CN114992063A - 一种自动化风机叶片故障检测方法及系统 - Google Patents

一种自动化风机叶片故障检测方法及系统 Download PDF

Info

Publication number
CN114992063A
CN114992063A CN202210486958.0A CN202210486958A CN114992063A CN 114992063 A CN114992063 A CN 114992063A CN 202210486958 A CN202210486958 A CN 202210486958A CN 114992063 A CN114992063 A CN 114992063A
Authority
CN
China
Prior art keywords
data
fan blade
vector
modal
feature
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
CN202210486958.0A
Other languages
English (en)
Other versions
CN114992063B (zh
Inventor
赵计生
米路中
强保华
陶晓玲
李金洋
萨仁花
张艳萍
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.)
Guoneng Xinkong Internet Technology Co Ltd
Original Assignee
Guoneng Xinkong Internet Technology 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 Guoneng Xinkong Internet Technology Co Ltd filed Critical Guoneng Xinkong Internet Technology Co Ltd
Priority to CN202210486958.0A priority Critical patent/CN114992063B/zh
Publication of CN114992063A publication Critical patent/CN114992063A/zh
Application granted granted Critical
Publication of CN114992063B publication Critical patent/CN114992063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提出了一种自动化风机叶片故障检测方法及系统。本发明通过对多个模态数据的采集、预处理和特征提取获得每个模态的特征表示，并通过采集的监测数据完成多模态特征域的监督式学习，完成对多个模态数据的信息融合过程。多种模态数据的综合使用和相互补充，保障了该方法全天候的实时数据采集与建模能力，具有一定的适用性及鲁棒性。此外，通过虚警可控的阈值策略对梯度提升树模型的输出进行判决，能够对突变性故障及渐变性故障进行及时预警，利于风机叶片故障的早期发现。

