CN117128143A - 一种叶片故障检测方法和相关装置 - Google Patents

Abstract

本申请实施例公开了一种叶片故障检测方法和相关装置，在进行检测时，处理设备可以获取待检测风力发电机对应的待分析运行数据，以及待分析运行数据对应的第一实际有功功率。可以将该待分析运行数据输入功率预测模型，确定该待分析运行数据对应的预测有功功率，该功率预测模型用于预测风力发电机在叶片正常状态下的有功功率，因此响应于所述预测有功功率和所述第一实际有功功率之间的差值大于第一预设阈值，说明该待检测风力发电机输出的有功功率与叶片正常状态输出的有功功率有较大差别，因此可以确定所述待检测风力发电机的叶片出现故障。本申请在该叶片故障检测过程中无需额外添加设备进行数据采集，在保障检测准确度的同时降低了检测门槛。

Description

一种叶片故障检测方法和相关装置

技术领域

本申请涉及故障分析技术领域，特别是涉及一种叶片故障检测方法和相关装置。

背景技术

风机叶片是风力发电机关键的零部件之一，叶片在风的驱动下将风能转化为机械能，叶片在服役期间所受载荷复杂多变，很容易发生损伤。风机叶片损伤的主要形式有表面磨损、表面剥蚀与脱落、材料脆化、材料碳化以及裂纹与开裂，其中叶片开裂是最严重的风机叶片损伤，如果不能及时发现将会给风电场带来巨大的经济损失，威胁风电机组的安全正常运行，甚至造成更加难以意料的后果。

在相关技术中，对于叶片故障的检测主要是将各类传感器应用于风机叶片故障监测装置和叶片运行状态监测系统，通过分析数据特征的方式进行叶片故障监测，这就需要额外的检测装置，提高了检测成本。

发明内容

为了解决上述技术问题，本申请提供了一种叶片故障检测方法，处理设备可以基于风力发电机运行过程中所产生的数据进行叶片故障分析，无需额外添加检测设备，在保障故障检测准确率的同时降低了检测难度。

本申请实施例公开了如下技术方案：

第一方面，本申请实施例公开了一种叶片故障检测方法，所述方法包括：

获取待检测风力发电机对应的待分析运行数据，以及所述待分析运行数据对应的第一实际有功功率，所述待分析运行数据用于预测所述待检测风力发电机的有功功率；

将所述待分析运行数据输入功率预测模型，确定所述待分析运行数据对应的预测有功功率；

响应于所述预测有功功率和所述第一实际有功功率之间的差值大于第一预设阈值，确定所述待检测风力发电机的叶片出现故障。

在一种可能的实现方式中，在所述获取待检测风力发电机对应的待分析运行数据之前，所述方法还包括：

获取目标风力发电机对应的样本运行数据，以及所述样本运行数据对应的第二实际有功功率，所述样本运行数据用于预测所述目标风力发电机对应的有功功率，所述目标风力发电机的叶片在所述样本运行数据对应的运行时段处于正常状态；

