CN117606782B - 风力发电机叶片故障检测方法、装置、设备及存储介质 - Google Patents

风力发电机叶片故障检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117606782B
CN117606782B CN202410095852.7A CN202410095852A CN117606782B CN 117606782 B CN117606782 B CN 117606782B CN 202410095852 A CN202410095852 A CN 202410095852A CN 117606782 B CN117606782 B CN 117606782B
Authority
CN
China
Prior art keywords
data
frequency
blade
preset
search
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.)
Active
Application number
CN202410095852.7A
Other languages
English (en)
Other versions
CN117606782A (zh
Inventor
杨荣华
唐德尧
李修文
龚妙
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.)
Beijing Tangzhi Science & Technology Development Co ltd
Tangzhi Science & Technology Hunan Development Co ltd
Original Assignee
Beijing Tangzhi Science & Technology Development Co ltd
Tangzhi Science & Technology Hunan Development 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 Beijing Tangzhi Science & Technology Development Co ltd, Tangzhi Science & Technology Hunan Development Co ltd filed Critical Beijing Tangzhi Science & Technology Development Co ltd
Priority to CN202410095852.7A priority Critical patent/CN117606782B/zh
Publication of CN117606782A publication Critical patent/CN117606782A/zh
Application granted granted Critical
Publication of CN117606782B publication Critical patent/CN117606782B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/12—Analysing solids by measuring frequency or resonance of acoustic waves
    • 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)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Sustainable Development (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Analytical Chemistry (AREA)