Description

一种自动化风机叶片故障检测方法及系统
技术领域
本发明属于风力发电机组检测技术领域，具体涉及一种自动化风机叶片故障检测方法及系统。
背景技术
作为一种清洁、高效的绿色能源，风力发电不仅是我国电力能源的重要组成部分，更是实现节能减排的关键技术路径。目前我国使用兆瓦级风力发电机作为风力发电的主要设备，这类发电机多由水平轴、三叶片的变速恒频型机组构成。风机叶片作为发电机组的关键零部件，是实现风能到电能转化的能量采集源，其成本可达整机成本的15％到25％。
风力发电机组通过风机叶片的迎风旋转实现风能采集，高速旋转的叶片不可避免地会产生诸如老化、形变、破损甚至断裂等故障，因此需要对风机叶片进行日常检查以保证机组的正常运行。现行的人工巡检方案效率较低，人工成本较高，且难以保证对风机叶片的实时监测；基于无人机的单一巡检方案能够保证一定的实时性，但无人机的图像采集能力易受天气、光照等环境因素干扰，仍难实现全天候的精确检测。
现有技术文件1(CN111242385A)公开了一种梯度提升树模型的预测方法、装置及系统，存在的不足在于：仅采用梯度提升树模型进行数据训练，其预测准确度无法得到保证；仅提出一种预测方法，未说明其应用场景及预测内容；对于故障虚假预警等问题未提出修正方案。
现有技术文件2(CN113406107A)公开了风机叶片缺陷检测系统，依赖于无人机、边缘计算模块和云服务器进行数据采集及风机叶片故障检测，其采用的是传统的故障检测方法。存在的不足在于：在数据采集中依赖无人机，需要投入极大的人力物力去操作、维护无人机；利用无人机采集的风机叶片超声波信息和图像信息进行故障检测，该方法对于风机叶片的非形变故障的检测效果较差。
现有技术文件3(CN113326592B)公开了一种基于模态分解算法的风机叶片故障分析方法及系统，采用限定残差矩阵阈值的方法来检测故障，存在的不足在于：准确度较低，受自然环境和检测设备自身误差的影响，容易出现虚假故障预警；另一方面依赖于高精度的光纤测量设备对风机叶片的实际位置坐标进行测量，投入成本巨大。
综上所述，亟需一种准确性高、实时性强、具备全天候的自动化风机叶片故障检测方法用于支撑智能化的风力发电体系建设。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种自动化风机叶片故障检测方法及系统，通过传感器采集数据、梯度提升树模型训练和故障虚假预警策略，从而更准确，更实时地支撑智能化风力发电系统。
本发明采用如下的技术方案。
本发明一方面提供了一种自动化风叶机片故障检测方法，包括以下步骤：
步骤1，通过布置在风力发电机上的设备，从发电机叶片的运行环境中采集数据；
步骤2，对步骤1采集到的数据分别进行特征预处理并完成特征提取；
步骤3，通过多模态特征域的学习，生成多模态特征域向量映射矩阵；
步骤4，根据步骤2和步骤3的结果构建多模态特征域数据集用于训练梯度提升树模型，并获得模型参数；
步骤5，通过虚警可控的阈值策略对周期性运作的风机叶片进行实时故障检测。
优选地，步骤1中，
通过布置在风力发电机上的联网传感器设备，获取当前的自然环境状态，
通过发电机的传感器装置及网络设备，获取发电机的运行状态，
通过麦克风阵列、无人机装置和双轴震动传感器采集风机叶片多模态数据。
优选地，步骤1中，
所述自然环境状态包括：白天、风力等级、天气类型；
所述发电机的运行状态是指风机叶片是否完成一个完整周期运行；
所述多模态数据包括：声音数据、图像数据和传感数据。
优选地，步骤2中，所述预处理的方法包括：缺失值填充和数据降采样。
优选地，步骤2具体包括：
步骤2.1，采用MFCC提取声音模态数据，以如下公式表示，
Xi sound＝FE1(rawsound)
式中：
FE1()表示基于MFCC提取36帧2阶特征向量的提取过程，
rawsound表示完成数据预处理后得到的单个周期声音模态数据，
i表示数据采集时运行周期的序号，
Xi sound表示第i个运行周期中声音模态数据的特征向量；
步骤2.2，图像模态数据采用预训练的Resnet-50网络进行特征提取，并将最后一层全连接网络替换成包含68个神经元的全连接层，故单张图片将被映射为68维的特征向量，最后，对第i个周期中的τ张采样图像获得的τ个68维向量进行向量聚合，最终得到68维的图像模态数据特征向量，以如下公式表示，
Figure BDA0003630342110000031
Figure BDA0003630342110000032
式中：
FE2()表示最后一个全连接层为68个神经元的预训练Resnet-50网络，
Figure BDA0003630342110000033
表示向量的按位加操作，
Figure BDA0003630342110000034
表示完成数据预处理后得到的第k张图像模态数据，
τ表示图像采样的数量，
k表示降采样的图片编号，k＝1,2,3，…,τ，
i表示数据采集时运行周期的序号，
xk image表示第k张图像模态数据得到的特征向量，
Xi image表示第i个运行周期中图像模态数据特征向量。