根据所述样本运行数据和所述第二实际有功功率对初始功率预测模型进行训练，得到所述功率预测模型。

在一种可能的实现方式中，所述根据所述样本运行数据和所述第二实际有功功率对初始功率预测模型进行训练，得到所述功率预测模型，包括：

根据所述样本运行数据和所述初始功率预测模型，确定待定有功功率；

根据所述待定有功功率和所述第二实际有功功率之间的差异，调节所述初始功率预测模型，得到所述功率预测模型。

在一种可能的实现方式中，所述样本运行数据包括风速、风机叶片半径、空气密度和风电功率系数。

在一种可能的实现方式中，所述获取目标风力发电机对应的样本运行数据，包括：

获取初始样本运行数据；

去除所述初始样本运行数据中，所对应所述目标风力发电机的状态处于故障状态的数据，得到所述样本运行数据。

在一种可能的实现方式中，所述去除所述初始样本运行数据中，所对应所述目标风力发电机的状态处于故障状态的数据，包括：

去除所述初始样本运行数据中，所对应有功功率小于等于0的数据；

和/或，去除所述初始样本数据中，所对应有功功率大于所述目标风力发电机额定功率的数据；

和/或，去除所述初始样本数据中，具有限功率标志位或故障标志位的数据，所述故障标志位包括叶片结冰标志位、风速仪故障标识位中的任意一种或多种的组合；

和/或，去除所述初始样本数据中，与所述初始样本数据的平均数据之间差异大于第二预设阈值的数据。

在一种可能的实现方式中，所述方法还包括：

获取所述待检测风力发电机对应的机身振动数据，所述机身振动数据与所述待分析运行数据所对应的运行时段相同；

所述响应于所述预测有功功率和所述第一实际有功功率的差值大于第一预设阈值，确定所述待检测风力发电机的叶片出现故障，包括：

响应于所述机身振动数据大于第三预设阈值，且所述预测有功功率和所述第一实际有功功率的差值大于所述第一预设阈值，确定所述待检测风力发电机的叶片出现故障。

在一种可能的实现方式中，所述方法还包括：

响应于所述待检测风力发电机的叶片出现故障，在信息展示界面展示故障信息，所述故障信息用于指示所述待检测风力发电机的叶片出现故障。

第二方面，本申请实施例公开了一种叶片故障检测装置，所述装置包括第一获取单元、确定单元和第一响应单元：

所述第一获取单元，用于获取待检测风力发电机对应的待分析运行数据，以及所述待分析运行数据对应的第一实际有功功率，所述待分析运行数据用于预测所述待检测风力发电机的有功功率；

所述确定单元，用于将所述待分析运行数据输入功率预测模型，确定所述待分析运行数据对应的预测有功功率；

所述第一响应单元，用于响应于所述预测有功功率和所述第一实际有功功率之间的差值大于第一预设阈值，确定所述待检测风力发电机的叶片出现故障。

在一种可能的实现方式中，所述装置还包括第二获取单元和训练单元：

所述第二获取单元，用于获取目标风力发电机对应的样本运行数据，以及所述样本运行数据对应的第二实际有功功率，所述样本运行数据用于预测所述目标风力发电机对应的有功功率，所述目标风力发电机的叶片在所述样本运行数据对应的运行时段处于正常状态；

所述训练单元，用于根据所述样本运行数据和所述第二实际有功功率对初始功率预测模型进行训练，得到所述功率预测模型。

在一种可能的实现方式中，所述训练单元具体用于：

根据所述样本运行数据和所述初始功率预测模型，确定待定有功功率；

根据所述待定有功功率和所述第二实际有功功率之间的差异，调节所述初始功率预测模型，得到所述功率预测模型。

在一种可能的实现方式中，所述样本运行数据包括风速、风机叶片半径、空气密度和风电功率系数。

在一种可能的实现方式中，所述第二获取单元具体用于：

获取初始样本运行数据；

去除所述初始样本运行数据中，所对应所述目标风力发电机的状态处于故障状态的数据，得到所述样本运行数据。

在一种可能的实现方式中，所述第二获取单元具体用于：

去除所述初始样本运行数据中，所对应有功功率小于等于0的数据；

和/或，去除所述初始样本数据中，所对应有功功率大于所述目标风力发电机额定功率的数据；

和/或，去除所述初始样本数据中，具有限功率标志位或故障标志位的数据，所述故障标志位包括叶片结冰标志位、风速仪故障标识位中的任意一种或多种的组合；

和/或，去除所述初始样本数据中，与所述初始样本数据的平均数据之间差异大于第二预设阈值的数据。

在一种可能的实现方式中，所述装置还包括第三获取单元：

所述第三获取单元，用于获取所述待检测风力发电机对应的机身振动数据，所述机身振动数据与所述待分析运行数据所对应的运行时段相同；

所述第一响应单元具体用于：

响应于所述机身振动数据大于第三预设阈值，且所述预测有功功率和所述第一实际有功功率的差值大于所述第一预设阈值，确定所述待检测风力发电机的叶片出现故障。

在一种可能的实现方式中，所述装置还包括第二响应单元：

所述第二响应单元，用于响应于所述待检测风力发电机的叶片出现故障，在信息展示界面展示故障信息，所述故障信息用于指示所述待检测风力发电机的叶片出现故障。

第三方面，本申请实施例公开了一种计算机设备，所述计算机设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行第一方面中任意一项所述的叶片故障检测方法。