  • Sustainable Energy (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种风力发电机叶片故障检测方法、装置、设备及存储介质，涉及计算机技术领域，包括：对获取到的包含风力发电机叶片振动的原始振动数据进行整周期化处理；确定整周期振动数据的正负极值，基于正负极值对整周期振动数据进行幅度量化处理得到极值数据；在预先定义的频率搜索范围内确定各预设搜索频率，在各预设搜索频率下，对极值数据进行重构处理；将与各预设搜索频率对应的重构后振动数据与相应的搜索方波数据进行滑动相对积运算，以搜索到叶片实际谐振频率值；将实际谐振频率数据与固有谐振频率值进行对比以确定风力发电机的叶片是否存在故障。本发明通过数据重构能够精确搜索和识别到风力发电机叶片的实际谐振频率值。

Description

风力发电机叶片故障检测方法、装置、设备及存储介质
技术领域
本发明涉及计算机技术领域，特别涉及一种风力发电机叶片故障检测方法、装置、设备及存储介质。
背景技术
对于风力发电装置，叶片是影响风力发电装置效率的重要部件，并且叶片损伤是造成风力发电机组发生意外的主要因素之一。作为目前大型机械装备中应用最广泛、最成熟的技术之一的振动检测技术，因其具有操作简便、试验结果准确等优点受到各行业的欢迎，振动检测法进行结构检测时的思想是：机械设备设计确定后，其自身结构参数也确定了，如固有谐振频率值，一旦机械设备结构发生损伤，发生损伤的结构其自身结构参数也会随之发生这样或那样的变化，发生变化的物理参数会引起结构动力学参数发生变化，利用变化的动力学结构参数就可以判断结构当前的状态，比如，当风力发电机叶片在设计确定时，叶片的固有谐振频率也确定了，当叶片发生损伤时，叶片的实际谐振频率值也会发生变化，根据叶片的实际谐振频率值相对于其设计时的固有谐振频率值变化的偏差大小，可以判断叶片的状态。但是目前常规的振动检测方法主要基于采集到的振动数据直接进行FFT（Fast Fourier Transform，快速傅里叶变换）频谱分析来查找风力发电机运转过程中叶片的实际谐振频率值，由于叶片振动信号成分复杂，直接FFT频谱分析效果不佳，很难直接找到风力发电机运转过程中叶片的实际谐振频率值。
鉴于此，提供一种解决上述技术问题的方案，已经是本领域技术人员所亟需关注的。
发明内容
有鉴于此，本发明的目的在于提供一种风力发电机叶片故障检测方法、装置、设备及存储介质，能够精确搜索和识别到风力发电机运转过程中叶片的实际谐振频率值，避免了直接进行FFT分析时由于数据采样及信号成分复杂等原因引起的误差。其具体方案如下：
第一方面，本发明公开了一种风力发电机叶片故障检测方法，包括：
获取包含风力发电机叶片振动的原始振动数据，并对所述原始振动数据进行整周期化处理得到整周期振动数据；
确定所述整周期振动数据的正负极值，并基于所述正负极值对所述整周期振动数据进行幅度量化处理得到相应的极值数据；
在预先定义的频率搜索范围内确定各预设搜索频率，并在各所述预设搜索频率下，对所述极值数据进行重构处理得到与各所述预设搜索频率对应的重构后振动数据；
生成与各所述预设搜索频率对应的搜索方波数据，并将与各所述预设搜索频率对应的所述重构后振动数据与相应的所述搜索方波数据进行滑动相对积运算，以确定所述风力发电机的叶片实际谐振频率值；
将所述叶片实际谐振频率值与叶片固有谐振频率值进行对比以确定所述叶片实际谐振频率值与所述叶片固有谐振频率值之间的谐振频率变化的偏差数据；
基于所述偏差数据确定所述风力发电机的叶片是否存在故障。
可选的，所述获取包含风力发电机叶片振动的原始振动数据，包括：
在所述风力发电机的主轴上安装传感器获取振动数据作为所述包含风力发电机叶片振动的原始振动数据。