步骤2.3，对第i个周期中的单个传感模态数据通过小波分解得到8维特征表示，然后通过拼接操作得到72维的传感模态数据的特征向量，以如下公式表示，
Figure BDA0003630342110000041
Xi sensor＝[x1 sensor,x2 sensor,...,x9 sensor]
式中：
FE3()表示基于小波分解的频率特征提取操作，
[···]表示向量拼接聚合操作，
i表示数据采集时运行周期的序号，
Figure BDA0003630342110000042
表示完成数据预处理后得到的第j枚传感模态数据，
j表示传感器编号，
xj sensor表示第j枚传感模态数据得到的特征向量，
Xi sensor表示第i个运行周期中传感模态数据特征向量。
优选地，步骤3中，收集并记录32种自然环境状态下的风机发电机正常运行的监测数据，并通过难样本挖掘策略及配对损失函数实现对多模态特征域的监督式学习过程，该学习过程可描述为：
FFθ(Xi sound,Xi image,Xi sensor)＝Xi common∈Rd
式中：
FF表示特征融合，
θ表示待学习的参数集，
Xi common表示第i周期下的多模态特征域向量，
Rd表示d维的实数空间。
优选地，步骤3具体包括：
多模态特征域学习方式，该特征域的学习过程基于三个可学习的映射矩阵最后，三种模态数据的映射向量基于按位加操作获得聚合三种模态数据信息的多模态特征域向量Xi common，如下式所示，
Figure BDA0003630342110000043
式中：
W1,W2,W3表示三个用于将不同模态数据特征映射成一个d维向量的可学习映射矩阵，
Xi common表示第i周期下的多模态特征域向量。
步骤3还包括，
对风机叶片处于不同环境状态下的特征进行辨别，使用配对损失函数作为多模态特征域学习的损失函数表示如下：
Figure BDA0003630342110000051
式中：
i表示多模态特征域向量的运行周期序号，
m表示不等于i周期的多模态特征域向量的运行周期序号，
Si表示第i周期的环境状态，
Sm表示第m周期的环境状态，
Figure BDA0003630342110000052
表示向量的L2范数,
exp(x)＝ex，表示自然数e的指数运算。
优选地，步骤3中基于环境状态监测数据及声音模态特征向量集、图像模态特征向量集以及传感模态特征向量集，采用误差反向传播算法对映射矩阵进行训练，当损失函数低于某个阈值或是达到设定的最大训练轮数，停止训练过程，获得最终的映射矩阵。
优选地，步骤4具体包括：
步骤4.1，构造正样本数据，基于历史监测数据，收集风机发电机正常工作状态下的数据集，并通过步骤2和步骤3得到多模态特征域的正样本集D1这部分数据标签设置为1；
步骤4.2，构造负样本数据，通过手工构造负样本方式扩充历史检测数据集，然后通过步骤2和步骤3得到多模态特征域的负样本集D2，这部分数据标签设置为0。
优选地，步骤5中，对突发式的潜在故障进行有效预警，通过当前自然环境状态下上一运行周期的绝对百分比误差刻画当前自然环境下前后周期风机叶片的运行状态，用于实现突发性故障检测，当计算的APE大于突发性故障阈值δ1时，触发风机叶片故障报警，APE计算表达式如下：
Figure BDA0003630342110000061
式中：
Figure BDA0003630342110000062
表示处于环境状态Scur下风机叶片运行的第s周期的GBDT模型输出值,
Figure BDA0003630342110000063
表示处于环境状态Scur下风机叶片运行的第s周期的GBDT模型输出值，其中s>1，
APE表示绝对百分比误差。
步骤5中：对渐变式的故障进行有效预警，通过当前周期的梯度提升树模型输出与当前环境状态下所有运行周期模型输出的最大百分比误差用于刻画风机叶片的整体运行状态，用于实现渐变性故障检测，当计算的MAPE大于渐变性故障阈值δ2时，触发风机叶片故障报警，MAPE计算表达式如下：
Figure BDA0003630342110000064
式中：
Figure BDA0003630342110000065
表示处于环境状态Scur下第s个周期的梯度提升树模型输出值，
Figure BDA0003630342110000066
表示处于环境状态Scur下第t个运行周期模型输出值，1≤t≤s-1， MAPE表示最大百分比误差。
本发明第二方面提供了一种自动化风叶机片故障检测系统，运行所述的一种自动化风叶机片故障检测方法，包括：数据采集模块、特征提取模块、多模态特征域学习模块、梯度提升树训练模块、风机叶片故障实时监测模块，其中：
所述数据采集模块用于采集风机叶片实时运行数据，并进行数据预处理；
所述特征提取模块用于对采集和预处理过的数据特征提取；
所述多模态特征域学习模块用于通过学习训练得到多模态特征域向量映射矩阵；
所述梯度提升树训练模块用于获取多模型特征域的样本参数；
所述风机叶片故障实时监测模块用于监测风机叶片故障并报警。
本发明的有益效果在于，与现有技术相比，
