CN115450858A - 基于数字孪生的风机叶片状态检测方法及系统 - Google Patents
基于数字孪生的风机叶片状态检测方法及系统 Download PDFInfo
- Publication number
- CN115450858A CN115450858A CN202211272413.6A CN202211272413A CN115450858A CN 115450858 A CN115450858 A CN 115450858A CN 202211272413 A CN202211272413 A CN 202211272413A CN 115450858 A CN115450858 A CN 115450858A
- Authority
- CN
- China
- Prior art keywords
- blade
- sound
- state
- model
- acoustic
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 12
- 239000013618 particulate matter Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 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
本发明公开了基于数字孪生的风机叶片状态检测方法及系统;其中所述方法,包括:获取风机叶片的多模态数据;基于风机叶片的多模态数据,获取风机的声相关系数;基于声相关系数,将声相关系数输入到声音角度检测模型,从声音角度对叶片状态进行检测;将风机叶片的多模态数据,输入到受力点角度检测模型,从受力点的角度对叶片状态进行预测,将模型预测结果与实际检测结果进行作差,将差值与设定阈值进行比较,得出风机叶片状态的检测结果。
Description
技术领域
本发明涉及风机叶片状态检测技术领域,特别是涉及基于数字孪生的风机叶片状态检测方法及系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术,并不必然构成现有技术。
随着社会不断发展,科技不断进步,加之传统能源的不可再生性及其污染性,风能作为一种可行性强的清洁能源逐渐进入能源市场。而风力发电机作为利用风能的关键,往往布置在强风沙、强暴雨的地区,这经常导致叶片的磨损。因此,对于风机叶片进行状态检测的研究十分重要。
自从上世纪末以来,国内外一直致力于研究风机叶片的状态检测方法,目前包括:基于振动数据的模式识别,利用振动数据设计叶片的故障检测方法;基于超声检测等工业探伤实现叶片损坏探伤;利用光学传感器和无线网络实现实时监测;利用光纤传感器获得叶片应力应变相关数据构造虚拟叶片预测叶片状态,对比待测叶片实现故障的检测等。
现有的叶片状态检测方式主要有以下缺点:
1.大部分方法基于单模态进行数据处理、决策,可能出现偶然性导致的误差,同时基于单模态的数据处理容易忽略周围物理实域的影响因素,预测准确性会有所欠缺。
2.大部分方法对于叶片的预测是单模态的,与物理域的比较也是在一个模态下,说服力不够。
3.许多方法能够完成对叶片故障与否的预测,但无法对故障位置做出准确预测。
发明内容
为了解决现有技术的不足,本发明提供了基于数字孪生的风机叶片状态检测方法及系统;本发明从多个角度实现物理域到虚拟域的孪生匹配,通过虚拟域的孪生叶片的预测与物理域叶片的状态比对,判断叶片故障与否。
第一方面,本发明提供了基于数字孪生的风机叶片状态检测方法;
基于数字孪生的风机叶片状态检测方法,包括:
(1)获取风机叶片的多模态数据;
(2)基于风机叶片的多模态数据,获取风机的声相关系数;基于声相关系数,将声相关系数输入到声音角度检测模型,从声音角度对叶片状态进行检测;如果声音角度检测结果反应叶片发生故障,则进入(3);如果声音角度检测结果反应反应叶片无故障,则进入(4);
(3)将风机叶片的多模态数据,输入到受力点角度检测模型,从受力点的角度对叶片状态进行预测,将模型预测结果与实际检测结果进行作差,得到第一差值,将第一差值与第一设定阈值进行比较,找到故障点的位置;
(4)将风机叶片的多模态数据,输入到受力点角度检测模型,从受力点的角度对叶片状态进行预测,将模型预测结果与实际检测结果进行作差,得到第二差值,将第二差值与第二设定阈值进行比较,如果大于第二设定阈值,则找到故障点的位置;如果小于第二设定阈值,则表示无故障;其中,第二设定阈值小于第一设定阈值。
第二方面,本发明提供了基于数字孪生的风机叶片状态检测系统;
基于数字孪生的风机叶片状态检测系统,包括:
获取模块,其被配置为:获取风机叶片的多模态数据;
第一检测模块,其被配置为:基于风机叶片的多模态数据,获取风机的声相关系数;基于声相关系数,将声相关系数输入到声音角度检测模型,从声音角度对叶片状态进行检测;如果声音角度检测结果反应叶片发生故障,则进入第二检测模块;如果声音角度检测结果反应反应叶片无故障,则进入第三检测模块;
第二检测模块,其被配置为:将风机叶片的多模态数据,输入到受力点角度检测模型,从受力点的角度对叶片状态进行预测,将模型预测结果与实际检测结果进行作差,得到第一差值,将第一差值与第一设定阈值进行比较,找到故障点的位置;