可选的，所述原始振动数据为轴向振动数据。
可选的，所述对所述原始振动数据进行整周期化处理得到整周期振动数据，包括：
从所述原始振动数据中截取所述风力发电机的主轴旋转预设圈数的原始振动数据，以得到整周期振动数据。
可选的，所述预设圈数至少为2圈。
可选的，所述基于所述正负极值对所述整周期振动数据进行幅度量化处理得到相应的极值数据，包括：
基于所述正负极值将所述整周期振动数据的幅度进行归一化处理得到相应的极值数据。
可选的，所述在预先定义的频率搜索范围内确定各预设搜索频率，具体为：
以所述叶片固有谐振频率值为基准设定偏差范围，并基于所述偏差范围定义频率搜索范围，在所述频率搜索范围内确定各预设搜索频率。
可选的，所述在各所述预设搜索频率下，对所述极值数据进行重构处理得到与各所述预设搜索频率对应的重构后振动数据，包括：
在各所述预设搜索频率下，分别对所述极值数据进行数据展宽处理，以得到与各所述预设搜索频率对应的展宽数据；
分别对与各所述预设搜索频率对应的所述展宽数据进行截取，以得到与各所述预设搜索频率对应的基元数据；
对与各所述预设搜索频率对应的所述基元数据进行续接处理，以得到与各所述预设搜索频率对应的重构后振动数据。
可选的，所述在各所述预设搜索频率下，分别对所述极值数据进行数据展宽处理，以得到与各所述预设搜索频率对应的展宽数据，包括：
获取所述原始振动数据的采样频率；
根据所述采样频率、各所述预设搜索频率以及预设展宽比例系数确定与各所述预设搜索频率对应的展宽长度；
对所述展宽长度进行取整处理得到与各所述预设搜索频率对应的目标展宽长度；
根据与各所述预设搜索频率对应的所述目标展宽长度对所述极值数据进行展宽处理，以得到与各所述预设搜索频率对应的展宽数据。
可选的，所述分别对与各所述预设搜索频率对应的所述展宽数据进行截取，以得到与各所述预设搜索频率对应的基元数据，包括：
根据各所述预设搜索频率和预设截取比例系数确定与各所述预设搜索频率对应的截取长度；其中，所述截取长度不大于所述风力发电机的主轴的转速周期；
根据所述截取长度对与各所述预设搜索频率对应的所述展宽数据进行截取，得到与各所述预设搜索频率对应的基元数据。
可选的，所述将与各所述预设搜索频率对应的所述重构后振动数据与相应的所述搜索方波数据进行滑动相对积运算，以确定所述风力发电机的叶片实际谐振频率值，包括：
将与各所述预设搜索频率对应的所述重构后振动数据与相应的所述搜索方波数据进行滑动相对积运算，以得到各所述预设搜索频率下不同相位对应的极值捕获比值；
确定各所述预设搜索频率下不同相位对应的所述极值捕获比值中的最大捕获比值，得到与各所述预设搜索频率对应的最大捕获比值；
根据各所述预设搜索频率对应的所述最大捕获比值中的最大值所对应的预设搜索频率，确定所述风力发电机的叶片实际谐振频率值。
第二方面，本发明公开了一种风力发电机叶片故障检测装置，包括：
数据获取模块，用于获取包含风力发电机叶片振动的原始振动数据；
数据整周期化模块，用于对所述原始振动数据进行整周期化处理得到整周期振动数据；
幅度量化模块，用于确定所述整周期振动数据的正负极值，并基于所述正负极值对所述整周期振动数据进行幅度量化处理得到相应的极值数据；
数据重构模块，用于在预先定义的频率搜索范围内确定各预设搜索频率，并在各所述预设搜索频率下，对所述极值数据进行重构处理得到与各所述预设搜索频率对应的重构后振动数据；
搜索方波生成模块，用于生成与各所述预设搜索频率对应的搜索方波数据；
滑动相对积运算模块，用于将与各所述预设搜索频率对应的所述重构后振动数据与相应的所述搜索方波数据进行滑动相对积运算，以确定所述风力发电机的叶片实际谐振频率值；
数据对比模块，用于将所述叶片实际谐振频率值与叶片固有谐振频率值进行对比以确定所述叶片实际谐振频率值与所述叶片固有谐振频率值之间的谐振频率变化的偏差数据；