本发明通过对多个模态数据的采集、预处理和特征学习获得每个模态的特征表示，并通过采集的监测数据完成多模态特征域的监督式学习，完成对多个模态数据的信息融合过程。
多种模态数据的综合使用和相互补充，保障了该方法全天候的实时数据采集与建模能力，具有一定的适用性及鲁棒性。
此外，通过虚警可控的阈值策略对梯度提升树模型的输出进行判决，能够对突变性故障及渐变性故障进行及时预警，利于风机叶片故障的早期发现。
附图说明
图1为本发明公开的基于多模态特征域梯度提升树的风机叶片故障检测方法的一种具体实施方式的流程图。
图2为多模态数据采集子模块的一种具体安装方式示意图。
图3为一种具体的手工构造负样本数据示意图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1所示，本发明一方面提供了一种自动化风叶机片故障检测方法，包括以下步骤：
步骤1，通过布置在风力发电机上的设备，从发电机叶片的运行环境中采集数据。
数据采集模块：主要分为自然环境状态采集、发电机运行状态采集以及多模态数据采集三个子模块。其中：
S101，自然环境状态采集子模块：通过布置在风力发电机上的联网传感器设备，获取当前周期下的环境状态Si。该模块可全天候实时运行。
具体实施时，该子模块获取的自然环境状态包括是否白天、风力等级、天气类型三类。其中是否白天包含是、否两种状态；风力等级依据朝向环境风速大小分为小于切入风速、大于等于切入风速到低于最优工作风力区间最低值、大于等于最优工作风力区间最小值到最优工作风力区间最大值及大于等于最优工作风力区间最大值4种等级；天气类型分为晴、雨、雪、雾4种类型。三种状态类型取值相互独立，且每种状态内取值互斥，故自然环境状态Si取值共计有2*4*4＝32 种。
S102，发电机运行状态采集子模块：通过发电机的传感器装置及网络设备，获取发电机的运行状态。该模块可全天候实时运行。
具体实施时，风机叶片是否完成一个完整周期运行可通过标定的参照叶片实现。状态变量uploadFlag初始化为False，当标定的参照叶片完成一周运行后， uploadFlag变为True。
具体实施时，风机叶片较基准方向的偏角可以通过角度位移传感器实现。风机叶片相对于基准朝向的偏角αi，设定俯视角度的逆时针作为正方向，则αi取值范围为[0,2π)。
S103，多模态数据采集子模块：该模块通过麦克风阵列、无人机装置以及双轴震动传感器对声音、可见光图像及传感数据进行采集。
具体实施时，如图2所示，麦克风阵列布置于风力发电机塔架基座外围的导轨，且水平朝上45度采集声音。根据S102中偏角αi，调整导轨上的麦克风阵列使其中心始终与风机叶片朝向一致。该模态数据可全天候实时采集。
具体实施时，依据S102中的偏角αi，校准无人机悬停于舵机中心所在水平面，距风力发电机舵机中心x米处进行正面拍摄，其水平拍摄距离x依照无人机相机参数与风机叶片尺寸确定，以保证三叶片均能被拍摄。该模态数据在阳光充足的白天通过手工作业采集。
具体实施时，9枚双轴振动传感器均匀地放置在3个风机叶片上，且在每个风机叶片内壁沿长度方向均匀放置3枚双轴振动传感器。该模态数据可全天候实时采集。
具体实施时，上述的三种模态数据采集频率应尽量保证满足S201的等距降采样操作。即在风机叶片以最大工作转速下工作一周的时间内，数据采样点应不低于S201中人为设定的采样频次τ。
各数据采集模块的一种具体安装方式如图3所示。
步骤2，对步骤1采集到的数据分别进行特征预处理并完成特征提取。
若S102中布尔变量uploadFlag为True，则将S101及S103中当前周期的监测数据上传至服务器，同时将布尔变量uploadFlag复位为False。然后，通过服务器中的计算资源对当前周期内的声音数据、图像数据和传感数据分别进行特征预处理并完成特征提取。最后，第i个周期内三种模态数据的特征向量可分别记为
Figure BDA0003630342110000091
及
Figure BDA0003630342110000092
其中R表示实数集，Rd表示一个d维的实数空间，d1,d2,d3为3个正整数，用于表示单一模态数据特征向量的维度。
具体实施时，数据预处理包括：
S201，缺失值填充。由于图像模态数据需要无人机进行手工作业采集，因此可能上传的图像模态数据为空。当上传的图像模态数据为空时，若数据库中存在当前环境状态Scur的图像模态数据，则基于历史数据完成数据填充。否则，标记图像模态的原始数据为None。
S202，数据降采样。设置单个运行周期的采样频次τ＝108，并据此对三种模态数据完成等距降采样操作，同时记录每个数据点对应的环境状态Scur。若存在某一模态数据的原始数据频率低于τ，则基于临近数据点进行插值操作。
具体实施时，特征提取包括：
步骤2.1，声音模态数据采用梅尔倒频系数(Mel Frequency CepstrumCoefficient,MFCC)提取得到M×N维的特征向量，其中M＝36表示音频被划分的帧数，N＝2表示待计算的MFCC阶数。该部分可由如下表达式加以描述：
Xi sound＝FE1(rawsound)