第三检测模块,其被配置为:将风机叶片的多模态数据,输入到受力点角度检测模型,从受力点的角度对叶片状态进行预测,将模型预测结果与实际检测结果进行作差,得到第二差值,将第二差值与第二设定阈值进行比较,如果大于第二设定阈值,则找到故障点的位置;如果小于第二设定阈值,则表示无故障;其中,第二设定阈值小于第一设定阈值。
第三方面,本发明还提供了一种电子设备,包括:
存储器,用于非暂时性存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,
其中,所述计算机可读指令被所述处理器运行时,执行上述第一方面所述的方法。
第四方面,本发明还提供了一种存储介质,非暂时性地存储计算机可读指令,其中,当所述非暂时性计算机可读指令由计算机执行时,执行第一方面所述方法的指令。
第五方面,本发明还提供了一种计算机程序产品,包括计算机程序,所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
与现有技术相比,本发明的有益效果是:
基于声音的检测具有融合更多元数据、故障反应更直观的优点,但不足之处是不善于对故障点的定位;基于受力点的检测能完成对故障点的定位,但融合的多模态数据不足够多元化,因此提出了一种基于声音检测、受力点检测的融合多模态数字孪生的风机叶片检测方式。
在该方法中,先使用从声音角度检测对可能故障的叶片进行检测,如果结果反应叶片可能出现故障,则使用受力点角度检测,因基于声音角度的反馈叶片可能故障,则叶片具有故障的可能性极高,调低故障判断的阈值,将叶片多模态数据输入受力点角度的模型,找到故障点的位置。
如果声音角度的检测反馈叶片正常无故障,则使用正常故障判断阈值对叶片进行检测,如果发现故障,得到故障点位置,如果不能发现故障,则风机运行正常。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为实施例一的方法流程图;
图2为实施例一的风机转速测定模型结构。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上,对数据的合法应用。
实施例一
本实施例提供了基于数字孪生的风机叶片状态检测方法;
如图1所示,基于数字孪生的风机叶片状态检测方法,包括:
S101:获取风机叶片的多模态数据;
S102:基于风机叶片的多模态数据,获取风机的声相关系数;基于声相关系数,将声相关系数输入到声音角度检测模型,从声音角度对叶片状态进行检测;如果声音角度检测结果反应叶片发生故障,则进入S103;如果声音角度检测结果反应反应叶片无故障,则进入S104;
S103:将风机叶片的多模态数据,输入到受力点角度检测模型,从受力点的角度对叶片状态进行预测,将模型预测结果与实际检测结果进行作差,得到第一差值,将第一差值与第一设定阈值进行比较,找到故障点的位置;
S104:将风机叶片的多模态数据,输入到受力点角度检测模型,从受力点的角度对叶片状态进行预测,将模型预测结果与实际检测结果进行作差,得到第二差值,将第二差值与第二设定阈值进行比较,如果大于第二设定阈值,则找到故障点的位置;如果小于第二设定阈值,则表示无故障;其中,第二设定阈值小于第一设定阈值。
进一步地,所述S101:获取风机叶片的多模态数据,其中,多模态数据,包括:叶片转速、风机尺寸、风机位置、声音采集器位置、风速、风向、空气颗粒物浓度、温度、湿度、麦克风采集声音。所述声音采集器安装在风机的塔架上;所述麦克风安装在风机的塔架上。
进一步地,所述S102:基于风机叶片的多模态数据,获取风机的声相关系数,具体包括:
物理域中影响风机声音的物理因素包括:叶片转速、声源距离、风力干扰、空气介质和环境温度;
在虚拟域孪生叶片构建声相关系数V,声相关系数V是由叶片转速w、声源距离d、风速v、风向与声音传播方向夹角θ、空气颗粒物浓度α、湿度p和温度t构成:
Vk=[wk,dk,vk,θk,αk,pk,tk] (3)
其中,Vk表示声相关系数,wk表示叶片的转速,dk表示声源的距离,vk表示风速,θk表示风向与声音传播方向的夹角,αk表示空气颗粒物浓度,pk表示空气湿度,tk表示环境的温度;
根据n组声相关系数,得声相关系数矩阵V:
进一步地,如图2所示,叶片的转速,使用一种直射式光电转速传感器测定风机转速的方法:在风机转轴安装一有缝隙遮光板,在遮光板一侧安装光源,在遮光板的另外一侧安装光敏元件,得到光敏元件检测到光的时间间隔t,已知两缝隙间的角度即叶片转过角度为β,则求得叶片的转速w为:
w=β/t (1)
图2为风机转速测定模型结构,其中旋转的横杆为叶片转轴,圆盘为遮光圆盘,上面小孔为透光缝隙,左侧为光源,右侧为光敏元件。获得风机的型号、尺寸;实地测量获得风机与声音采集器的相对方位、距离;查阅相关气象信息得到周围风速、风向、空气颗粒度、温度、湿度;获得麦克风采集的声音,包括频率和分贝。
进一步地,以风机底座位置为坐标原点,以正东、正北、风机塔向上方向分别为坐标轴x轴、y轴、z轴,构建三维笛卡尔坐标系。
风机底座坐标为C1(0,0,0),风机叶片转轴坐标为C2(0,0,h),声音采集器坐标为C3(0,0,H),风向的方向向量为v=(cose,sine,0),其中h为风机塔高,H为声音采集器的高度,θ为风向与x轴正方向的夹角。