第四方面，本申请实施例公开了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行第一方面中任意一项所述的叶片故障检测方法。

第五方面，本申请实施例公开了一种包括指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行第一方面中任意一项所述的叶片故障检测方法。

由上述技术方案可以看出，在进行检测时，处理设备可以获取待检测风力发电机对应的待分析运行数据，以及待分析运行数据对应的第一实际有功功率。处理设备可以将该待分析运行数据输入功率预测模型，确定该待分析运行数据对应的预测有功功率，该功率预测模型用于预测风力发电机在叶片正常状态下的有功功率，因此响应于所述预测有功功率和所述第一实际有功功率之间的差值大于第一预设阈值，说明该待检测风力发电机输出的有功功率与叶片正常状态输出的有功功率有较大差别，因此可以确定所述待检测风力发电机的叶片出现故障。由于本申请是通过有功功率来体现叶片故障，而有功功率是风力发电机运行过程中所常用的输出数据，因此在该叶片故障检测过程中无需额外添加设备进行数据采集，在保障检测准确度的同时降低了检测门槛。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种叶片故障检测方法的流程图；

图2为本申请实施例提供的一种叶片故障检测方法的示意图；

图3为本申请实施例提供的一种叶片故障检测方法的示意图；

图4为本申请实施例提供的一种叶片故障检测方法的示意图；

图5为本申请实施例提供的一种叶片故障检测方法的示意图；

图6为本申请实施例提供的一种在显示屏上进行展示的示意图；

图7为本申请实施例提供的一种叶片故障检测装置的结构框图。

具体实施方式

下面结合附图，对本申请的实施例进行描述。

在相关技术中，对叶片故障进行检测时，主要以振动原理、视频图像分析、音频信号分析以及叶片气动特性、空气动力学的方法来实现。然而，这些方法均存在一定的不足之处：

(1)基于振动原理、视频图像分析、音频信号分析的叶片故障监测方法，通常需要加装特定的设备，包括振动传感器、视频采集装置、音频采集装置，在叶片上安装振动传感器数据采集成本较高，视频和音频的数据存储成本较大，极大增加了风场投入成本。

(2)振动信号可能会受发电机、变桨系统、偏航系统等多重因素影响，而且振动传感器采集到的振动数据受设备采集频率影响，可能会丢失重要的特征信息，因此通过振动原理的监测方法受到的干扰因素过多，导致监测方法的准确率受限；音频信号、视频图像易受机组运行环境影响，极端天气下和风力发电机运行状态下，图片噪声和音频噪声数据干扰明显，数据降噪存在一定的难度。

(3)基于空气动力学的检测方法需要检测叶片密闭腔内的气压，在叶片开裂初期或叶片未出现大面积破损的情况下叶片密闭腔内气压不会出现明显异常，此外温度的变化会导致叶片密闭腔内气压变化，因此难以精准的识别出叶片故障；基于叶片气动特性的监测方法是对变桨电机电流进行分析研究，变桨电机电流可能受到绝缘老化、电枢存在匝间短路等诸多因素影响。因此以上几种方法都存在不确定因素影响检测的准确性。

为了解决上述技术问题，本申请提供了一种叶片故障检测方法，处理设备可以基于风力发电机常用的有功功率来对叶片故障进行检测，无需添加额外的数据采集设备，且受环境干扰程度较低，在保障叶片故障检测准确度的同时降低了故障检测门槛。

可以理解的是，该方法可以应用于处理设备上，该处理设备为能够进行叶片故障检测的处理设备，例如可以为具有叶片故障检测功能的终端设备或服务器。该方法可以通过终端设备或服务器独立执行，也可以应用于终端设备和服务器通信的网络场景，通过终端设备和服务器配合执行。其中，终端设备可以为计算机、手机等设备。服务器可以理解为是应用服务器，也可以为Web服务器，在实际部署时，该服务器可以为独立服务器，也可以为集群服务器。