式中：
FE1()表示基于MFCC提取36帧2阶特征向量的提取过程，
rawsound表示完成数据预处理后得到的单个周期声音模态数据，
i表示当前运行周期的序号，i＝1,2,3，…，
Xi sound表示当前运行周期特征提取后的声音模态数据。
步骤2.2，图像模态数据采用预训练的Resnet-50网络进行特征提取，并将最后一层全连接网络替换成包含68个神经元的全连接层，故单张图片将被映射为68维的特征向量。为保证故障检测系统能够全天候实时工作，当图像模态的原始数据为None，图像模态的特征向量通过填0操作(Zero Padding)加以表示。最后，对τ张采样图像获得的τ个d2维向量进行向量聚合，最终得到68维的图像模态数据特征向量。其中，聚合操作基于按位加方式进行。该部分可由如下表达式加以描述：
Figure BDA0003630342110000101
Figure BDA0003630342110000102
式中：
FE2()表示最后一个全连接层为68个神经元的预训练Resnet-50网络，
Figure BDA0003630342110000103
表示向量的按位加操作，
Figure BDA0003630342110000104
表示完成数据预处理后得到的第k张图像模态数据，
τ表示图像采样的数量，
k表示降采样的图片编号，k＝1,2,3，…,τ，
i表示数据采集时运行周期的序号，i＝1,2,3，…，
xk image表示第k张图像模态数据得到的特征向量，
Xi image表示第i个运行周期中图像模态数据特征向量。
步骤2.3，对第i个周期中的单个传感模态数据通过小波分解得到8维特征表示，然后通过拼接(Concat)操作得到72维的传感模态数据的特征向量。本实施例选取duabechies小波的6阶作为母小波，设置分解层数获得8组信号波，单组信号使用单个高频部分的频率进行表示，最终单个传感器数据获得8维的特征表示。最后通过固定拼接次序对9枚传感器特征进行聚合操作。该部分可由如下表达式加以描述：
Figure BDA0003630342110000105
Xi sensor＝[x1 sensor,x2 sensor,...,x9 sensor]
式中：
FE3()表示基于小波分解的频率特征提取操作，
[···]表示向量拼接聚合操作，
i表示数据采集时运行周期的序号，i＝1,2,3，…，
Figure BDA0003630342110000106
表示完成数据预处理后得到的第j枚传感模态数据，
j表示传感器编号，j＝1,2,3，…,9，
xj sensor表示第j枚传感模态数据得到的特征向量，
Xi sensor表示第i个运行周期中传感模态数据特征向量。
步骤3，多模态特征域的学习。
收集并记录32种自然环境状态下的风机发电机正常运行的监测数据，并通过难样本挖掘策略及配对损失函数实现对多模态特征域的监督式学习过程。该学习过程可描述为：
FFθ(Xi sound,Xi image,Xi sensor)＝Xi common∈Rd
式中：
FF表示特征融合，
θ表示待学习的参数集，
Xi common表示第i周期下的多模态特征域向量，
Rd表示d维的实数空间。
具体实施中，多模态特征域学习方式，损失函数及训练策略完成。
多模态特征域学习方式：该特征域的学习过程基于三个可学习的映射矩阵
Figure BDA0003630342110000111
实现，其中d＝48。最后，三种模态数据的映射向量基于按位加(Elementwise Add)操作获得聚合三种模态数据信息的多模态特征域向量Xcommon。
Figure BDA0003630342110000112
式中：
W1,W2,W3表示三个用于将不同模态数据特征映射成一个d维向量的可学习映射矩阵，
Xi common表示第i周期下的多模态特征域向量。
损失函数：多模态特征域应尽量保留来自不同模态数据的信息，同时对风机叶片处于不同环境状态下的特征表示应具有可辨别性。为实现这一目标，使用配对损失函数作为多模态特征域学习的损失函数表示如下：
Figure BDA0003630342110000121
式中：
i表示多模态特征域向量的运行周期序号，
m表示不等于i周期的多模态特征域向量的运行周期序号，
Si表示第i周期的环境状态，
Sm表示第m周期的环境状态，
Figure BDA0003630342110000122
表示向量的L2范数,
exp(x)＝ex，表示自然数e的指数运算。
该损失函数的优化目标是将处于相同环境状态下的多模态特征域向量拉近，不同自然环境状态下的多模态特征域向量拉远，进而增加处于不同自然状态下风机叶片运行的多模态特征域向量表示间的可辨别性。
实践中，为保证模态特征域能够尽量保留来自不同模态数据的信息，采用基于难样本挖掘策略进行正负样本对的采样。
训练策略：基于环境状态监测数据及声音模态特征向量集、图像模态特征向量集以及传感模态特征向量集，采用误差反向传播算法对映射矩阵进行训练，当损失函数低于某个阈值或是达到设定的最大训练轮数，停止训练过程，获得最终的映射矩阵。