以风机叶片转轴到声音收集器的方向近似为声音传播方向,利用坐标计算得风向与声音传播方向夹角θ:
进一步地,所述基于声相关系数,将声相关系数输入到声音角度检测模型,从声音角度对叶片状态进行检测,其中,声音角度检测模型,获取过程包括:
S1021:获取初始物理域的叶片多模态数据;
S1022:基于初始物理域的叶片多模态数据,构建声相关系数和声状态参数;
S1023:构建神经网络模型,将声相关系数和声状态参数输入到第一神经网络模型中,将声相关系数作为模型的输入值,将声状态参数作为模型的输出值,对模型进行训练,得到训练后的第一神经网络模型,将训练后的第一神经网络模型作为声角度检测模型;所述声状态参数,包括:分贝数和震动频率。
进一步地,所述声状态参数,获取过程包括:
Ck=FkCk-1 (5)
其中,Ck为k时刻的声状态系数,Ck-1为k-1时刻的声状态系数,Pk为k时刻描述分贝数D和震动频率F两个变量相关性的协方差矩阵,Pk-1为k-1时刻描述分贝数D和震动频率F两个变量相关性的协方差矩阵,Fk为根据k-1状态预测k状态的预测矩阵,Qk为一个满足高斯分布的随机矩阵,用来提供预测中不可预测情况,表示预测矩阵Fk的转置;
将公式(5)与公式(7)结合,得到对参数预期值的模糊估计值Ck和Pk。
通过测量值对模糊估计值进行修正:将测量值的均值和方差的高斯分布与预期值的均值和方差的高斯分布相乘,得到独立均值和方差的新高斯分布,新高斯分布为去除噪音、去除传感器误差得到的最优分布,作为声状态参数的值。
应理解地,这里通过将测量值的均值和方差的高斯分布,与预期值的均值和方差的高斯分布相乘,实现通过测量值对估计值的修正;测量值,具体是指通过传感器得到的物理域中的声状态系数矩阵。
应理解地,物理域得到的声音包括两种声状态,体现在分贝数和震动频率,声状态系数为C,分贝数为D,震动频率为F,得C=[D,F]。
粗采声得到的声音除了目标得到的风机声音外还包含叶片旋转产生得气动噪音以及周围环境噪音等多种噪音,为得到高质量的声信息,需要去除噪音特征。
风机声音的是一种强主声音弱噪声的声音信号,考虑到现场的噪声的复杂性、非平稳性,采用一种适用于风机声音处理的卡尔曼滤波的方式进行去噪音。
声状态C有分贝数D和震动频率F两个变量:
卡尔曼滤波假设两个变量是随机的且满足高斯分布,每个变量都有一个均值和一个方差表示不确定性,两种变量的相关性用一个协方差矩阵表示。
使用矩阵描述问题,利用当前状态k-1时刻来预测下一状态k时刻:
Ck=FkCk-1 (5)
Ck为k时刻的声状态系数,Ck-1为k-1时刻的声状态系数,Pk为k时刻描述两种变量相关性的协方差矩阵,Pk-1为k-1时刻描述两种变量相关性的协方差矩阵,Fk为根据k-1状态预测k状态的预测矩阵。
此外,环境存在噪音干扰,会导致预测产生偏差,因而在每次预测后,添加一些新的不确定性来建立这种与外界之间的不确定模型:
当状态更新后,声状态两种变量仍满足高斯分布,可以视为将Ck-1的每个状态变量移动到了一个新的服从高斯分布的区域,协方差为Qk,这改变了k时刻的协方差矩阵,通过添加Qk得到扩展的协方差,完整表达式为公式(7)。
进一步地,所述基于声相关系数,将声相关系数输入到声音角度检测模型,从声音角度对叶片状态进行检测,具体包括:
将待检测叶片声相关系数输入到声音角度检测模型,得到虚拟叶片声音预测值;将物理域叶片声音值与虚拟叶片声音预测值作差,当差值大于第三设定阈值时,则认为物理域叶片发生故障,当差值小于第三设定阈值时,则认为叶片无故障。其中,物理域叶片声音值,是通过麦克风采集得到的。
应理解地,在物理测量风机叶片的相关数据时,叶片转动发出的声音是一种明显的特征,叶片出现故障时,声音明显出现异常,因此提出一种基于多模态数字孪生从声音角度实现检测的方法。将相关参数放入模型计算得到虚拟域的孪生叶片,比较实测叶片和孪生叶片间差距,若大于某一阈值,则可判断为故障。
进一步地,所述基于声相关系数,将声相关系数输入到声音角度检测模型,从声音角度对叶片状态进行检测,具体包括:
使用判断阈值对叶片进行检测,因为比较的是虚拟域和物理域的声状态参数,都是2x1的矩阵,则设置一个2x1的阈值矩阵[t1,t2];
如果物理域的分贝数和虚拟域分贝数差的绝对值a1,大于对应阈值t1,或,物理域的震动频率和虚拟域震动频率差的绝对值a2,大于对应阈值t2,则认为叶片故障。
进一步地,S103:将风机叶片的多模态数据,输入到受力点角度检测模型,从受力点的角度对叶片状态进行检测,其中,受力点角度检测模型,获取过程包括:
S103a1:获得初始物理域叶片多模态数据;
S103a2:将物理域叶片沿叶片方向分为N个与叶片延伸方向垂直的截面,每个截面利用网格均分为M个点,在每个点布置传感器,测定各受力点的形变情况;
S103a3:建立第二神经网络模型,输入物理域叶片的各模态数据以及各受力点的形变情况训练模型;各模态数据作为模型输入值,形变情况作为模型输出值,得到训练后的第二神经网络模型,将训练后的第二神经网络模型视为受力点角度检测模型。
进一步地,所述S103a1:获得初始物理域叶片多模态数据,具体包括:
获得物理域叶片的多模态数据,包括位置、尺寸等。
获得物理环境的多模态数据,包括测定周围环境的风力风速;根据式(1)测得叶片转速w;测得环境温度t、湿度p、颗粒物浓度α;