参见图1，图1为本申请实施例提供的一种叶片故障检测方法的流程图，该方法包括：

S101：获取待检测风力发电机对应的待分析运行数据，以及待分析运行数据对应的第一实际有功功率。

其中，待检测风力发电机可以为任意一台需要进行叶片故障检测的风力发电机，该第一实际有功功率是指该待检测风力发电机在运行过程中产生的实际有功功率，该待分析运行数据用于预测待检测风力发电机的有功功率，即该待分析运行数据为可以用于计算该待检测风力发电机有功功率的数据。可以理解的是，风力发电机的有功功率分析为风力发电机的核心数据分析之一，即在现有的风力发电机架构中已经具有采集该待分析运行数据的能力，因此无需添加其他的传感器、探测器等即可完成数据收集。

S102：将待分析运行数据输入功率预测模型，确定待分析运行数据对应的预测有功功率。

该功率预测模型用于基于运行数据预测风力发电机在叶片无故障时对应的有功功率。处理设备可以将该待分析数据作为该功率预测模型的模型输入，通过该模型预测出该待检测风力发电机在叶片无故障时所应当对应的有功功率。

S103：响应于预测有功功率和第一实际有功功率之间的差值大于第一预设阈值，确定待检测风力发电机的叶片出现故障。

处理设备可以预设一个第一预设阈值，该第一预设阈值用于判定待检测的风力发电机的叶片是否出现故障。若第一实际有功功率和预测有功功率之间的差值大于该第一预设阈值，说明该待检测风力发电机的实际有功功率与叶片正常状态下的有功功率差异较大，该待检测风力发电机的叶片大概率出现故障。

由上述技术方案可以看出，在进行检测时，处理设备可以获取待检测风力发电机对应的待分析运行数据，以及待分析运行数据对应的第一实际有功功率。处理设备可以将该待分析运行数据输入功率预测模型，确定该待分析运行数据对应的预测有功功率，该功率预测模型用于预测风力发电机在叶片正常状态下的有功功率，因此响应于所述预测有功功率和所述第一实际有功功率之间的差值大于第一预设阈值，说明该待检测风力发电机输出的有功功率与叶片正常状态输出的有功功率有较大差别，因此可以确定所述待检测风力发电机的叶片出现故障。由于本申请是通过有功功率来体现叶片故障，而有功功率是风力发电机运行过程中所常用的输出数据，因此在该叶片故障检测过程中无需额外添加设备进行数据采集，在保障检测准确度的同时降低了检测门槛。

在一种可能的实现方式中，该功率预测模型可以是通过以下方式训练得到的：

在获取待检测风力发电机对应的待分析运行数据之前，处理设备可以先获取目标风力发电机对应的样本运行数据，以及该样本运行数据对应的第二实际有功功率，该目标风力发电机可以为任意一台发电机，该第二实际有功功率即在实际环境下，该目标风力发电机基于该样本运行数据所产生的有功功率，该样本运行数据用于预测目标风力发电机对应的有功功率，该目标风力发电机的叶片在该样本运行数据对应的运行时段处于正常状态。

处理设备可以根据该样本运行数据和该第二实际有功功率对初始功率预测模型进行训练，使该初始功率预测模型学习到如何基于运行数据来预测实际场景下风力发电机叶片正常时所产生的有功功率，得到功率预测模型。由于该样本运行数据所对应的叶片状态为正常状态，因此，当实际使用过程中，风力发电机的实际有功功率与该模型预测出的有功功率差异较大时，大概率为风力发电机的叶片出现故障。可以理解的是，为了保障该功率预测模型能够有效应用于对叶片故障的分析，在实际应用过程中所获取的待分析运行数据可以与该样本运行数据所包含的数据种类保持一致，从而避免因数据类型不同降低模型预测的准确度。