故障检测模块，用于基于所述偏差数据确定所述风力发电机的叶片是否存在故障。
第三方面，本发明公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述公开的风力发电机叶片故障检测方法的步骤。
第四方面，本发明公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的风力发电机叶片故障检测方法的步骤。
可见，本发明提供了一种风力发电机叶片故障检测方法，包括：获取包含风力发电机叶片振动的原始振动数据，并对所述原始振动数据进行整周期化处理得到整周期振动数据；确定所述整周期振动数据的正负极值，并基于所述正负极值对所述整周期振动数据进行幅度量化处理得到相应的极值数据；在预先定义的频率搜索范围内确定各预设搜索频率，并在各所述预设搜索频率下，对所述极值数据进行重构处理得到与各所述预设搜索频率对应的重构后振动数据；生成与各所述预设搜索频率对应的搜索方波数据，并将与各所述预设搜索频率对应的所述重构后振动数据与相应的所述搜索方波数据进行滑动相对积运算，以确定所述风力发电机的叶片实际谐振频率值；将所述叶片实际谐振频率值与叶片固有谐振频率值进行对比以确定所述叶片实际谐振频率值与所述叶片固有谐振频率值之间的谐振频率变化的偏差数据；基于所述偏差数据确定所述风力发电机的叶片是否存在故障。由此可知，本发明对包含风力发电机叶片振动的原始振动数据进行整周期化处理，实现叶片谐振规律信息的增强提取，并从中提取极值数据进行重构，进一步突出叶片谐振信息的周期性，然后通过不同频率的搜索方波数据进行滑动相对积计算以搜索出风力发电机叶片实际谐振频率值，进而实现叶片实际谐振频率值的精准捕获，也即通过对包含叶片振动的原始振动数据进行整周期化处理、数据重构后，能够精确搜索和识别到风力发电机叶片的实际谐振频率值，避免了直接进行FFT频谱分析时由于数据采样及信号成分复杂等原因引起的误差。进一步的，由于本方案适用于复杂信号成分的分析，因此在实际工程应用中，使用本方案后，也可以直接采集主轴振动信号，通过本方法从复杂的主轴振动信号中分析出叶片谐振信号，从而判断风力发电机叶片的故障情况，替代了直接在叶片上安装传感器的方案，从而避免在叶片内部安装大量线缆、传感器供电困难及可靠性问题，简化了现场的安装。
附图说明
为了更清楚地说明本发明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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明公开的一种风力发电机叶片故障检测方法流程图；
图2为本发明公开的一种极值数据重构方法流程图；
图3为本发明公开的一种欠阻尼系统示意图；
图4为本发明公开的一种仿真模拟的不同谐振频率下的衰减震荡波形及频谱示意图；
图5为本发明公开的一种仿真模拟的叶片运转过程中的振动响应波形示意图；
图6为本发明公开的一种具体的风力发电机叶片故障检测方法流程图；
图7为本发明公开的一种具体的整周期化谐振极值的同频滑动相对积识别叶片谐振频率方法流程图；
图8为本发明公开的一种传感器采集的振动原始样本A波形示意图；
图9为本发明公开的一种风机主轴旋转2圈的截取样本B波形示意图；
图10为本发明公开的一种对截取样本B求正负极值和幅度量化后的极值样本C波形示意图；
图11为本发明公开的一种对极值样本C按比例系数展宽后的展宽样本D波形示意图；
图12为本发明公开的一种对展宽样本D截取TG(i)的整数倍长度后的基元样本JY波形示意图；
图13为本发明公开的一种对基元样本JY进行续接重构后的重构样本CY波形示意图；
图14为本发明公开的一种生成的频率为FG(i)的搜索方波样本Y_FG(i)波形示意图；
图15为本发明公开的一种滑动相对积得到不同相位下的极值捕获比Q(i)波形示意图；
