CN114565006A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114565006A CN114565006A CN202111465662.2A CN202111465662A CN114565006A CN 114565006 A CN114565006 A CN 114565006A CN 202111465662 A CN202111465662 A CN 202111465662A CN 114565006 A CN114565006 A CN 114565006A
- Authority
- CN
- China
- Prior art keywords
- blade
- deep learning
- data
- damage
- value
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了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,包括采集叶片数据并进行预处理;优化算法更新模型参数;将数据输入到深度学习预测模型,自适应提取数据特征;计算健康指标真实值和预测值;计算均方根误差并对叶片进行判定;计算数据的熵值和能量值,并判定叶片异常;将数据输入深度学习诊断模型,自适应提取故障特征及标签;将故障标签与故障数据库匹配,得到叶片诊断结果并输出至风场控制中心,同步更新故障数据库。本发明通过自适应提取数据信号特征,根据健康指标准确、及时的监测叶片早期损伤,并检测叶片损伤类型、位置及程度,无需依赖人工先验经验,通过优化算法更新模型参数,使该方法检测精度更高、适应性更广。
Description
技术领域
本发明涉及叶片损伤检测领域,尤其是指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。
背景技术
叶片是风力发电机的关键部件之一,叶片损伤直接影响叶片的寿命和风机平稳运行的可靠性。目前,叶片缺陷检测通常是在叶片上设置加速度传感器,以及根据应力测试分析结果来判断叶片是否有损伤,然而,该方式只能判断出叶片上是否有损伤,无法准确获取损伤位置,从而导致该类方法检测精度不高;光纤光栅检测需要在叶片制造时在材料内部埋设光纤光栅传感器,制造难度大,且在长时间运行后传感器可能出现失效、损坏等情况,难以维护;超声波检测是利用材料及其缺陷的声学性能差异,通过超声波传播波形反射情况和穿透时间的能量变化来检测叶片内部缺陷的无损探伤方法,受检测人员的主观判断影响,其检测周期长,更适合于出厂前的静态监测;红外成像检测对预损伤较深的位置,检测灵敏度不高,且受环境因素的影响较大,对叶片的实时检测难度较大。现有技术中还有采用基于数据驱动的叶片损伤检测方法,提取叶片振动信号的时域、频域以及时频域的特征,根据特征判断叶片是否存在损伤,这种方式依赖于人工的检验经验,诊断效率低、精度低,且对于不同风场的风机检测适应性差。
例如,一种在中国专利文献上公开的“一种风机叶片损伤同步检测装置及方法”,其公告号CN108386323A,所述装置包括起升机构、推进机构、同步机构、移动机构、圆环采集机构、信息处理单元,同步机构包括同步机构基体、智能锁紧装置,圆环采集机构包括红外成像仪、红外闪光灯激励源调节系统。所述方法包括:起升机构将装置举正、起升,推送机构推送检测装置与风机同步,移动机构将圆环采集机构传送至检测部位,调节系统对红外闪光灯的高度、角度、频率进行调节,红外成像仪采集图像数据发送至信息处理单元,信息处理单元构建叶片红外三维热像图进行分析判断,装置复位,检测结束。该发明虽然实现风机叶片损伤在线同步检测,通过风机叶片红外三维热像图分析判断损伤,缩短了检测时间,但存在检测设备不易安装维护、稳定性差、检测精度和灵敏度不高,且受环境因素的影响较大的问题。
发明内容
本发明是为了克服现有技术的风力发电机叶片损伤检测稳定性差、精度低和依赖人工先验经验的问题,提供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。
为了实现上述目的,本发明采用以下技术方案:
一种基于深度学习的风力发电机叶片损伤检测方法,包括以下步骤:S1:实时采集叶片的原始音频、振动数据并进行预处理,并将预处理后的数据划分为训练样本集X、验证样本集Y和测试样本集Z;S2:优化算法更新深度学习模型和机器学习预测模型的参数,深度学习模型包括深度学习预测模型和深度学习诊断模型;S3:将S1中训练样本集X数据输入到深度学习预测模型,自适应提取数据特征;S4:根据S3中提取的数据特征计算健康指标的真实值,将健康指标的真实值数据输入到机器学习预测模型,获取健康指标的预测值;S5:根据健康指标的真实值和健康指标的预测值计算均方根误差,将均方根误差与预先设定的误差阈值进行比较,当均方根误差小于预先设定的误差阈值时,判定叶片正常,本次检测结束;当均方根误差大于预先设定的误差阈值时,进入S6;S6:计算数据的熵值和能量值,并将熵值和能量值与预先设定的熵阈值和能量阈值进行比较,当熵值大于熵阈值且能量值大于能量阈值时,判定叶片异常,进入S7;否则判定叶片正常,本次检测结束;S7:将S1的预处理后的数据输入深度学习诊断模型,自适应提取故障特征及故障标签;S8:将故障标签与叶片故障数据库匹配,得到叶片的损伤位置、损伤类型、损伤程度,并将诊断的结果输出至风场控制中心,并同步更新叶片故障数据库。与现有技术相比,本发明通过自适应提取音频、振动信号特征,根据健康指标准确、及时的监测叶片早期损伤,并检测出叶片损伤类型、位置及程度,无需依赖人工先验经验,通过优化算法更新深度学习模型参数,使该方法检测精度更高、适应性更广。
作为本发明的优选方案,所述S4中机器学习预测模型的输出为:β=HT(I/C+HHT)-1y,定义核矩阵ΩELM=HHT,矩阵元素ΩELM(i,j)=h(xi)h(xj)=K(xi,xj),则机器学习预测模型的输出为其中核函数K(xi,yi)=exp(-γ||xi,xj||2),其中,h(x)是隐含层输出矩阵,β表示隐含层与输出层的连接权重,C是惩罚系数,γ是核参数。
作为本发明的优选方案,所述S4健康指标真实值的计算公式为:
作为本发明的优选方案,所述S6中熵值计算公式为:
作为本发明的优选方案,所述S6中能量值计算公式为:
其中,E(j,i)表示分阶层j上第i个节点的能量值;ps(n,j,k)是小波包系数。
作为本发明的优选方案,所述S2中的优化算法的作用是阶段性的,依据SCADA风速参数、噪声等级进行实施。
一种基于深度学习的风力发电机叶片损伤检测系统,包括信号采集模块,用于采集叶片音频、振动信号数据;工况划分模块,依据SCADA风速参数、噪声等级,设定参考阈值;预处理模块,用于处理音频、振动信号的噪声及环境干扰等无关信息;深度学习特征提取模块,用于自适应提取音频、振动信号的高维特征;深度学习预测模块,用于输出叶片实时监测结果;深度学习诊断模块,用于自适应诊断叶片损伤位置、类型、程度;显示及传输模块,用于显示诊断结果,并传输至风场控制中心。
作为本发明的优选方案,所述系统还包括中央处理器,实现整个系统的运行和控制功能;存储器,用于存储处理器执行风力发电机组叶片早期损伤检测方法的程序指令和在执行程序指令的过程中所产生的相关数据。
因此,本发明具有以下有益效果:本发明通过自适应提取音频、振动信号特征,根据健康指标准确、及时的监测叶片早期损伤,并检测出叶片损伤类型、位置及程度,无需依赖人工先验经验,通过优化算法更新深度学习模型参数,使该方法检测精度更高、适应性更广。
附图说明
图1是本发明的风力发电机叶片损伤检测方法的流程图;
图2是本发明的实施例的叶片损伤监测流程图;
图3是本发明的实施例的叶片损伤诊断流程图;
图4是本发明的深度学习预测模型结构示意图;
图5是本发明的深度学习诊断模型结构示意图;
图6是本发明的实施例的原始音频、振动数据波形图;
图7是本发明的实施例的经过带通滤波去除噪声干扰以后的数据波形图;
图8是本发明的实施例的测试样本集中健康指标存在异常的部分数据分布图;
图9是本发明的实施例的多尺度样本熵数据图;
图10是本发明的实施例的小波能量数据图;
图11是本发明的系统结构示意图;
图12是本发明的系统装置在风力发电机上的安装位置示意图;
图中:1、第一加速度传感器;2、第二加速度传感器;3、第三加速度传感器;4、拾音器;5、中央处理器。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
如图1所示,一种基于深度学习的风力发电机叶片损伤检测方法,包括叶片损伤监测和叶片损伤诊断,如图2本发明的实施例的叶片损伤监测流程图,图3为本发明的实施例的叶片损伤诊断流程图,包括:
S1:实时获取风力发电机叶片的原始音频、振动信号数据,并对数据进行预处理,将进行预处理后得到的数据划分为训练样本集X、验证样本集Y和测试样本集Z;具体的,预处理过程包括滤波器降噪和信号分解并重构,使用巴特沃兹带通滤波器对风力发电机叶片的原始音频、振动信号数据滤波,去除环境噪声、鸟鸣、机械振动噪声,巴特沃兹带通滤波器的起止频带设置为800Hz~10KHz,然后将滤波后的音频、振动数据进行小波包分解,小波基函数选择morlet小波,其公式为:
其中,C是重构时的归一化常数,e为无理数,t为时间序列。