具体的，处理设备可以根据该样本运行数据和初始功率预测模型，先确定待定有功功率，该待定有功功率即为该初始功率预测模型基于该样本运行数据预测得到的有功功率。根据待定有功功率和第二实际有功功率之间的差异，处理设备可以确定出该初始功率预测模型在预测有功功率时的预测偏差，从而可以基于该差异调节该初始功率预测模型，在调节过程中，处理设备可以使该初始功率预测模型输出的待定有功功率逐步接近该第二实际有功功率，进而可以使该初始功率预测模型学习到如何预测出该目标风力发电机在叶片正常状态下的有功功率，进而得到该功率预测模型。

其中，该样本运行数据可以包括风速、风机叶片半径、空气密度和风电功率系数。上已述及，为了使模型所预测出的数据能够有效反映出风力发电机的叶片是否故障，该样本运行数据为对应风力发电机的叶片在正常状态下的数据，因此在获取样本运行数据时，需要去除部分叶片异常或带有其他干扰的运行数据。

在一种可能的实现方式中，处理设备可以先获取初始样本运行数据，然后去除该初始样本运行数据中，所对应目标风力发电机的状态处于故障状态的数据，得到该样本运行数据，从而可以避免由于样本运行数据自身是在故障状态下产生的，导致该模型无法学习到风力发电机在叶片正常状态下的功率数据特点。

其中，风力发电机处于故障状态的可能性有多种，在一种可能的实现方式中，处理设备可以去除该初始样本运行数据中，所对应有功功率小于或等于0的数据，该数据表明风力发电机处于停机状态，无法作为有效的运行数据进行分析；和/或，处理设备可以去除该初始样本数据中，所对应有功功率大于目标风力发电机额定功率的数据，该数据表明风力发电机处于满发状态，该状态下叶片是否故障在有功功率的表现上并不突出，因此也难以进行分析；和/或，处理设备可以去除该初始样本数据中，具有限功率标志位或故障标志位的数据，所述故障标志位包括叶片结冰标志位、风速仪故障标识位中的任意一种或多种的组合，这些数据表明风力发电机处于异常的工作状态，也难以体现出风力发电机在叶片正常状态下的有功功率特点；和/或，处理设备可以去除该初始样本数据中，与初始样本数据的平均数据之间差异大于第二预设阈值的数据，该属于为与大部分数据差异较大的数据，大概率属于风力发电机的异常运行情况，因此也难以作为叶片正常状态下的数据进行分析。例如，处理设备可以去除如下表1所示的多种数据：

表1

例如，风力发电功率理论公式如下：

P＝0.5πR²ρV³Cp (1)

其中P是理论上的风电功率，ρ是空气密度，R是风机叶片半径，Cp是风电功率系数，此数值是根据风电机组型号不同而改变的常数值，V是风速。

发电过程中，受当地环境条件与风机设备自身条件的异响，实际有功功率与公式(1)的计算结果存在偏差，我们引入一个变量η来代表不确定因素带来的偏差。于是公式(1)改进为：

P＝0.5πR²ρV³Cp·η (2)

从理论上分析，有功率应该是关于风速、扫风面积和空气密度的函数，根据SCADA数据已有字段，叶片半径和对风角度影响扫风面积、温度影响空气密度，在剔除了风机停机、风机满发、限功率、风速仪故障、叶片结冰等情况下，最大程度保证除可控变量(风速、对风角度、环境温度)外，风机叶片开裂是影响风电功率的唯一条件，在公式(2)中表现为η变量的值与叶片健康状态下的分布不一致，因此在叶片健康状态下建立关于风电功率的回归模型，叶片开裂数据在健康模型预测下的风电功率残差会偏离正常分布。使用单台风机设备的历史数据建模可以减少因不同风机型号和风机所处位置差异导致的偏差，确保模型对叶片开裂故障的敏感性。即，在模型训练过程中，该模型可以学习到η这一变化参数与运行数据之间的关联关系，进而可以实现基于上述种类的运行数据对有功功率进行预测。