由于多模态特征域的学习模块是一个离线模块，而随着系统的在线运行，监测数据会不断增加。实践中，可以基于不断扩增的监测数据对该模块多次训练，以提升其对多模态特征的融合能力。
步骤4，梯度提升树训练：构建多模态特征域数据集用于训练梯度提升树(Gradient Boosting Decision Tree,GBDT)模型，并获得模型参数。
具体实践时，构建多模态特征域数据集包含如下步骤：
步骤4.1，构造正样本数据。基于历史监测数据，收集风机发电机正常工作状态下的数据集，并通过步骤2和步骤3得到多模态特征域的正样本集D1这部分数据标签设置为1。
步骤4.2，构造负样本数据。由于风机叶片故障属于离群点数据，在真实场景往往很难收集到负样本数据集。本发明通过手工构造负样本方式扩充历史检测数据集。然后通过步骤2和步骤3得到多模态特征域的负样本集D2这部分数据标签设置为0。
具体实施时，通过在正常图像数据上加入风机叶片故障的局部图像、在正常的声音数据上加入风机叶片故障时的运行声音，在正常的传感数据上加入风机叶片故障时的运行震动数据进行数据集扩充。
具体的手工构造负样本数据示意图如图3所示。
步骤5，风机叶片故障实时监测，通过部署步骤3、步骤4中训练得到的模型对风力发电机进行实时数据采集、多模态数据预处理及特征提取、多模态特征域映射及梯度提升树模型输出。然后，通过梯度提升树模型的输出对风机叶片是否故障进行实时监测。由于多模态特征域数据集中的负样本通过手工构造的方式生成，而非采集的真实负样本，因此难以直接刻画风机叶片的是否故障。即梯度提升树模型的输出接近于0，也难以证明此时风机叶片出现故障。本发明通过一种虚警可控的阈值策略对周期性运作的风机叶片进行实时故障检测。
具体实施时，若处于当前自然环境状态Scur风机叶片运行周期数小于1，则风机叶片故障实时检测模块不开机。否则，则对风机叶片故障实时监测模块进行开机运行。记处于当前环境状态Scur下风机叶片运行的第s周期的GBDT模型输出为
Figure BDA0003630342110000131
实践中，通过当前自然环境状态Scur下上一运行周期的绝对百分比误差(Absolute Percentage Error)用于刻画当前自然环境下前后周期风机叶片的运行状态，用于实现突发性故障检测。当计算的APE大于突发性故障阈值δ1时，触发风机叶片故障报警。APE计算表达式如下：
Figure BDA0003630342110000132
式中：
Figure BDA0003630342110000133
表示处于环境状态Scur下第s个周期的梯度提升树模型输出值，其中 s>1，
该式的物理含义在于，当风机叶片出现突发式的潜在故障时，会导致相同环境状态下两个相邻运行周期的模型输出差异较大。通过突发性故障阈值δ1，可对突发式的潜在故障进行有效预警。
实践中，通过当前周期的模型输出与当前环境状态Scur下所有运行周期模型输出的最大百分比误差(Max Absolute Percentage Error)用于刻画风机叶片的整体运行状态，用于实现渐变性故障检测。当计算的MAPE大于渐变性故障阈值δ2时，触发风机叶片故障报警。MAPE计算表达式如下：
Figure BDA0003630342110000141
式中：
Figure BDA0003630342110000142
表示处于环境状态Scur下风机叶片运行的第s周期的GBDT模型输出,
Figure BDA0003630342110000143
表示处于环境状态Scur下风机叶片运行的第t周期的GBDT模型输出。
该式的物理含义在于，当风机叶片出现渐变式的潜在故障时，相同环境状态下两个相邻运行周期的模型输出差异不大，但风机叶片累计的故障随着运行周期的周期会不断上升。通过当前周期的模型输出与当前环境状态下所有运行周期模型输出的最大百分比误差计算，可保证对渐变式的故障进行有效预警。
本发明的实施例2提供了一种自动化风叶机片故障检测系统，运行所述的一种自动化风叶机片故障检测方法，包括：数据采集模块、特征提取模块、多模态特征域学习模块、梯度提升树训练模块、风机叶片故障实时监测模块，其中：
数据采集模块用于采集风机叶片实时运行数据,并进行预处理；
特征提取模块用于对采集到的数据特征提取；
多模态特征域学习模块用于通过学习训练得到多模态特征域向量映射矩阵；
梯度提升树训练模块用于获取多模型特征域的样本参数；
风机叶片故障实时监测模块用于监测风机叶片故障并报警。
本发明的有益效果在于，与现有技术相比，
本发明通过对多个模态数据的采集、预处理和特征学习获得每个模态的特征表示，并通过采集的监测数据完成多模态特征域的监督式学习，完成对多个模态数据的信息融合过程。
多种模态数据的综合使用和相互补充，保障了该方法全天候的实时数据采集与建模能力，具有一定的适用性及鲁棒性。
此外，通过虚警可控的阈值策略对梯度提升树模型的输出进行判决，能够对突变性故障及渐变性故障进行及时预警，利于风机叶片故障的早期发现。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (13)

