施例,叶片故障预警提示信息为文本形式的预警提示信息或图表形式的预警提示信息。
具体的,叶片故障预警提示信息可优选为文本形式的预警提示信息或图表形式的预警提示信息,也可采用不同颜色的信号等进行提示,只要预先约定能够对不同类型的故障进行预警区分即可。
如图2所示,是本发明一个实施例的风机叶片故障检测装置的功能模块图。
本发明所述风机叶片故障检测装置200可以安装于电子设备中。根据实现的功能,所述风机叶片故障检测装置可以包括模数转换模块210、故障识别模块220、故障类型分析模块230、故障预警信号生成模块240。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
模数转换模块210,用于对实时获取的待检测叶片的震动信号进行模数转换处理,得到所述待检测叶片的震动数字量。
具体的,在待检测叶片上安装震动传感器,将待检测叶片的震动信号实时传输至处理器,由于震动传感器采集到的为模拟信号,而计算机只能对数字量进行处理,因此,处理器通过模数转换模块将接收到的震动信号通过模数转换器转换成震动数字量。其中,震动数字量可包括基本的震动参数,如,振幅参数、震动频率参数和相位等,用于判断待检测叶片的故障以及故障的类型。
作为本发明的一个可选实施例,模数转换模块210进一步包括信号适调单元和模数转换单元(图中未示出)。其中,
信号适调单元,用于对待检测叶片的震动信号进行信号适调处理,使待检测叶片的震动信号满足预设模数转换量程,得到适调后的震动信号;
模数转换单元,用于对适调后的震动信号进行模数转换处理,得到待检测叶片的震动数字量。
具体的,由于对数据处理的系统为数字化系统,所以在模数转化处理过程中芯片的输入量程有一定的限制,为了保证信号转换具有较高的信噪比,信号进行模数转换处理之前,需要通过信号适调单元对待检测叶片的震动信号进行信号适调进行适调。其中,适调包括大信号的衰减处理和弱信号的放大处理,以及对于一些直流信号进行偏置处理,使其满足预设模数转换量程,然后,通过模数转换单元对适调后的震动信号进行模数转换处理,得到待检测叶片的震动数字量。
故障识别模块220,用于根据待检测叶片的震动数字量,通过预设风机叶片故障识别模型,对待检测叶片进行故障识别处理,得到待检测叶片的故障识别结果。
具体的,将待检测叶片的震动数字量输入预设风机叶片故障识别模型中,通过预设风机叶片故障识别模型对待检测叶片进行故障识别处理;其中,预设风机叶片故障识别模型可包括用于输入待检测叶片的震动数字量的输入层、用于将输入层输入的待检测叶片的震动数字量与预先学习的叶片故障状态的叶片震动数据进行比对处理的判断层,将判断层得到判断结果进行输出的故障识别结果输出层。
作为本发明的一个可选实施例,预设风机叶片故障识别模型的训练方法包括:
分别将待检测叶片的正常工作状态的历史震动数据作为正样本数据和将叶片故障状态的叶片震动数据作为负样本数据;
建立长短期记忆的神经网络模型,并通过正样本数据和负样本数据对长短期记忆的神经网络模型进行模型训练处理,得到预设风机叶片故障识别模型。
具体的,采集待检测叶片的正常工作状态的历史震动数据和采集叶片故障状态的叶片震动数据,并提取两个样本中的叶片震动数字量,作为特征数字量,然后通过两个样本分别对长短期记忆的神经网络模型进行深度学习训练,使得到的预设风机叶片故障识别模型能够根据输入的检测叶片的震动数字量识别待检测叶片的故障。
故障类型分析模块230,用于根据获取的待检测叶片的故障识别结果为识别叶片故障,将待检测叶片的震动数字量输入预设叶片故障类型分析模型,通过预设叶片故障类型分析模型对待检测叶片的故障类型进行分析,得到待检测叶片的故障的类型。
具体的,当待检测叶片的故障识别结果为识别叶片故障时,为了后续叶片故障的处理,需要判断叶片故障的类型,其中叶片故障的类型一般包括:叶片损伤(如,叶片叶尖裂纹、玻璃钢脱落、叶片前缘、后缘或特定方向发生的扩展裂纹或剥落、腰部纤维铺层剥离或破裂、腹板支撑位分层或破裂)、叶片结冰、叶片的变桨轴承损伤、叶片的桨距角偏差以及叶片平衡性故障等问题。待检测叶片的震动数字量输入预设叶片故障类型分析模型,通过预设叶片故障类型分析模型对待检测叶片的故障类型进行分析,得到待检测叶片的故障的类型。
作为本发明的一个可选实施例,预设叶片故障类型分析模型的训练方法包括:
采集不同类型故障的叶片震动信号样本;
对不同类型故障的叶片震动信号样本均进行模数转换处理,得到不同类型故障叶片的叶片震动数字量;其中,叶片震动数字量包括震动参数数据;
对每种类型故障叶片的震动参数数据进行归一化处理,得到每种类型故障叶片的特征参数数据;
建立神经网络基础模型,通过每种类型故障叶片的特征参数数据对神经网络基础模型进行模型训练,得到预设叶片故障类型分析模型。