在一种可能的实现方式中，为了进一步提高对于叶片故障检测的准确度，处理设备还可以结合其他维度的风机数据进行检测。例如，处理设备可以获取该待检测风力发电机对应的机身振动数据，该机身振动数据与待分析运行数据所对应的运行时段相同，该机身振动数据用于体现待检测风力发电机在该运行时段的机身振动情况。可以理解的是，当风力发电机的叶片出现故障时，通常会导致风力发电机出现较大振动，因此，处理设备可以预设一个第三预设阈值，该第三预设阈值用于判定风力发电机的振动是否处于异常情况。响应于该机身振动数据大于第三预设阈值，且该预测有功功率和该第一实际有功功率的差值大于该第一预设阈值，处理设备可以确定该待检测风力发电机的叶片出现故障。从而，处理设备可以综合有功功率和机身振动这两个维度的数据，进行更加准确地叶片故障检测。

在一种可能的实现方式中，为了使相关人员能够第一时间获知风力叶片状态，响应于该待检测风力发电机的叶片出现故障，处理设备可以在信息展示界面展示故障信息，该故障信息用于指示所述待检测风力发电机的叶片出现故障。例如，处理设备可以在相关人员的手机应用界面展示该故障信息。

接下来，将结合一种实际应用场景，对本申请实施例提供的一种叶片故障检测方法进行介绍。参见图2，该方法可以应用于图2所示的架构中，具体的故障分析过程可以如图3所示：

1、数据采集：硬件设备采集风力发电机的SCADA运行数据。

2、数据获取：获取一定时间(模型训练需要至少一年数据，叶片开裂监测以七天数据为单位)的运行数据(有功功率、环境温度、叶片半径、对风角度、变桨角度、风速、机舱x方向加速度、机舱y方向加速度)。

3、数据清洗：数据清洗部分对风机停机状态、满发状态、限功率状态、风速仪故障状态和叶片开裂状态的实时数据做了筛选和剔除。详细筛选规则如上表所示。

4、数据归一化：为了降低极端数据对数据建模的影响，需要对训练模型用到的字段进行数据归一化处理，其中有功功率、环境温度、叶片半径、风速的归一化遵循公式(3)：

x＝(x-x_min)/(x_max-x_min) (3)

其中x_max是字段数据的最大值，x_min是字段数据的最小值。对风角度是角度值、其归一化遵循公式(4)：

x＝cos(x) (4)

5、健康数据建模：选择一台设备一年的实时数据，经过上述数据清洗及数据归一化，选择叶片健康状态下的数据，建立有功功率与环境温度、叶片半径、对风角度、风速的多项式回归模型。风机叶片健康模型建模过程如图4所示。健康模型会根据风场运行实际情况进行重新训练和更新。通过上述处理得到的数据可以作为回归模型的输入，对应的有功功率作为模型的输出，训练得到能够模拟公式(2)中η参数的回归模型作为功率预测模型。

6、数据监测：待监测风机数据包括以下字段数据：有功功率、环境温度、叶片半径、对风角度、风速、机舱x方向加速度、机舱y方向加速，该加速度能够体现出机身在x方向和y方向的振动情况。前5个字段数据经过上述数据清洗及数据归一化，输入已训练好的回归模型得到有功功率的预测值，从而得到风电功率残差MSE，该风电功率残差用于体现有功功率的预测值与实测值之间的差异。以机舱x、y方向加速度峰值和风电功率残差作为监测依据，加入机舱加速度峰值指标是为了进一步确保叶片开裂是导致风电功率异常的主要因素，监测预警条件如下表所示

当3个监测条件都满足时，触发风机叶片开裂预警。

处理设备采取以上方案测试了1000个正例样本和1000个负例样本的风电功率残差，残差的直方分布如图5，由图5可见，从功率残差分布情况来看，本专利提出的方法能对叶片开裂故障正负样本进行较好的区分。通过该装置能及时监测出叶片开裂前的异常情况，并将其反馈到装置显示屏上，通过显示屏上呈现出的功率曲线下降趋势决定是否进行检修。如图6所示，图6为一种在显示屏上进行展示的示意图，显示了从2016年1月8日至2月25日的功率曲线，该曲线以7天的数据为单位进行拟合，根据风电场反馈，2月19日出现了叶片开裂故障，从图可以看出2月12日至18日的风功率曲线已经出现了下降的趋势，2月19日至25日的风功率曲线下降更为明显，现场维护人员可以根据可视化结果对叶片开裂故障进行及时处理。