S2:使用优化算法对深度学习模型和机器学习预测模型进行优化,更新深度学习模型和机器学习预测模型的参数,其中,深度学习模型包括深度学习预测模型和深度学习诊断模型;具体的,优化算法采用模拟退火粒子群算法,设定加速度因子c1=c2=1.5,粒子群数量N=20,惯性权重ωstart=0.9,ωend=0.4,参数优化区间(C,γ)=[0.01,200],最大迭代次数为100,模拟退火参数λ=0.7,深度学习预测模型参数初始化ω=rand(H,L),b=zeros(H,1),其中ω为权值矩阵,b为偏置向量,H表示隐含层神经元个数,L表示DBN输入层神经元个数,优化算法的作用是阶段性的,依据SCADA风速参数、噪声等级进行实施,其中,所述深度学习预测模型输入的训练集数据比测试集数据多。
优化算法优化的具体过程为:对优化算法、深度学习模型和机器学习预测模型进行参数初始化,对训练样本集X采用matlab函数mapminmax进行归一化处理,归一化区间为[0,1],根据验证样本集Y和适应度函数公式
S3:将训练样本集X数据作为深度学习预测模型的输入,自适应提取数据特征,其中深度学习预测模型的激活函数采用sigmoid,其表达式为:深度学习预测模型仅用来无监督提取音频、振动数据的特征,不包含有监督反向微调。
深度学习预测模型的结构如图4所示,将训练样本集合X作为深度学习预测的输入,自适应无监督提取高维特征,将获取的高维特征输入机器学习预测模型,健康指标真实值和健康指标预测值计算均方根误差误差,确定深度学习预测模型的神经元个数、网络层数和各层的随机权值、偏置参数,并通过验证样本集Y验证模型的准确性、可靠性。
S4:根据自适应提取的数据特征和公式计算出健康指标的真实值,并将健康指标的真实值作为机器学习预测模型的输入,得到健康指标的预测值;具体的,机器学习预测模型的输出为:β=HT(I/C+HHT)-1y,定义核矩阵ΩELM=HHT,矩阵元素ΩELM(i,j)=h(xi)h(xj)=K(xi,xj),则机器学习预测模型的输出为
其中,核函数K(xi,yi)=exp(-γ||xi,xj||2),h(x)是隐含层输出矩阵,β表示隐含层与输出层的连接权重,C是惩罚系数,γ是核参数。
健康指标的真实值计算公式为:
S5:得到健康指标的真实值和健康指标的预测值,根据均方根误差(RMSE残差)计算公式计算均方根误差,并将均方根误差与误差阈值进行比较,若均方根误差小于误差阈值,则判定叶片正常,本次检测结束;若均方根误差大于预先设定的误差阈值,进入下一步;具体的,预先设定的误差阈值R为0.8,均方根误差计算公式为:
S6:计算训练样本集X数据的熵值和能量值,并将熵值和能量值与预先设定的熵阈值和能量阈值进行比较,若熵值大于熵阈值且能量值大于能量阈值,判定叶片异常,进入下一步;否则判定叶片正常,本次检测结束;具体的,多尺度样本熵的输出即熵值计算公式为:
小波包能量公式为:
其中,E(j,i)表示分阶层j上第i个节点的能量值;ps(n,j,k)是小波包系数。
在本实施例中,检测结果如图6-10所示,可通过多尺度样本熵及能量比及时发现叶片异常。图6为采集到的原始音频、振动数据;图7为经过带通滤波去除噪声干扰以后的数据,并将预处理后的数据划分为训练集、验证集、测试集,并进行归一化处理;图8为测试样本集中健康指标存在异常的部分数据,此时发现RMSE的值存在大于阈值0.8的数据;图9和图10对当前存在异常的数据分别提取多尺度熵和小波能量,发现其多尺度熵及小波能量在此后的时间段内出现异常增大,判定叶片出现损伤。
S7:将归一化后的预处理后的数据(包括训练样本集X、验证样本集Y和测试样本集Z)作为深度学习诊断模型的输入,自适应提取故障特征及故障标签;具体的,深度学习诊断模型的可见层单元v={v1,v2,v3,……vi},隐含层单元h={h1,h2,h3,……hi}、权重矩阵ω、可视层单元的阈值α和隐含层单元阈值b的条件下,记θ={ω,α,b},对j都有vi∈(0,1),hi∈(0,1),原始深度学习诊断模型受限玻尔兹曼机(RBM)能量函数为:
采用高斯分布的连续受限玻尔兹曼机(CRBM),CRBM运用CD算法对其参数进行调整。此时能量函数为:
其中σi是加有高斯噪声的可视节点的标准方差向量。
使用稀疏正则化无监督预训练模型,定义为f=fC+λfS,其中fc表示CRBM的最大似然函数,λ为正则化系数,fs表示稀疏正则化函数;
改进的深度学习诊断模型输出函数为:
其中,m为神经元个数,P(vi)是独立分布函数,λ为正则化系数,fs表示稀疏正则化函数。
通过改进的CRBM即深度学习诊断模型以及引入正则化系数,可以加快模型的训练/诊断速度,减少训练过程中的损失,提高叶片损伤故障诊断精度和鲁棒性。
具体地,其诊断模型训练过程如图5所示,将归一化后的预处理后的数据导入深度学习诊断模型,其中深度学习诊断模型采用四层隐含层,顶层分类器采用KELM用来监督提取音频、振动信号高维特征,正向训练采用CD算法,反向微调采用BPNN算法,其故障标签由提取的健康指标构成。将提取完的高维特征输入到KELM分类模型中,通过分类器输出故障样本的特征标签,与叶片损伤数据库进行比对,得到叶片损伤识别结果。