进一步地,所述S103a2:将物理域叶片沿叶片方向分为N个与叶片延伸方向垂直的截面,每个截面利用网格均分为M个点,在每个点布置传感器,测定各受力点的形变情况,具体包括:
将物理域叶片沿叶片方向分为N个与叶片延伸方向垂直的截面,每个截面利用网格均分为M个点,选择的截面应包括靠近叶片根部设定距离、叶片中部、靠近叶片末端设定距离等多种位置;
在每个点布置形变传感器,通过形变传感器到叶片形变程度c,通过叶片的形变程度衡量叶片的受力情况;在每个点布置传感器,测定各受力点多种运动模式、多种物理环境条件下的受力情况,包括静止、不同速度转动等运动模式;不同风速、不同温度等多种环境条件。
进一步地,所述S103a3:建立第二神经网络模型,输入物理域叶片的各模态数据以及各受力点的形变情况训练模型;得到训练后的第二神经网络模型,将训练后的第二神经网络模型视为受力点角度检测模型,具体包括:
以风机筒根部点为坐标原点,正东、正北、风机筒垂直延伸方向为x、y、z轴构建笛卡尔坐标系,定为坐标系A;
输入多模态数据,在坐标系A里得到风机筒根部、风向、风机叶片各受力点、各受力点旋转方向在A坐标系中的坐标,同时输入温度t、湿度p、颗粒物浓度α,形变程度c。
以获得的受力点为坐标原点,构建坐标系B:由于受力点在A坐标系中的位置是时刻变化的,为了方便描述受力点收到的不同方向、不同性质的力,以叶片延伸方向为x轴、与叶片相切且与叶片延伸方向垂直的方向为y轴,垂直与叶片切面且向叶片内部的方向为z轴,以此方法构造出坐标系B。
将坐标系B视为坐标系A进行先旋转后偏移的变换方式得到,由坐标系的映射规则得:
其中表示A、B坐标系之间的旋转变化,由A坐标系各坐标方向的单位向量与B坐标系各坐标方向的单位向量通过乘法运算得到,POAOB表示A坐标系与B坐标系的原点的位置差,即叶片受力点和风机筒根部的位置差,通过这种方式将A坐标系中的点在B坐标系中表示出来。
通过公式(8)运算得到风向在B坐标系中的方向d,风速为v,叶片转速为w,温度为t,湿度为p,颗粒物浓度为α,形变系数为c。
风机的力相关系数Fn(Dm):
Fn(Dm)=[vm,n,dm,n,wm,n,tm,n,pm,n,αm,n] (9)
其中Dm表示叶片的第m个截面,n表示该截面的第n个受力点;
该截面所有受力点的力相关系数组成的矩阵为:
该截面所有受力点的形变系数为:
C(Dm)=[c0,m…cN,m] (11)
构建神经网络,将F、C输入,训练得到能预测叶片形变的受力点角度检测模型。
进一步地,S103:将风机叶片的多模态数据,输入到受力点角度检测模型,从受力点的角度对叶片状态进行检测,找到故障点的位置,具体包括:
S103b1:获得待测物理域叶片的多模态数据以及待测物理域叶片各受力点的形变情况;
S103b2:根据待测叶片的多模态数据,利用模型预测虚拟域叶片,获得虚拟域叶片各受力点的形变情况;
S103b3:比对物理域和虚拟域的受力点的形变情况,若受力点形变差距大于第一设定阈值,则叶片出现异常。
进一步地,所述S103b1:获得待测物理域叶片的多模态数据以及待测物理域叶片各受力点的形变情况,具体包括:
获得物理域待检测叶片的多模态数据,包括位置、尺寸;
获得物理环境的多模态数据,包括测定周围环境的风力风速;测得叶片转速w;测得环境温度t、湿度p、颗粒物浓度α;通过光纤得到叶片形变程度c;
获得待测叶片的力相关系数矩阵F和物理域叶片的各受力点形变量C。
进一步地,所述S103b2:根据待测叶片的多模态数据,利用模型预测虚拟域叶片,获得虚拟域叶片各受力点的形变情况,具体包括:
在模型中输入待测叶片的力相关系数矩阵F,运算得到虚拟域叶片的模拟形变量C’。
进一步地,所述S103b3:比对物理域和虚拟域的受力点的形变情况,设定一个阈值,若受力情况差距大于该阈值,则叶片可能出现异常,具体包括:
计算C’与C之间的差值,当差值大于故障判断阈值时,叶片出现故障,通过受力点角度定位出叶片出现故障的位置。
应理解地,在阈值设定中,有两种阈值:第一设定阈值和第二设定阈值;其中第一设定阈值,是通过受力点角度检测模型中调试得到值;第二设定阈值是在声音角度预测无异常后调低的阈值,因此设定了第二个阈值,第二阈值小于第一阈值。
实施例二
本实施例提供了基于数字孪生的风机叶片状态检测系统;
基于数字孪生的风机叶片状态检测系统,包括:
获取模块,其被配置为:获取风机叶片的多模态数据;
第一检测模块,其被配置为:基于风机叶片的多模态数据,获取风机的声相关系数;基于声相关系数,将声相关系数输入到声音角度检测模型,从声音角度对叶片状态进行检测;如果声音角度检测结果反应叶片发生故障,则进入第二检测模块;如果声音角度检测结果反应反应叶片无故障,则进入第三检测模块;
第二检测模块,其被配置为:将风机叶片的多模态数据,输入到受力点角度检测模型,从受力点的角度对叶片状态进行预测,将模型预测结果与实际检测结果进行作差,得到第一差值,将第一差值与第一设定阈值进行比较,找到故障点的位置;
第三检测模块,其被配置为:将风机叶片的多模态数据,输入到受力点角度检测模型,从受力点的角度对叶片状态进行预测,将模型预测结果与实际检测结果进行作差,得到第二差值,将第二差值与第二设定阈值进行比较,如果大于第二设定阈值,则找到故障点的位置;如果小于第二设定阈值,则表示无故障;其中,第二设定阈值小于第一设定阈值。