基于上述实施例提供的一种叶片故障检测方法，本申请实施例还提供了一种叶片故障检测装置，参见图7，图7为本申请实施例提供的一种叶片故障检测装置700的结构框图，该装置700包括第一获取单元701、确定单元702和第一响应单元703：

所述第一获取单元701，用于获取待检测风力发电机对应的待分析运行数据，以及所述待分析运行数据对应的第一实际有功功率，所述待分析运行数据用于预测所述待检测风力发电机的有功功率；

所述确定单元702，用于将所述待分析运行数据输入功率预测模型，确定所述待分析运行数据对应的预测有功功率；

所述第一响应单元703，用于响应于所述预测有功功率和所述第一实际有功功率之间的差值大于第一预设阈值，确定所述待检测风力发电机的叶片出现故障。

在一种可能的实现方式中，所述装置还包括第二获取单元和训练单元：

所述第二获取单元，用于获取目标风力发电机对应的样本运行数据，以及所述样本运行数据对应的第二实际有功功率，所述样本运行数据用于预测所述目标风力发电机对应的有功功率，所述目标风力发电机的叶片在所述样本运行数据对应的运行时段处于正常状态；

所述训练单元，用于根据所述样本运行数据和所述第二实际有功功率对初始功率预测模型进行训练，得到所述功率预测模型。

在一种可能的实现方式中，所述训练单元具体用于：

根据所述样本运行数据和所述初始功率预测模型，确定待定有功功率；

根据所述待定有功功率和所述第二实际有功功率之间的差异，调节所述初始功率预测模型，得到所述功率预测模型。

在一种可能的实现方式中，所述样本运行数据包括风速、风机叶片半径、空气密度和风电功率系数。

在一种可能的实现方式中，所述第二获取单元具体用于：

获取初始样本运行数据；

去除所述初始样本运行数据中，所对应所述目标风力发电机的状态处于故障状态的数据，得到所述样本运行数据。

在一种可能的实现方式中，所述第二获取单元具体用于：

去除所述初始样本运行数据中，所对应有功功率小于等于0的数据；

和/或，去除所述初始样本数据中，所对应有功功率大于所述目标风力发电机额定功率的数据；

和/或，去除所述初始样本数据中，具有限功率标志位或故障标志位的数据，所述故障标志位包括叶片结冰标志位、风速仪故障标识位中的任意一种或多种的组合；

和/或，去除所述初始样本数据中，与所述初始样本数据的平均数据之间差异大于第二预设阈值的数据。

在一种可能的实现方式中，所述装置还包括第三获取单元：

所述第三获取单元，用于获取所述待检测风力发电机对应的机身振动数据，所述机身振动数据与所述待分析运行数据所对应的运行时段相同；

所述第一响应单元703具体用于：

响应于所述机身振动数据大于第三预设阈值，且所述预测有功功率和所述第一实际有功功率的差值大于所述第一预设阈值，确定所述待检测风力发电机的叶片出现故障。

在一种可能的实现方式中，所述装置还包括第二响应单元：

所述第二响应单元，用于响应于所述待检测风力发电机的叶片出现故障，在信息展示界面展示故障信息，所述故障信息用于指示所述待检测风力发电机的叶片出现故障。

本申请实施例还提供了一种计算机设备，该终端设备所包括的处理器还具有以下功能：

获取待检测风力发电机对应的待分析运行数据，以及所述待分析运行数据对应的第一实际有功功率，所述待分析运行数据用于预测所述待检测风力发电机的有功功率；

将所述待分析运行数据输入功率预测模型，确定所述待分析运行数据对应的预测有功功率；

响应于所述预测有功功率和所述第一实际有功功率之间的差值大于第一预设阈值，确定所述待检测风力发电机的叶片出现故障。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。

另外，本申请实施例还提供了一种存储介质，所述存储介质用于存储计算机程序，所述计算机程序用于执行上述实施例提供的叶片故障检测方法。

本申请实施例还提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例提供的叶片故障检测方法。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质可以是下述介质中的至少一种：只读存储器(英文：read-only memory，缩写：ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质可以是下述介质中的至少一种：只读存储器(英文：read-only memory，缩写：ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (12)