具体的,由于每种类型的故障对应的叶片的震动信号是不同的,因此,采集不同类型故障的叶片震动信号样本,然后将不同类型故障的叶片震动信号样本均进行模数转换处理,得到不同类型故障叶片的叶片震动数字量,在此,过程中,为了能够更加准确的判断叶片故障的类型及故障位置,叶片震动信号样本包括来自叶片不同位置上的叶片震动信号。然后为了便于建立叶片故障的类型与发生故障时参数的特征相对应,对每种类型故障叶片的震动参数数据进行归一化处理,得到每种类型故障叶片的特征参数数据,最后通过模型训练得到预设叶片故障类型分析模型。
作为本发明的一个可选实施例,故障类型分析模块230进一步包括归一化处理单元和故障的类型确定单元(图中未示出)。其中,
归一化处理单元,用于对待检测叶片的震动数字量的震动参数数据进行归一化处理,得到待检测叶片的特征参数数据;
故障的类型确定单元,用于通过将待检测叶片的特征参数数据与每种类型故障叶片的特征参数数据进行比对,确定待检测叶片的故障的类型。
具体的,为了便于预设叶片故障类型分析模型对待检测叶片的故障类型进行分析,需要通过归一化处理单元将待检测叶片的震动数字量的震动参数数据进行归一化处理,然后通过故障的类型确定单元将归一化处理得到的特征参数数据与每种类型故障叶片的特征参数数据进行比对,从而确定待检测叶片的故障的类型。
作为本发明的一个可选实施例,震动参数数据包括振幅参数、震动频率参数和相位参数;和/或,待检测叶片的震动数字量包括振幅参数、震动频率参数和相位参数。
具体的,每种类型故障叶片的特征参数数据与待检测叶片的震动数字量包括的参数数据相同,便于后续的数据比对分析,确定待检测叶片的故障的类型。
故障预警信号生成模块240,用于根据待检测叶片的故障类型,生成与待检测叶片的故障类型预先匹配的叶片故障预警提示信息。
具体的,为了对不同故障类型的待检测叶片进行故障预警提示,可预设故障预警提示信息库,储存每种故障类型对应的故障预警提示信息。
作为本发明的一个可选实施例,叶片故障预警提示信息为文本形式的预警提示信息或图表形式的预警提示信息。
具体的,叶片故障预警提示信息可优选为文本形式的预警提示信息或图表形式的预警提示信息,也可采用不同颜色的信号等进行提示,只要预先约定能够对不同类型的故障进行预警区分即可。
如图3所示,是本发明一个实施例实现风机叶片故障检测方法的检测系统的电子设备结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如风机叶片故障检测程序12。
其中,存储器11至少包括一种类型的可读存储介质,可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如风机叶片故障检测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如风机叶片故障检测程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11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:
对实时获取的待检测叶片的震动信号进行模数转换处理,得到待检测叶片的震动数字量;
根据待检测叶片的震动数字量,通过预设风机叶片故障识别模型,对待检测叶片进行故障识别处理,得到待检测叶片的故障识别结果;
根据获取的待检测叶片的故障识别结果为识别叶片故障,将待检测叶片的震动数字量输入预设叶片故障类型分析模型,通过预设叶片故障类型分析模型对待检测叶片的故障类型进行分析,得到待检测叶片的故障的类型;
根据待检测叶片的故障类型,生成与待检测叶片的故障类型预先匹配的叶片故障预警提示信息。
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。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种风机叶片故障检测方法,应用于电子装置,其特征在于,所述方法包括:
对实时获取的待检测叶片的震动信号进行模数转换处理,得到所述待检测叶片的震动数字量;
根据所述待检测叶片的震动数字量,通过预设风机叶片故障识别模型,对所述待检测叶片进行故障识别处理,得到待检测叶片的故障识别结果;
根据获取的所述待检测叶片的故障识别结果为识别叶片故障,将所述待检测叶片的震动数字量输入预设叶片故障类型分析模型,通过所述预设叶片故障类型分析模型对所述待检测叶片的故障类型进行分析,得到所述待检测叶片的故障的类型;
根据所述待检测叶片的故障类型,生成与所述待检测叶片的故障类型预先匹配的叶片故障预警提示信息。