此处需要说明的是,上述获取模块、第一检测模块、第二检测模块和第三检测模块对应于实施例一中的步骤S101至S104,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统,可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的,例如上述模块的划分,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,例如多个模块可以结合或者可以集成到另外一个系统,或一些特征可以忽略,或不执行。
实施例三
本实施例还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述实施例一所述的方法。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
实施例四
本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述的方法。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于数字孪生的风机叶片状态检测方法,其特征是,包括:
(1)获取风机叶片的多模态数据;
(2)基于风机叶片的多模态数据,获取风机的声相关系数;基于声相关系数,将声相关系数输入到声音角度检测模型,从声音角度对叶片状态进行检测;如果声音角度检测结果反应叶片发生故障,则进入(3);如果声音角度检测结果反应反应叶片无故障,则进入(4);
(3)将风机叶片的多模态数据,输入到受力点角度检测模型,从受力点的角度对叶片状态进行预测,将模型预测结果与实际检测结果进行作差,得到第一差值,将第一差值与第一设定阈值进行比较,找到故障点的位置;
(4)将风机叶片的多模态数据,输入到受力点角度检测模型,从受力点的角度对叶片状态进行预测,将模型预测结果与实际检测结果进行作差,得到第二差值,将第二差值与第二设定阈值进行比较,如果大于第二设定阈值,则找到故障点的位置;如果小于第二设定阈值,则表示无故障;其中,第二设定阈值小于第一设定阈值。
2.如权利要求1所述的基于数字孪生的风机叶片状态检测方法,其特征是,基于风机叶片的多模态数据,获取风机的声相关系数,具体包括:
物理域中影响风机声音的物理因素包括:叶片转速、声源距离、风力干扰、空气介质和环境温度;
在虚拟域孪生叶片构建声相关系数V,声相关系数V是由叶片转速w、声源距离d、风速v、风向与声音传播方向夹角θ、空气颗粒物浓度α、湿度p和温度t构成:
Vk=[wk,dk,vk,θk,αk,pk,tk] (3)
其中,Vk表示声相关系数,wk表示叶片的转速,dk表示声源的距离,vk表示风速,θk表示风向与声音传播方向的夹角,αk表示空气颗粒物浓度,pk表示空气湿度,tk表示环境的温度;
根据n组声相关系数,得声相关系数矩阵V:
3.如权利要求1所述的基于数字孪生的风机叶片状态检测方法,其特征是,所述基于声相关系数,将声相关系数输入到声音角度检测模型,从声音角度对叶片状态进行检测,其中,声音角度检测模型,获取过程包括:
获取初始物理域的叶片多模态数据;
基于初始物理域的叶片多模态数据,构建声相关系数和声状态参数;
构建神经网络模型,将声相关系数和声状态参数输入到第一神经网络模型中,将声相关系数作为模型的输入值,将声状态参数作为模型的输出值,对模型进行训练,得到训练后的第一神经网络模型,将训练后的第一神经网络模型作为声角度检测模型;所述声状态参数,包括:分贝数和震动频率。
4.如权利要求3所述的基于数字孪生的风机叶片状态检测方法,其特征是,所述声状态参数,获取过程包括:
Ck=FkCk-1 (5)
其中,Ck为k时刻的声状态系数,Ck-1为k-1时刻的声状态系数,Pk为k时刻描述分贝数D和震动频率F两个变量相关性的协方差矩阵,Pk-1为k-1时刻描述分贝数D和震动频率F两个变量相关性的协方差矩阵,Fk为根据k-1状态预测k状态的预测矩阵,Qk为一个满足高斯分布的随机矩阵,用来提供预测中不可预测情况,表示预测矩阵Fk的转置;
将公式(5)与公式(7)结合,得到对参数预期值的模糊估计值Ck和Pk;
通过测量值对模糊估计值进行修正:将测量值的均值和方差的高斯分布与预期值的均值和方差的高斯分布相乘,得到独立均值和方差的新高斯分布,新高斯分布为去除噪音、去除传感器误差得到的最优分布,作为声状态参数的值。
5.如权利要求1所述的基于数字孪生的风机叶片状态检测方法,其特征是,所述基于声相关系数,将声相关系数输入到声音角度检测模型,从声音角度对叶片状态进行检测,具体包括:
将待检测叶片声相关系数输入到声音角度检测模型,得到虚拟叶片声音预测值;将物理域叶片声音值与虚拟叶片声音预测值作差,当差值大于第三设定阈值时,则认为物理域叶片发生故障,当差值小于第三设定阈值时,则认为叶片无故障;
使用判断阈值对叶片进行检测,因为比较的是虚拟域和物理域的声状态参数,都是2x1的矩阵,则设置一个2x1的阈值矩阵[t1,t2];
如果物理域的分贝数和虚拟域分贝数差的绝对值a1,大于对应阈值t1,或,物理域的震动频率和虚拟域震动频率差的绝对值a2,大于对应阈值t2,则认为叶片故障。