1.一种叶片故障检测方法，其特征在于，所述方法包括：

获取待检测风力发电机对应的待分析运行数据，以及所述待分析运行数据对应的第一实际有功功率，所述待分析运行数据用于预测所述待检测风力发电机的有功功率；

将所述待分析运行数据输入功率预测模型，确定所述待分析运行数据对应的预测有功功率；

响应于所述预测有功功率和所述第一实际有功功率之间的差值大于第一预设阈值，确定所述待检测风力发电机的叶片出现故障。

2.根据权利要求1所述的方法，其特征在于，在所述获取待检测风力发电机对应的待分析运行数据之前，所述方法还包括：

获取目标风力发电机对应的样本运行数据，以及所述样本运行数据对应的第二实际有功功率，所述样本运行数据用于预测所述目标风力发电机对应的有功功率，所述目标风力发电机的叶片在所述样本运行数据对应的运行时段处于正常状态；

根据所述样本运行数据和所述第二实际有功功率对初始功率预测模型进行训练，得到所述功率预测模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述样本运行数据和所述第二实际有功功率对初始功率预测模型进行训练，得到所述功率预测模型，包括：

根据所述样本运行数据和所述初始功率预测模型，确定待定有功功率；

根据所述待定有功功率和所述第二实际有功功率之间的差异，调节所述初始功率预测模型，得到所述功率预测模型。

4.根据权利要求2所述的方法，其特征在于，所述样本运行数据包括风速、风机叶片半径、空气密度和风电功率系数。

5.根据权利要求2所述的方法，其特征在于，所述获取目标风力发电机对应的样本运行数据，包括：

获取初始样本运行数据；

去除所述初始样本运行数据中，所对应所述目标风力发电机的状态处于故障状态的数据，得到所述样本运行数据。

6.根据权利要求5所述的方法，其特征在于，所述去除所述初始样本运行数据中，所对应所述目标风力发电机的状态处于故障状态的数据，包括：

去除所述初始样本运行数据中，所对应有功功率小于等于0的数据；

和/或，去除所述初始样本数据中，所对应有功功率大于所述目标风力发电机额定功率的数据；

和/或，去除所述初始样本数据中，具有限功率标志位或故障标志位的数据，所述故障标志位包括叶片结冰标志位、风速仪故障标识位中的任意一种或多种的组合；

和/或，去除所述初始样本数据中，与所述初始样本数据的平均数据之间差异大于第二预设阈值的数据。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述待检测风力发电机对应的机身振动数据，所述机身振动数据与所述待分析运行数据所对应的运行时段相同；

所述响应于所述预测有功功率和所述第一实际有功功率的差值大于第一预设阈值，确定所述待检测风力发电机的叶片出现故障，包括：

响应于所述机身振动数据大于第三预设阈值，且所述预测有功功率和所述第一实际有功功率的差值大于所述第一预设阈值，确定所述待检测风力发电机的叶片出现故障。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

响应于所述待检测风力发电机的叶片出现故障，在信息展示界面展示故障信息，所述故障信息用于指示所述待检测风力发电机的叶片出现故障。

9.一种叶片故障检测装置，其特征在于，所述装置包括第一获取单元、确定单元和第一响应单元：

所述第一获取单元，用于获取待检测风力发电机对应的待分析运行数据，以及所述待分析运行数据对应的第一实际有功功率，所述待分析运行数据用于预测所述待检测风力发电机的有功功率；

所述确定单元，用于将所述待分析运行数据输入功率预测模型，确定所述待分析运行数据对应的预测有功功率；

所述第一响应单元，用于响应于所述预测有功功率和所述第一实际有功功率之间的差值大于第一预设阈值，确定所述待检测风力发电机的叶片出现故障。

10.一种计算机设备，其特征在于，所述计算机设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1-8中任意一项所述的叶片故障检测方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行权利要求1-8中任意一项所述的叶片故障检测方法。

12.一种包括指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行权利要求1-8任意一项所述的叶片故障检测方法。