图16为本发明公开的一种不同搜索频率FG下的最大捕获比值Qmax波形示意图；
图17为本发明公开的一种整周期化谐振极值的同频滑动相对积方法识别结果示意图；
图18为本发明公开的一种三叶片试验数据直接进行FFT分析的识别结果示意图；
图19为本发明公开的一种叶片诊断算法识别结果示意图；
图20为本发明公开的一种风力发电机叶片故障检测装置结构示意图；
图21为本发明公开的一种电子设备结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
当前，常规的振动检测方法主要基于采集到的振动数据直接进行FFT频谱分析来查找风力发电机运转过程中叶片的谐振频率，由于叶片振动信号成分复杂，直接FFT频谱分析效果不佳，很难直接找到风力发电机运转过程中叶片的实际谐振频率值。为此，本发明提供了一种风力发电机叶片故障检测方案，能够精确搜索和识别到风力发电机叶片的实际谐振频率值，还避免了直接进行FFT频谱分析时由于数据采样及信号成分复杂等原因引起的误差。
本发明实施例公开了一种风力发电机叶片故障检测方法，参见图1所示，该方法包括：
步骤S11：获取包含风力发电机叶片振动的原始振动数据，并对所述原始振动数据进行整周期化处理得到整周期振动数据。
本实施例中，获取包含风力发电机叶片振动的原始振动数据，具体的，在所述风力发电机的主轴上安装传感器获取振动数据作为所述包含风力发电机叶片振动的原始振动数据。优选的，用于风力发电机叶片故障诊断的数据为包含叶片振动信号的轴向振动数据，并且对于其他方向的数据，只要包含有叶片振动信号的数据都可用于风力发电机叶片的故障诊断。并且，振动传感器安装的位置应该靠近风机轮毂及传动轴附近机座位置，以尽量减少其传递路径，至少安装在主轴前端，且其敏感方向为轴向方向，需敏感的信号为低频信号，需要高灵敏度MEMS（Micro-Electro-Mechanical System，微机电系统）传感器，灵敏度要求较高，如1000mv/g。在现场应用中，如果在风力发电机叶片上安装传感器进行叶片振动信号的监测，需要在叶片内部布线，且传感器安装需要胶装，当粘胶老化时可能脱胶而存在传感器掉落风险，本实施例中将振动传感器安装在风机主轴上，采集包含叶片振动信号的轴向振动数据，进行风力发电机叶片的故障诊断，大大简化了监测装置现场传感器安装问题，避免了在叶片内部布置大量线缆的工作，还避免了叶片内部安装传感器导致的供电困难及可靠性问题。
本实施例中，获取到包含风力发电机叶片振动的原始振动数据之后，对所述原始振动数据进行整周期化处理得到整周期振动数据，具体的，从所述原始振动数据中截取所述风力发电机的主轴旋转预设圈数的原始振动数据，以得到整周期振动数据实现叶片谐振规律信息的增强提取。需要指出的是，所述预设圈数至少为2圈。优选的，预设圈数为整圈数。
例如，获取风力发电机的主轴旋转2圈以上的原始样本A（原始振动数据），从原始样本A中截取风力发电机的主轴旋转2圈长度样本，得到截取样本B，其中，截取样本B的长度为：Y = 2T0/DT；
其中，Y表示截取样本B的长度，T0表示转速周期，DT表示数据时间分辨率，并且DT= 1/FC，FC表示原始振动数据的采样频率FC，例如，FC = 1kHz。
步骤S12：确定所述整周期振动数据的正负极值，并基于所述正负极值对所述整周期振动数据进行幅度量化处理得到相应的极值数据。
本实施例中，对所述原始振动数据进行整周期化处理得到整周期振动数据之后，确定所述整周期振动数据的正负极值，并基于所述正负极值对所述整周期振动数据进行幅度量化处理得到相应的极值数据。具体的，基于所述正负极值将所述整周期振动数据的幅度进行归一化处理得到相应的极值数据。
例如，对上述截取样本B求正负极值，并将幅度进行归一化处理，得到极值样本C（极值数据）。
步骤S13：在预先定义的频率搜索范围内确定各预设搜索频率，并在各所述预设搜索频率下，对所述极值数据进行重构处理得到与各所述预设搜索频率对应的重构后振动数据。