6.如权利要求1所述的基于数字孪生的风机叶片状态检测方法,其特征是,将风机叶片的多模态数据,输入到受力点角度检测模型,从受力点的角度对叶片状态进行预测,其中,受力点角度检测模型,获取过程包括:
获得初始物理域叶片多模态数据;
将物理域叶片沿叶片方向分为N个与叶片延伸方向垂直的截面,每个截面利用网格均分为M个点,在每个点布置传感器,测定各受力点的形变情况;
建立第二神经网络模型,输入物理域叶片的各模态数据以及各受力点的形变情况训练模型;各模态数据作为模型输入值,形变情况作为模型输出值,得到训练后的第二神经网络模型,将训练后的第二神经网络模型视为受力点角度检测模型。
7.如权利要求1所述的基于数字孪生的风机叶片状态检测方法,其特征是,将风机叶片的多模态数据,输入到受力点角度检测模型,从受力点的角度对叶片状态进行预测,具体包括:
获得待测物理域叶片的多模态数据以及待测物理域叶片各受力点的形变情况;
根据待测叶片的多模态数据,利用模型预测虚拟域叶片,获得虚拟域叶片各受力点的形变情况;
比对物理域和虚拟域的受力点的形变情况,若受力点形变差距大于第一设定阈值,则叶片出现异常。
8.基于数字孪生的风机叶片状态检测系统,其特征是,包括:
获取模块,其被配置为:获取风机叶片的多模态数据;
第一检测模块,其被配置为:基于风机叶片的多模态数据,获取风机的声相关系数;基于声相关系数,将声相关系数输入到声音角度检测模型,从声音角度对叶片状态进行检测;如果声音角度检测结果反应叶片发生故障,则进入第二检测模块;如果声音角度检测结果反应反应叶片无故障,则进入第三检测模块;
第二检测模块,其被配置为:将风机叶片的多模态数据,输入到受力点角度检测模型,从受力点的角度对叶片状态进行预测,将模型预测结果与实际检测结果进行作差,得到第一差值,将第一差值与第一设定阈值进行比较,找到故障点的位置;
第三检测模块,其被配置为:将风机叶片的多模态数据,输入到受力点角度检测模型,从受力点的角度对叶片状态进行预测,将模型预测结果与实际检测结果进行作差,得到第二差值,将第二差值与第二设定阈值进行比较,如果大于第二设定阈值,则找到故障点的位置;如果小于第二设定阈值,则表示无故障;其中,第二设定阈值小于第一设定阈值。
9.一种电子设备,其特征是,包括:
存储器,用于非暂时性存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,
其中,所述计算机可读指令被所述处理器运行时,执行上述权利要求1-7任一项所述的方法。
10.一种存储介质,其特征是,非暂时性地存储计算机可读指令,其中,当所述非暂时性计算机可读指令由计算机执行时,执行权利要求1-7任一项所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211272413.6A CN115450858A (zh) | 2022-10-18 | 2022-10-18 | 基于数字孪生的风机叶片状态检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211272413.6A CN115450858A (zh) | 2022-10-18 | 2022-10-18 | 基于数字孪生的风机叶片状态检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115450858A true CN115450858A (zh) | 2022-12-09 |
Family
ID=84311234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211272413.6A Pending CN115450858A (zh) | 2022-10-18 | 2022-10-18 | 基于数字孪生的风机叶片状态检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115450858A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117006002A (zh) * | 2023-09-27 | 2023-11-07 | 广东海洋大学 | 基于数字孪生的海上风力发电机监测方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2131037A2 (de) * | 2008-06-05 | 2009-12-09 | REpower Systems AG | Überwachung des Betriebs einer Windenergieanlage durch Geräuschanalyse |
WO2010061255A2 (en) * | 2008-11-01 | 2010-06-03 | Clipper Windpower, Inc. | Active blade pitch control for reduction of wind turbine noise or loads |