S8:将故障标签与叶片故障数据库匹配,得到叶片的损伤位置、损伤类型、损伤程度,并将诊断的结果输出至风场控制中心,并同步更新叶片故障数据库。
如图11所示,本发明好包括一种基于深度学习的风力发电机叶片损伤检测系统,包括信号采集模块,信号采集模块包括拾音器和加速度传感器,用于采集叶片音频、振动信号数据;工况划分模块,工况划分模块包括分速划分模块和噪声等级划分模块,依据SCADA风速参数、噪声等级,设定参考阈值;预处理模块,用于处理音频、振动信号的噪声及环境干扰等无关信息,确定深度学习预测模块以及深度学习诊断模块的输入参量,输出参量健康指标为预测变量;深度学习特征提取模块,用于自适应提取音频、振动信号的高维特征;深度学习预测模块,用于输出叶片实时监测结果;还包括机器学习预测模块,用于获取健康指标的预测值;深度学习诊断模块,用于自适应诊断叶片损伤位置、类型、程度;显示模块,用于显示诊断结果;传输模块,将诊断结果传输至风场控制中心;还包括中央处理器,实现整个系统的运行和控制功能;存储器,用于存储处理器执行风力发电机组叶片早期损伤检测方法的程序指令和在执行程序指令的过程中所产生的相关数据;存储器中还包含故障样本数据库,用于与故障标签进行匹配。
其中,深度学习预测模块的建立包括:确定数据预处理之后的训练样本集X、验证样本集Y和测试样本集Z;将训练样本集X作为深度学习预测模型的输入,自适应无监督提取高维特征,将获取的特征输入机器学习预测模型,依据机器学习预测预测健康指标的误差,确定深度学习预测模型的神经元个数、网络层数和各层的随机权值、偏置参数。深度学习诊断模块的建立包括:迁移深度学习预测模型的神经元个数、学习率、随机权值和偏置参数至深度学习诊断模型,将与处理后的数据(包括训练样本集X、验证样本集Y和测试样本集Z)作为深度学习诊断模型的输入,将故障标签作为输出数据,自适应提取高维特征,将深度学习诊断模型的输出故障标签与叶片故障数据库比对,得到叶片损伤类型、位置、程度。
如图12所示,根据本发明示例性实施例的风力发电机叶片早期损伤检测系统的主要装置的安装位置及实现的功能,将中央处理器5安装在机舱内部,并连接风电场计算中心,将拾音器4安装在塔筒根部2m位置处,第一加速度传感器1、第二加速度传感器2和第三加速度传感器3分别安装在距离叶片根部1/3位置处,实时采集音频、振动数据。
打开系统控制开关,实时采集叶片音频及振动数据,依据风速划分模块及噪声等级划分模块调整RMSE阈值,当检测到数据RMSE大于设定阈值时,记录此后10分钟叶片的运行数据作为测试样本集Z,通过异常指标检测模块计算多尺度样本熵和小波包能量,若未发现异常,则释放内存,继续监测叶片运行状态;当超出设定阈值时,启动中央处理器的深度学习诊断模块,并通过显示模块显示诊断结果,并将诊断结果发送至风电场控制中心并同步更新故障样本数据库。
根据本发明的示例性实施例还提供一种计算装置。该计算装置包括处理器和存储器。存储器用于存储计算机程序。所述计算机程序被处理器执行时使得处理器执行上述风力发电机叶片早期损伤检测方法的计算机程序。
根据本发明的示例性实施例还提供了一种存储有计算机程序的可读存储介质。该计算机可读存储介质存储有当被处理器执行时使得处理器执行上述风力发电机叶片早期损伤检测方法的计算机程序。该计算机可读存储介质的示例包括:只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。
采用本发明示例性实施例的风力发电机叶片早期损伤检测方法和系统,能够实时、准确的检测叶片的早期异常并检测叶片的损伤位置、损伤类型以及损伤程度,提高叶片早期损伤检测的准确性和稳定性,从而有效地降低部署管理和运维成本。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何不经过创造性劳动想到的变化或替换,都应涵盖在本发明保护范围之内。
Claims (9)
1.一种基于深度学习的风力发电机叶片损伤检测方法,其特征是,包括以下步骤:
S1:实时采集叶片的原始音频、振动数据并进行预处理,并将预处理后的数据划分为训练样本集X、验证样本集Y和测试样本集Z;
S2:优化算法更新深度学习模型和机器学习预测模型的参数,深度学习模型包括深度学习预测模型和深度学习诊断模型;
S3:将S1中训练样本集X数据输入到深度学习预测模型,自适应提取数据特征;
S4:根据S3中提取的数据特征计算健康指标的真实值,将健康指标的真实值数据输入到机器学习预测模型,获取健康指标的预测值;
S5:根据健康指标的真实值和健康指标的预测值计算均方根误差,将均方根误差与预先设定的误差阈值进行比较,当均方根误差小于预先设定的误差阈值时,判定叶片正常,本次检测结束;当均方根误差大于预先设定的误差阈值时,进入S6;