本实施例中，确定出极值数据之后，在预先定义的频率搜索范围内确定各预设搜索频率，并在各所述预设搜索频率下，对所述极值数据进行重构处理得到与各所述预设搜索频率对应的重构后振动数据，进一步突出叶片谐振信息的周期性。需要指出的是，在预先定义的频率搜索范围内确定各预设搜索频率，具体为：以所述叶片固有谐振频率值为基准设定偏差范围，并基于所述偏差范围定义频率搜索范围，在所述频率搜索范围内确定各预设搜索频率，例如，以风力发电机叶片本身设计的固有谐振频率为基准，左右偏差50%的范围定义频率搜索FG的范围。
其中，对所述极值数据进行重构处理的具体步骤，参见图2所示，该重构方法包括：
步骤S131：在各所述预设搜索频率下，分别对所述极值数据进行数据展宽处理，以得到与各所述预设搜索频率对应的展宽数据。
步骤S132：分别对与各所述预设搜索频率对应的所述展宽数据进行截取，以得到与各所述预设搜索频率对应的基元数据。
步骤S133：对与各所述预设搜索频率对应的所述基元数据进行续接处理，以得到与各所述预设搜索频率对应的重构后振动数据。
可以理解的是，基于整周期振动数据确定出极值数据之后，在各所述预设搜索频率下，对所述极值数据进行展宽处理，然后对展宽数据进行截取处理，进而对截取展宽数据得到的基元数据进行续接处理，从而得到与各所述预设搜索频率对应的重构后振动数据。需要指出的是，续接表示将基元数据按序拼接起来。并且所述在各所述预设搜索频率下，分别对所述极值数据进行数据展宽处理，以得到与各所述预设搜索频率对应的展宽数据，具体可以包括：获取所述原始振动数据的采样频率；根据所述采样频率、各所述预设搜索频率以及预设展宽比例系数确定与各所述预设搜索频率对应的展宽长度；对所述展宽长度进行取整处理得到与各所述预设搜索频率对应的目标展宽长度；根据与各所述预设搜索频率对应的所述目标展宽长度对所述极值数据进行展宽处理，以得到与各所述预设搜索频率对应的展宽数据，以及所述分别对与各所述预设搜索频率对应的所述展宽数据进行截取，以得到与各所述预设搜索频率对应的基元数据，具体可以包括：根据各所述预设搜索频率和预设截取比例系数确定与各所述预设搜索频率对应的截取长度；其中，所述截取长度不大于所述风力发电机的主轴的转速周期；根据所述截取长度对与各所述预设搜索频率对应的所述展宽数据进行截取，得到与各所述预设搜索频率对应的基元数据。可以理解的是，对上述极值数据按预设展宽比例系数进行展宽，也即基于预设展宽比例系数确定出目标展宽长度，然后按照该目标展宽长度对极值数据进行展宽处理，进而再按照基于预设截取比例系数确定出截取长度对展宽数据进行截取，得到相应的基元数据。
例如，对上述极值样本C按预设展宽比例系数j进行展宽，展宽的长度为：TG(i)*j*FC，然后对该长度进行取整得到相应的目标展宽长度，按照该目标展宽长度进行展宽，从而得到展宽样本D（展宽数据）。
其中，预设展宽比例系数j的取值在0.01~0.1之间，TG(i) = 1/FG(i)，FG(i)表示第i个预设搜索频率，FC表示原始振动数据的采样频率。
然后对展宽样本D截取k*TG(i)的截取长度，形成基元样本JY。k为正整数。
其中，需保证截取长度k*TG(i)<T0；
最后，对截取k*TG(i)的截取长度的基元样本JY进行续接，生成相应的重构样本CY（重构后振动数据）。
步骤S14：生成与各所述预设搜索频率对应的搜索方波数据，并将与各所述预设搜索频率对应的所述重构后振动数据与相应的所述搜索方波数据进行滑动相对积运算，以确定所述风力发电机的叶片实际谐振频率值。
本实施例中，生成与各所述预设搜索频率对应的搜索方波数据，并指定所述搜索方波数据的占空比，然后将与各所述预设搜索频率对应的所述重构后振动数据与相应的所述搜索方波数据进行滑动相对积运算，以确定所述风力发电机的叶片实际谐振频率值。也就是说，将与各预设搜索频率对应的重构样本与相对应的搜索方波数据进行滑动相对积处理，得到风力发电机叶片的实际谐振频率数据，进而实现叶片实际谐振频率值的精准捕获。