2.根据权利要求1所述的风机叶片故障检测方法,其特征在于,所述对实时获取的待检测叶片的震动信号进行模数转换处理,得到所述待检测叶片的震动数字量包括:
对所述待检测叶片的震动信号进行信号适调处理,使所述待检测叶片的震动信号满足预设模数转换量程,得到适调后的震动信号;
对所述适调后的震动信号进行模数转换处理,得到所述待检测叶片的震动数字量。
3.根据权利要求1所述的风机叶片故障检测方法,其特征在于,所述预设风机叶片故障识别模型的训练方法包括:
分别将待检测叶片的正常工作状态的历史震动数据作为正样本数据和将叶片故障状态的叶片震动数据作为负样本数据;
建立长短期记忆的神经网络模型,并通过所述正样本数据和所述负样本数据对所述长短期记忆的神经网络模型进行模型训练处理,得到预设风机叶片故障识别模型。
4.根据权利要求1所述的风机叶片故障检测方法,其特征在于,预设叶片故障类型分析模型的训练方法包括:
采集不同类型故障的叶片震动信号样本;
对所述不同类型故障的叶片震动信号样本均进行模数转换处理,得到不同类型故障叶片的叶片震动数字量;其中,所述叶片震动数字量包括震动参数数据;
对每种类型故障叶片的震动参数数据进行归一化处理,得到每种类型故障叶片的特征参数数据;
建立神经网络基础模型,通过所述每种类型故障叶片的特征参数数据对所述神经网络基础模型进行模型训练,得到预设叶片故障类型分析模型。
5.根据权利要求4所述的风机叶片故障检测方法,其特征在于,将所述待检测叶片的震动数字量输入预设叶片故障类型分析模型,通过所述预设叶片故障类型分析模型对所述待检测叶片的故障类型进行分析,得到所述待检测叶片的故障的类型包括:
对所述待检测叶片的震动数字量的震动参数数据进行归一化处理,得到所述待检测叶片的特征参数数据;
通过将所述待检测叶片的特征参数数据与每种类型故障叶片的特征参数数据进行比对,确定所述待检测叶片的故障的类型。
6.根据权利要求5所述的风机叶片故障检测方法,其特征在于,
所述震动参数数据包括振幅参数、震动频率参数和相位参数;和/或,
所述待检测叶片的震动数字量包括振幅参数、震动频率参数和相位参数。
7.根据权利要求1所述的风机叶片故障检测方法,其特征在于,所述叶片故障预警提示信息为文本形式的预警提示信息或图表形式的预警提示信息。
8.一种风机叶片故障检测装置,用于实现权利要求1-7任一项所述的风机叶片故障检测方法,其特征在于,包括:
模数转换模块,用于对实时获取的待检测叶片的震动信号进行模数转换处理,得到所述待检测叶片的震动数字量;
故障识别模块,用于根据所述待检测叶片的震动数字量,通过预设风机叶片故障识别模型,对所述待检测叶片进行故障识别处理,得到待检测叶片的故障识别结果;
故障类型分析模块,用于根据获取的所述待检测叶片的故障识别结果为识别叶片故障,将所述待检测叶片的震动数字量输入预设叶片故障类型分析模型,通过所述预设叶片故障类型分析模型对所述待检测叶片的故障类型进行分析,得到所述待检测叶片的故障的类型;
故障预警信号生成模块,用于根据所述待检测叶片的故障类型,生成与所述待检测叶片的故障类型预先匹配的叶片故障预警提示信息。
9.一种风机叶片故障检测系统,其特征在于,包括至少一个处理器以及与所述至少一个处理器耦合的存储器,其中,所述至少一个处理器用于执行存储器中的指令,实现权利要求1-7中任一项所述的风机叶片故障检测方法。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的风机叶片故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111522584.5A CN114330513A (zh) | 2021-12-13 | 2021-12-13 | 风机叶片故障检测方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111522584.5A CN114330513A (zh) | 2021-12-13 | 2021-12-13 | 风机叶片故障检测方法、装置、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330513A true CN114330513A (zh) | 2022-04-12 |
Family