S6:计算数据的熵值和能量值,并将熵值和能量值与预先设定的熵阈值和能量阈值进行比较,当熵值大于熵阈值且能量值大于能量阈值时,判定叶片异常,进入S7;否则判定叶片正常,本次检测结束;
S7:将S1的预处理后的数据输入深度学习诊断模型,自适应提取故障特征及故障标签;
S8:将故障标签与叶片故障数据库匹配,得到叶片的损伤位置、损伤类型、损伤程度,并将诊断的结果输出至风场控制中心,并同步更新叶片故障数据库。
7.根据权利要求1所述的一种基于深度学习的风力发电机叶片损伤检测方法,其特征是,所述S2中的优化算法的作用是阶段性的,依据SCADA风速参数、噪声等级进行实施。
8.一种适用于权利要求1所述的一种基于深度学习的风力发电机叶片损伤检测方法的风力发电机叶片损伤检测系统,其特征是,包括:
信号采集模块,用于采集叶片音频、振动信号数据;
工况划分模块,依据SCADA风速参数、噪声等级,设定参考阈值;
预处理模块,用于处理音频、振动信号的噪声及环境干扰等无关信息;
深度学习特征提取模块,用于自适应提取音频、振动信号的高维特征;
机器学习预测模块,用于输出叶片实时监测结果;
深度学习诊断模块,用于自适应诊断叶片损伤位置、类型、程度;
显示及传输模块,用于显示诊断结果,并传输至风场控制中心。
9.根据权利要求8所述的一种基于深度学习的风力发电机叶片损伤检测系统,其特征是,还包括:
中央处理器,实现整个系统的运行和控制功能;
存储器,用于存储处理器执行风力发电机组叶片早期损伤检测方法的程序指令和在执行程序指令的过程中所产生的相关数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111465662.2A CN114565006A (zh) | 2021-12-03 | 2021-12-03 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111465662.2A CN114565006A (zh) | 2021-12-03 | 2021-12-03 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114565006A true CN114565006A (zh) | 2022-05-31 |
Family
ID=81711862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111465662.2A Pending CN114565006A (zh) | 2021-12-03 | 2021-12-03 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565006A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115345072A (zh) * | 2022-08-12 | 2022-11-15 | 中山大学 | 一种风机叶片冲击损伤预测方法、系统及可读存储介质 |
CN115376302A (zh) * | 2022-08-08 | 2022-11-22 | 明阳智慧能源集团股份公司 | 一种风机叶片故障预警方法、系统、设备及介质 |
CN116304819A (zh) * | 2023-03-15 | 2023-06-23 | 四川大学 | 一种基于LeNet-5算法的核反应堆运行工况判断方法 |
CN117237330A (zh) * | 2023-10-19 | 2023-12-15 | 山东鑫润机电安装工程有限公司 | 基于机器视觉的自动化桥梁缺陷检测方法 |
CN118032327A (zh) * | 2024-04-15 | 2024-05-14 | 山东能源数智云科技有限公司 | 基于人工智能的设备智能润滑监测方法及装置 |
-
2021
- 2021-12-03 CN CN202111465662.2A patent/CN114565006A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115376302A (zh) * | 2022-08-08 | 2022-11-22 | 明阳智慧能源集团股份公司 | 一种风机叶片故障预警方法、系统、设备及介质 |
CN115345072A (zh) * | 2022-08-12 | 2022-11-15 | 中山大学 | 一种风机叶片冲击损伤预测方法、系统及可读存储介质 |
CN116304819A (zh) * | 2023-03-15 | 2023-06-23 | 四川大学 | 一种基于LeNet-5算法的核反应堆运行工况判断方法 |