US20110192212A1 (en) * | 2008-10-10 | 2011-08-11 | Eneria | System and method of counting and analyzing animal impacts on a wind turbine blade |
US20160032894A1 (en) * | 2014-07-31 | 2016-02-04 | General Electric Company | System and method for optimal operation of wind farms |
US20160032893A1 (en) * | 2014-07-31 | 2016-02-04 | General Electric Company | System and method for enhanced operation of wind parks |
CN105508152A (zh) * | 2015-12-31 | 2016-04-20 | 北京金风科创风电设备有限公司 | 叶片结冰模型的构建方法、结冰状态的监测方法和装置 |
CN110985310A (zh) * | 2019-12-16 | 2020-04-10 | 大连赛听科技有限公司 | 基于声传感器阵列的风力发电机叶片故障监测方法与设备 |
CN111174901A (zh) * | 2019-12-30 | 2020-05-19 | 中机华信诚电力工程有限公司 | 一种噪声分贝值的计算方法 |
CN111444474A (zh) * | 2020-03-24 | 2020-07-24 | 宁波飞拓电器有限公司 | 一种基于乘性噪声相关自适应ckf的目标跟踪方法 |
CN112100874A (zh) * | 2020-07-24 | 2020-12-18 | 西安交通大学 | 基于数字孪生的转子叶片健康监测方法和监测系统 |
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 |
CN113836762A (zh) * | 2021-08-25 | 2021-12-24 | 中国大唐集团新能源科学技术研究院有限公司 | 一种风力机及风电场数字镜像模拟展示系统 |
CN114183312A (zh) * | 2021-12-03 | 2022-03-15 | 中国大唐集团新能源科学技术研究院有限公司 | 一种风电机组叶片状态的监测系统及方法 |
CN114992063A (zh) * | 2022-05-06 | 2022-09-02 | 国能信控互联技术有限公司 | 一种自动化风机叶片故障检测方法及系统 |
-
2022
- 2022-10-18 CN CN202211272413.6A patent/CN115450858A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2131037A2 (de) * | 2008-06-05 | 2009-12-09 | REpower Systems AG | Überwachung des Betriebs einer Windenergieanlage durch Geräuschanalyse |
US20110192212A1 (en) * | 2008-10-10 | 2011-08-11 | Eneria | System and method of counting and analyzing animal impacts on a wind turbine blade |
WO2010061255A2 (en) * | 2008-11-01 | 2010-06-03 | Clipper Windpower, Inc. | Active blade pitch control for reduction of wind turbine noise or loads |
US20160032894A1 (en) * | 2014-07-31 | 2016-02-04 | General Electric Company | System and method for optimal operation of wind farms |
US20160032893A1 (en) * | 2014-07-31 | 2016-02-04 | General Electric Company | System and method for enhanced operation of wind parks |
CN105508152A (zh) * | 2015-12-31 | 2016-04-20 | 北京金风科创风电设备有限公司 | 叶片结冰模型的构建方法、结冰状态的监测方法和装置 |
CN110985310A (zh) * | 2019-12-16 | 2020-04-10 | 大连赛听科技有限公司 | 基于声传感器阵列的风力发电机叶片故障监测方法与设备 |
CN111174901A (zh) * | 2019-12-30 | 2020-05-19 | 中机华信诚电力工程有限公司 | 一种噪声分贝值的计算方法 |
CN111444474A (zh) * | 2020-03-24 | 2020-07-24 | 宁波飞拓电器有限公司 | 一种基于乘性噪声相关自适应ckf的目标跟踪方法 |