1.一种自动化风叶机片故障检测方法，其特征在于，包括以下步骤：
步骤1，通过布置在风力发电机上的设备，从发电机叶片的运行环境中采集数据；
步骤2，对步骤1采集到的数据分别进行特征预处理并完成特征提取；
步骤3，通过多模态特征域的学习，生成多模态特征域向量映射矩阵；
步骤4，根据步骤2和步骤3的结果构建多模态特征域数据集用于训练梯度提升树模型，并获得模型参数；
步骤5，通过虚警可控的阈值策略对周期性运作的风机叶片进行实时故障检测。
2.根据权利要求1所述的一种自动化风叶机片故障检测方法，其特征在于：
步骤1中，
通过布置在风力发电机上的联网传感器设备，获取当前的自然环境状态，
通过发电机的传感器装置及网络设备，获取发电机的运行状态，
通过麦克风阵列、无人机装置和双轴震动传感器采集风机叶片多模态数据。
3.根据权利要求2所述的一种自动化风叶机片故障检测方法，其特征在于：
步骤1中，
所述自然环境状态包括：白天、风力等级、天气类型；
所述发电机的运行状态是指风机叶片是否完成一个完整周期运行；
所述多模态数据包括：声音数据、图像数据和传感数据。
4.根据权利要求3所述的一种自动化风叶机片故障检测方法，其特征在于：
步骤2中，所述预处理的方法包括：缺失值填充和数据降采样。
5.根据权利要求4所述的一种自动化风叶机片故障检测方法，其特征在于：
步骤2具体包括：
步骤2.1，采用MFCC提取声音模态数据，以如下公式表示，
Xi sound＝FE1(rawsound)
式中：
FE1()表示基于MFCC提取36帧2阶特征向量的提取过程，
rawsound表示完成数据预处理后得到的单个周期声音模态数据，
i表示数据采集时运行周期的序号，
Xi sound表示第i个运行周期中声音模态数据的特征向量；
步骤2.2，图像模态数据采用预训练的Resnet-50网络进行特征提取，并将最后一层全连接网络替换成包含68个神经元的全连接层，故单张图片将被映射为68维的特征向量，最后，对第i个周期中的τ张采样图像获得的τ个68维向量进行向量聚合，最终得到68维的图像模态数据特征向量，以如下公式表示，
Figure RE-FDA0003780835900000021
Figure RE-FDA0003780835900000022
式中：
FE2()表示最后一个全连接层为68个神经元的预训练Resnet-50网络，
Figure RE-FDA0003780835900000023
表示向量的按位加操作，
Figure RE-FDA0003780835900000024
表示完成数据预处理后得到的第k张图像模态数据，
τ表示图像采样的数量，
k表示降采样的图片编号，k＝1,2,3，…,τ，
i表示数据采集时运行周期的序号，
xk image表示第k张图像模态数据得到的特征向量，
Xi image表示第i个运行周期中图像模态数据特征向量。
步骤2.3，对第i个周期中的单个传感模态数据通过小波分解得到8维特征表示，然后通过拼接操作得到72维的传感模态数据的特征向量，以如下公式表示，
Figure RE-FDA0003780835900000025
Xi sensor＝[x1 sensor,x2 sensor,...,x9 sensor]
式中：
FE3()表示基于小波分解的频率特征提取操作，
[···]表示向量拼接聚合操作，
i表示数据采集时运行周期的序号，
Figure RE-FDA0003780835900000031
表示完成数据预处理后得到的第j枚传感模态数据，
j表示传感器编号，
xj sensor表示第j枚传感模态数据得到的特征向量，
Xi sensor表示第i个运行周期中传感模态数据特征向量。
6.根据权利要求5所述的一种自动化风叶机片故障检测方法，其特征在于：
步骤3中，收集并记录32种自然环境状态下的风机发电机正常运行的监测数据，并通过难样本挖掘策略及配对损失函数实现对多模态特征域的监督式学习过程，该学习过程可描述为：
FFθ(Xi sound,Xi image,Xi sensor)＝Xi common∈Rd
式中：
FF表示特征融合，
θ表示待学习的参数集，
Xi common表示第i周期下的多模态特征域向量，
Rd表示d维的实数空间。
7.根据权利要求6所述的一种自动化风叶机片故障检测方法，其特征在于：
步骤3具体包括：
多模态特征域学习方式，该特征域的学习过程基于三个可学习的映射矩阵最后，三种模态数据的映射向量基于按位加操作获得聚合三种模态数据信息的多模态特征域向量Xi common，如下式所示，
Figure RE-FDA0003780835900000032
式中：
W1,W2,W3表示三个用于将不同模态数据特征映射成一个d维向量的可学习映射矩阵，
Xi common表示第i周期下的多模态特征域向量。
8.根据权利要求7所述的一种自动化风叶机片故障检测方法，其特征在于：
步骤3还包括，
对风机叶片处于不同环境状态下的特征进行辨别，使用配对损失函数作为多模态特征域学习的损失函数表示如下：
Figure RE-FDA0003780835900000041
式中：
i表示多模态特征域向量的运行周期序号，
m表示不等于i周期的多模态特征域向量的运行周期序号，
Si表示第i周期的环境状态，
Sm表示第m周期的环境状态，
Figure RE-FDA0003780835900000042
表示向量的L2范数,
exp(x)＝ex，表示自然数e的指数运算。
9.根据权利要求8所述的一种自动化风叶机片故障检测方法，其特征在于：
步骤3中基于环境状态监测数据及声音模态特征向量集、图像模态特征向量集以及传感模态特征向量集，采用误差反向传播算法对映射矩阵进行训练，当损失函数低于某个阈值或是达到设定的最大训练轮数，停止训练过程，获得最终的映射矩阵。
10.根据权利要求9所述的一种自动化风叶机片故障检测方法，其特征在于：
步骤4具体包括：
步骤4.1，构造正样本数据，基于历史监测数据，收集风机发电机正常工作状态下的数据集，并通过步骤2和步骤3得到多模态特征域的正样本集D1这部分数据标签设置为1；
步骤4.2，构造负样本数据，通过手工构造负样本方式扩充历史检测数据集，然后通过步骤2和步骤3得到多模态特征域的负样本集D2，这部分数据标签设置为0。
11.根据权利要求10所述的一种自动化风叶机片故障检测方法，其特征在于：
步骤5中，对突发式的潜在故障进行有效预警，通过当前自然环境状态下上一运行周期的绝对百分比误差刻画当前自然环境下前后周期风机叶片的运行状态，用于实现突发性故障检测，当计算的APE大于突发性故障阈值δ1时，触发风机叶片故障报警，APE计算表达式如下：
Figure RE-FDA0003780835900000051
式中：
Figure RE-FDA0003780835900000052
表示处于环境状态Scur下风机叶片运行的第s周期的GBDT模型输出值,
Figure RE-FDA0003780835900000053
表示处于环境状态Scur下风机叶片运行的第s周期的GBDT模型输出值，其中s>1，
APE表示绝对百分比误差。
12.根据权利要求11所述的一种自动化风叶机片故障检测方法，其特征在于：
步骤5中：对渐变式的故障进行有效预警，通过当前周期的梯度提升树模型输出与当前环境状态下所有运行周期模型输出的最大百分比误差用于刻画风机叶片的整体运行状态，用于实现渐变性故障检测，当计算的MAPE大于渐变性故障阈值δ2时，触发风机叶片故障报警，MAPE计算表达式如下：
Figure RE-FDA0003780835900000054
式中：
Figure RE-FDA0003780835900000055
表示处于环境状态Scur下第s个周期的梯度提升树模型输出值，
Figure RE-FDA0003780835900000056
表示处于环境状态Scur下第t个运行周期模型输出值，1≤t≤s-1，
MAPE表示最大百分比误差。
13.一种自动化风叶机片故障检测系统，运行如权利要求1至12中任一项所述的一种自动化风叶机片故障检测方法，包括：数据采集模块、数据预处理与特征提取模块、多模态特征域学习模块、梯度提升树训练模块、风机叶片故障实时监测模块，其特征在于：
所述数据采集模块用于采集风机叶片实时运行数据；
所述数据预处理与特征提取模块用于对采集的数据预处理和数据特征提取；
所述多模态特征域学习模块用于通过学习训练得到多模态特征域向量映射矩阵；
所述梯度提升树训练模块用于训练梯度提升树模型，并获得模型参数；
所述风机叶片故障实时监测模块用于监测风机叶片故障并报警。
CN202210486958.0A 2022-05-06 2022-05-06 一种自动化风机叶片故障检测方法及系统 Active CN114992063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210486958.0A CN114992063B (zh) 2022-05-06 2022-05-06 一种自动化风机叶片故障检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210486958.0A CN114992063B (zh) 2022-05-06 2022-05-06 一种自动化风机叶片故障检测方法及系统