CN117237330A (zh) * | 2023-10-19 | 2023-12-15 | 山东鑫润机电安装工程有限公司 | 基于机器视觉的自动化桥梁缺陷检测方法 |
CN117237330B (zh) * | 2023-10-19 | 2024-02-20 | 山东鑫润机电安装工程有限公司 | 基于机器视觉的自动化桥梁缺陷检测方法 |
CN118032327A (zh) * | 2024-04-15 | 2024-05-14 | 山东能源数智云科技有限公司 | 基于人工智能的设备智能润滑监测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN112304613B (zh) | 一种基于特征融合的风电机组发电机轴承预警方法 | |
Saufi et al. | Challenges and opportunities of deep learning models for machinery fault detection and diagnosis: A review | |
Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
Pan et al. | LiftingNet: A novel deep learning network with layerwise feature learning from noisy mechanical data for fault classification | |
Safizadeh et al. | Using multi-sensor data fusion for vibration fault diagnosis of rolling element bearings by accelerometer and load cell | |
CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
CN116502072B (zh) | 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法 | |
CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
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 | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN114992063B (zh) | 一种自动化风机叶片故障检测方法及系统 | |
CN115859148A (zh) | 风机叶片振动报警方法及装置 | |
CN112798290B (zh) | 基于频谱重构误差的燃气轮机异常状态监测方法 | |
CN114048787A (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
CN117762913A (zh) | 一种海上风电异常功率数据自动识别方法及系统 | |
CN112163630A (zh) | 一种基于不平衡学习的复合故障诊断方法及装置 | |
Cao et al. | A novel method for detection of wind turbine blade imbalance based on multi-variable spectrum imaging and convolutional neural network | |
US11339763B2 (en) | Method for windmill farm monitoring | |
Saha et al. | Enhancing bearing fault diagnosis using transfer learning and random forest classification: A comparative study on variable working conditions | |
CN114580472A (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
CN114004059A (zh) | 一种水轮发电机组健康画像方法 | |
CN114330413A (zh) | 牵引电机轴承的故障类型辨识及定位方法 | |
Saxena et al. | Predictive maintenance of planetary gearboxes using FFT and machine learning technique |
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 |