CN112100874A (zh) * | 2020-07-24 | 2020-12-18 | 西安交通大学 | 基于数字孪生的转子叶片健康监测方法和监测系统 |
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 |
CN113836762A (zh) * | 2021-08-25 | 2021-12-24 | 中国大唐集团新能源科学技术研究院有限公司 | 一种风力机及风电场数字镜像模拟展示系统 |
CN114183312A (zh) * | 2021-12-03 | 2022-03-15 | 中国大唐集团新能源科学技术研究院有限公司 | 一种风电机组叶片状态的监测系统及方法 |
CN114992063A (zh) * | 2022-05-06 | 2022-09-02 | 国能信控互联技术有限公司 | 一种自动化风机叶片故障检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
张磊;李欣竹;: "基于ANFIS的风力发电机状态监测研究", 中南民族大学学报(自然科学版), no. 01, 15 March 2017 (2017-03-15), pages 92 - 95 * |
顾桂梅;张鑫;: "基于深度信念网络的风机叶片结构损伤识别研究", 甘肃农业大学学报, no. 04, 15 August 2016 (2016-08-15), pages 134 - 138 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117006002A (zh) * | 2023-09-27 | 2023-11-07 | 广东海洋大学 | 基于数字孪生的海上风力发电机监测方法及系统 |
CN117006002B (zh) * | 2023-09-27 | 2024-02-09 | 广东海洋大学 | 基于数字孪生的海上风力发电机监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442936B (zh) | 基于数字孪生模型的设备故障诊断方法、装置及系统 | |
EP2644889B1 (en) | Detecting a wake situation in a wind farm | |
CN107665172B (zh) | 一种基于复杂加权软件网络的软件缺陷预测方法 | |
US10641681B2 (en) | Structure abnormality detection system, structure abnormality detection method, and storage medium | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN115450858A (zh) | 基于数字孪生的风机叶片状态检测方法及系统 | |
CN110619106A (zh) | 一种桥梁损伤定位方法及其定量方法 | |
CN114118754B (zh) | 一种基于机器学习的水文水资源监测方法及系统 | |
CN113065223B (zh) | 一种塔桅集群数字孪生模型多等级概率修正方法 | |
CN111541559A (zh) | 一种基于因果规则的故障定位方法 | |
CN117111544B (zh) | 一种自动适配的楼宇物联网监控方法及系统 | |
CN115796059A (zh) | 一种基于深度学习的电气设备寿命预测方法及系统 | |
CN116399630A (zh) | 一种基于设备工况的运行监测管理方法及系统 | |
CN103885867A (zh) | 一种模拟电路性能的在线评价方法 | |
CN113326592B (zh) | 一种基于模态分解算法的风机叶片故障分析方法及系统 | |
CN117332205B (zh) | 压电阻抗温度补偿高精度自动优化方法及装置 | |
CN114429249A (zh) | 钢管束生产设备的寿命预测方法、系统、设备及存储介质 | |
CN108932554B (zh) | 一种风电场流场量测点的配置优化方法及装置 | |
CN110188939B (zh) | 风电场的风功率的预测方法、系统、设备和存储介质 | |
JP7469828B2 (ja) | 構造物診断システム、構造物診断方法、および構造物診断プログラム | |
CN112241853B (zh) | 一种区域间空气质量影响的评估方法及评估装置 | |
CN113190403A (zh) | 大数据平台运行状态的监控系统、计算机设备、终端、介质 | |
CN117891644B (zh) | 一种基于数字孪生技术的数据采集系统及其采集方法 | |
Nielsen et al. | Quantifying the value of SHM for wind turbine blades | |
CN116933570B (zh) | 风电场再开发过程中的发电量评估方法和装置 |
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 |