Publications (2)

Publication Number Publication Date
CN114992063A true CN114992063A (zh) 2022-09-02
CN114992063B CN114992063B (zh) 2023-05-16

Family

ID=83026033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210486958.0A Active CN114992063B (zh) 2022-05-06 2022-05-06 一种自动化风机叶片故障检测方法及系统

Country Status (1)

Country Link
CN (1) CN114992063B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115450858A (zh) * 2022-10-18 2022-12-09 山东大学 基于数字孪生的风机叶片状态检测方法及系统
CN115862681A (zh) * 2023-03-01 2023-03-28 深圳市新凯来技术有限公司 转子碰摩故障声信号诊断方法、装置及电子设备

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106597231A (zh) * 2016-11-11 2017-04-26 上海交通大学 基于多源信息融合和深度学习网络的gis故障检测系统及方法
CN109947088A (zh) * 2019-04-17 2019-06-28 北京天泽智云科技有限公司 基于模型全生命周期管理的设备故障预警系统
CN111947928A (zh) * 2020-08-10 2020-11-17 山东大学 一种多源信息融合的轴承故障预测系统及方法
CN112304613A (zh) * 2020-10-30 2021-02-02 浙江运达风电股份有限公司 一种基于特征融合的风电机组发电机轴承预警方法
CN113326592A (zh) * 2021-08-04 2021-08-31 浙江中自庆安新能源技术有限公司 一种基于模态分解算法的风机叶片故障分析方法及系统
CN113623144A (zh) * 2021-09-01 2021-11-09 五凌电力有限公司 基于声学算法的叶片状态监测系统及其监测方法
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
CN114004091A (zh) * 2021-11-03 2022-02-01 兰州理工大学 一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法
CN114215706A (zh) * 2021-12-27 2022-03-22 南京邮电大学 一种风电机组叶片开裂故障预警方法和装置
WO2022063370A1 (en) * 2020-09-23 2022-03-31 Vestas Wind Systems A/S Wind turbine monitoring device, wind turbine system, and wind turbine monitoring method
CN114693942A (zh) * 2022-03-31 2022-07-01 重庆大学 一种仪器仪表智能运维的多模态故障理解及辅助标注方法
CN114778112A (zh) * 2021-04-16 2022-07-22 大唐（赤峰）新能源有限公司 风电发电机组机械故障音频识别和故障诊断方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106597231A (zh) * 2016-11-11 2017-04-26 上海交通大学 基于多源信息融合和深度学习网络的gis故障检测系统及方法
CN109947088A (zh) * 2019-04-17 2019-06-28 北京天泽智云科技有限公司 基于模型全生命周期管理的设备故障预警系统
CN111947928A (zh) * 2020-08-10 2020-11-17 山东大学 一种多源信息融合的轴承故障预测系统及方法
WO2022063370A1 (en) * 2020-09-23 2022-03-31 Vestas Wind Systems A/S Wind turbine monitoring device, wind turbine system, and wind turbine monitoring method
CN112304613A (zh) * 2020-10-30 2021-02-02 浙江运达风电股份有限公司 一种基于特征融合的风电机组发电机轴承预警方法
CN114778112A (zh) * 2021-04-16 2022-07-22 大唐（赤峰）新能源有限公司 风电发电机组机械故障音频识别和故障诊断方法
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
CN113326592A (zh) * 2021-08-04 2021-08-31 浙江中自庆安新能源技术有限公司 一种基于模态分解算法的风机叶片故障分析方法及系统
CN113623144A (zh) * 2021-09-01 2021-11-09 五凌电力有限公司 基于声学算法的叶片状态监测系统及其监测方法
CN114004091A (zh) * 2021-11-03 2022-02-01 兰州理工大学 一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法
CN114215706A (zh) * 2021-12-27 2022-03-22 南京邮电大学 一种风电机组叶片开裂故障预警方法和装置
CN114693942A (zh) * 2022-03-31 2022-07-01 重庆大学 一种仪器仪表智能运维的多模态故障理解及辅助标注方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115450858A (zh) * 2022-10-18 2022-12-09 山东大学 基于数字孪生的风机叶片状态检测方法及系统
CN115862681A (zh) * 2023-03-01 2023-03-28 深圳市新凯来技术有限公司 转子碰摩故障声信号诊断方法、装置及电子设备

Also Published As

Publication number Publication date
CN114992063B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
WO2022077605A1 (zh) 一种风力机叶片图像损伤检测和定位方法
CN114992063B (zh) 一种自动化风机叶片故障检测方法及系统
CN109117858B (zh) 监测风力发电机叶片结冰的方法及装置
CN107220469B (zh) 一种风机状态估计的方法及系统
CN111161315B (zh) 一种基于图神经网络的多目标跟踪方法和系统
CN110910440B (zh) 一种基于电力影像数据的输电线路长度确定方法和系统
CN114993669B (zh) 多传感器信息融合的传动系统故障诊断方法及系统
CN111709336B (zh) 一种高速公路行人检测方法、设备及可读存储介质
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
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
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
CN111855816A (zh) 一种综合概率模型和cnn网络的风叶故障识别方法
CN115036922B (zh) 一种分布式光伏发电电量预测方法及系统
CN114399081A (zh) 一种基于天气分类的光伏发电功率预测方法
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
CN116579616A (zh) 一种基于深度学习的风险识别方法
CN112380944A (zh) 一种输电杆塔结构状态的评估方法和系统
CN109325553B (zh) 一种风电齿轮箱故障检测方法、系统、设备及介质
CN117058541B (zh) 绝缘子高光谱数据采集系统及其方法
Li et al. Building an online defect detection system for large-scale photovoltaic plants
CN116503612A (zh) 基于多任务关联的风机叶片损伤识别方法与系统
CN116168727A (zh) 一种变压器异常声音检测方法、系统、设备及存储介质
CN115560962A (zh) 一种基于多层级时空图神经网络的风机异常状态检测方法
Özer et al. An approach based on deep learning methods to detect the condition of solar panels in solar power plants
Yang et al. Identifying wind turbine blade defects using YOLOv5 and YOLOv8 deep learning algorithms

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