ID=81051394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111522584.5A Pending CN114330513A (zh) | 2021-12-13 | 2021-12-13 | 风机叶片故障检测方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330513A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115587294A (zh) * | 2022-12-08 | 2023-01-10 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法 |
CN117057676A (zh) * | 2023-10-11 | 2023-11-14 | 深圳润世华软件和信息技术服务有限公司 | 多数据融合的故障分析方法、设备及存储介质 |
-
2021
- 2021-12-13 CN CN202111522584.5A patent/CN114330513A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115587294A (zh) * | 2022-12-08 | 2023-01-10 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于叶尖间隙和轴承振动的压缩机故障诊断方法 |
CN117057676A (zh) * | 2023-10-11 | 2023-11-14 | 深圳润世华软件和信息技术服务有限公司 | 多数据融合的故障分析方法、设备及存储介质 |
CN117057676B (zh) * | 2023-10-11 | 2024-02-23 | 深圳润世华软件和信息技术服务有限公司 | 多数据融合的故障分析方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114330513A (zh) | 风机叶片故障检测方法、装置、系统及存储介质 | |
CN102102629B (zh) | 一种风电机组在线数据采集与分析装置 | |
CN108252873B (zh) | 一种风力发电机组在线数据监测及其性能评估的系统 | |
US20180224324A1 (en) | Abnormality diagnosis device and sensor detachment detection method | |
CN102434387A (zh) | 风机检测诊断系统 | |
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 | |
CN113931258B (zh) | 自我诊断方法和无负压叠压供水设备 | |
CN105424333B (zh) | 一种风力机叶片现场损伤监测与识别方法 | |
CN203742968U (zh) | 一种水泵运行能效在线监测装置 | |
CN101819093A (zh) | 掘进机截割头主轴轴承故障诊断装置及其使用方法 | |
CN1321328C (zh) | 电动机早期故障小波诊断系统及其诊断电动机故障的方法 | |
CN113283292B (zh) | 一种水下微型推进器故障诊断的方法及装置 | |
CN111351567A (zh) | 一种基于加速度传感器的船舶设备振动状态监测装置及方法 | |
CN102123177A (zh) | 基于网络实现的旋转机械故障检测系统及其在线检测方法 | |
CN202453182U (zh) | 一种风电机组齿轮箱故障诊断装置 | |
CN105372537B (zh) | 基于Labview/PDA的变频器智能测试平台 | |
CN212513308U (zh) | 一种水上运输工具振动报警装置 | |
CN207080318U (zh) | 基于振动检测与无线信号传输的风力机叶片状态监测系统 | |
CN107218180B (zh) | 一种基于振动加速度测量的风力发电机组传动系统故障报警方法 | |
CN102914357A (zh) | 风力发电机机械零部件异常共振预警装置及方法 | |
CN214196746U (zh) | 磁悬浮离心式压缩机故障测试装置 | |
CN111307439B (zh) | 风力发电机叶片缺陷检测方法、装置、设备及存储介质 | |
CN114564804A (zh) | 风电机组的叶片断裂预警方法和装置 | |
CN204462695U (zh) | 一种风电设备紧固件视觉检测的控制系统 | |
CN106908726B (zh) | 直流电机的工作状态检测系统、方法以及网络设备 |
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 |