本实施例中，所述将与各所述预设搜索频率对应的所述重构后振动数据与相应的所述搜索方波数据进行滑动相对积运算，以确定所述风力发电机的叶片实际谐振频率值，具体可以包括：将与各所述预设搜索频率对应的所述重构后振动数据与相应的所述搜索方波数据进行滑动相对积运算，以得到各所述预设搜索频率下不同相位对应的极值捕获比值；确定各所述预设搜索频率下不同相位对应的所述极值捕获比值中的最大捕获比值，得到与各所述预设搜索频率对应的最大捕获比值；根据各所述预设搜索频率对应的所述最大捕获比值中的最大值所对应的预设搜索频率，确定所述风力发电机的叶片实际谐振频率值。
例如，产生频率为FG(i)的搜索方波样本Y_FG(i)，并指定搜索方波样本的占空比，然后将上述重构样本CY与上述搜索波Y_FG(i)样本进行滑动相对积运算，得到频率为FG(i)下的与不同相位对应的极值捕获比Q(i)，进而确定该FG(i)下的最大捕获比Qmax(i)，按预先定义的搜索频率FG的区间进行循环搜索，得到不同搜索频率FG下的最大捕获比值Qmax，最后根据得到的最大捕获比值Qmax中的最大值所对应的搜索频率，确定实际监测到的风力发电机叶片的实际谐振频率值，即确定不同搜索频率FG下的最大捕获比值Qmax中的最大值所对应的搜索频率，为风力发电机的实际谐振频率值。
需要指出的是，机械的、气动的、流体的冲击能激发广义共振，机械结构可分解为若干二阶系统，各二阶子系统广义共振的频率等于其固有谐振频率。当叶片结构本身出现故障时，风电等叶片在运转时的谐振频率将会发生变化，通过识别N个频率为FGI（同或不同）的、分别相隔公共(转动)周期T0的1/N相继重触发的广义共振之叠加波中各广义共振的频率FG1、FG2、…、FGI、…、FGN，以发现频率显著变化(降低)超限的故障叶片，该方法可以称为：整周期化谐振极值的同频滑动相对积搜索方法识别谐振频率。
在风电机组叶片结构设计过程中，研究叶片模态，主要是计算叶片的频率及振型，防止叶片频率与风轮激振频率和塔架固有频率发生共振，因而叶片本身的固有谐振特性是已知的。而对于风电叶片故障诊断，则可以利用风电叶片本身的固有谐振特性，实时侦察出各阶振动频率及降低，进而识别出现各种共振风险及整体(低频的)和局部（高频的）损伤。
其中，风电叶片在谐振过程中，可认为是一个欠阻尼系统，参见图3所示，并且对于欠阻尼系统，运动方程的解可以写成：
；
；
其中，A表示幅值（由初始条件决定），ωn表示所述欠阻尼系统的（无阻尼状态下的）固有谐振频率，ωd表示所述欠阻尼系统的（有阻尼状态下的）自然振荡频率，ζ表示阻尼比，并且ζ=c/c0，c是该模态的阻尼，c0是该模态的临界阻尼，a为衰减系数，并且a=ζωn，t表示时间，j表示相位角。
例如，仿真的谐振频率分别为1.1Hz和1.5Hz两种情况下的衰减震荡波形及频谱参见图4所示，其中，基于某MW（兆瓦）级风力发电机组，通过模态仿真分析了叶片本身的固有谐振频率情况，进一步表明了叶片在低频端具有显著的谐振特性，其中，所述图4中的纵坐标为幅值，其单位为g，且g表示9.8m/s2。并且，参见图5所示，仿真模拟风力发电机组叶片正常运转过程中所监测到的叶根部位受气动载荷影响产生的轴向振动情况，其表现为明显的衰减震荡特性，因而基于该衰减震荡特性可以用于识别叶片本身谐振频率的变化，进而进行叶片故障诊断，所以针对叶片故障诊断，最重要的是在传感器监测到的复杂的振动信息中提取叶片本身的谐振信号，进而识别出叶片本身谐振频率分布情况，以进行叶片状态的判定。
步骤S15：将所述叶片实际谐振频率值与叶片固有谐振频率值进行对比以确定所述叶片实际谐振频率值与所述叶片固有谐振频率值之间的谐振频率变化的偏差数据。
本实施例中，将监测到的叶片实际谐振频率值与叶片本身设计的固有谐振频率值进行对比分析，然后确定出叶片实际谐振频率值与叶片固有谐振频率值之间的差值，进而确定该差值与叶片固有谐振频率值之间的比值，得到叶片实际谐振频率值变化偏差数据。
步骤S16：基于所述偏差数据确定所述风力发电机的叶片是否存在故障。
可以理解的是，通过搜索到的叶片实际谐振频率值与叶片本身设计的固有谐振频率值进行对比分析，根据实际谐振频率值与固有谐振频率值的偏差范围确定叶片是否存在故障，进而输出叶片诊断结论。基于所述偏差数据确定所述风力发电机的叶片是否存在故障具体为，设定判定叶片存在故障的预设偏差阈值，例如，设定叶片存在故障的预设偏差阈值为A，例如A=10%。当风力发电机叶片实际谐振频率值相对于固有谐振频率值变化的左右偏差数据（取叶片实际谐振频率值与所述叶片固有谐振频率值之间的谐振频率变化的偏差数据的绝对值）≥A时，则判定叶片存在故障，如果所述偏差数据未超出预设偏差阈值时，则判定叶片不存在故障。即设定所述实际谐振频率值相对于固有谐振频率值的偏差数据的预设偏差阈值，当偏差数据（偏差值）大于预设偏差阈值时，则判定叶片存在故障。
可见，本发明实施例中，对包含风力发电机叶片振动的原始振动数据进行整周期化处理，实现叶片谐振规律信息的增强提取，并从中提取极值数据进行重构，进一步突出叶片谐振信息的周期性，然后通过不同频率的搜索方波数据进行滑动相对积计算以搜索出风力发电机叶片实际谐振频率值，进而实现叶片实际谐振频率值的精准捕获，也即通过对原始振动数据进行整周期化处理、数据重构后，能够精确搜索和识别到风力发电机叶片的实际谐振频率值，避免了直接进行FFT频谱分析时由于数据采样及信号成分复杂等原因引起的误差。在现场应用中，在叶片上安装传感器获取叶片振动信号存在难度，本发明实施例中，通过在风力发电机主轴上安装传感器，采集轴向振动信号，轴向振动信号中包含叶片的振动数据，但其中也包括其他信号，信号成分相对于直接在叶片上安装传感器获取的叶片振动信号更为复杂，在获取到的信号成分更为复杂的情况下，直接进行FFT频谱分析时，更为复杂的信号成分必然导致更大的计算误差。通过采用本发明实施例提供的风力发电机叶片故障检测方法进行包含叶片振动的原始振动数据的整周期化处理、重构及滑动相对积计算，以确定风力发电机叶片的实际谐振频率值，进而实现叶片实际谐振频率值的精准捕获，解决了如何精确搜索和识别到风力发电机叶片的实际谐振频率值的问题，避免了直接进行FFT频谱分析时由于数据采样及信号成分复杂等原因引起的误差。
需要指出的是，本发明实施例对包含风力发电机叶片振动的原始振动数据进行整周期化处理，并从中提取极值数据进行重构，然后通过不同频率的搜索方波数据进行滑动相对积计算以搜索出风力发电机叶片实际谐振频率值的技术方案可以用于实时监测风力发电机叶片的故障，即在风力发电机运转过程中实时监测风力发电机叶片是否发生故障。
例如，参见图6所示，获取包含风力发电机叶片振动的原始振动数据，优选的，该原始振动数据可以为包含叶片本身谐振信息的轴向振动数据，然后对该原始振动数据进行整周期化处理，也即从原始振动数据中截取所述风力发电机主轴旋转预设圈数的原始振动数据，以得到整周期振动数据进而对整周期振动数据进行重构，也即基于整周期振动数据确定极值数据、展宽数据、基元数据，进而对基元数据进行续接得到重构数据，然后再采用不同搜索频率FG，生成对应频率的搜索方波数据，将不同频率的重构数据与相对应的搜索方波数据进行滑动相对积处理，得到基于原始振动数据搜索到的叶片实际谐振频率值，将叶片实际谐振频率值与叶片本身设计的谐振频率值进行对比分析，根据偏差范围确定叶片是否存在故障，进而输出叶片诊断结论。具体的参见图7所示，通过模拟风机三个叶片不同的谐振频率，分别为1.1Hz、1.25Hz、1.4Hz下采集到的振动信号为例，获取风力发电机的主轴旋转2圈以上的原始样本A，所述原始样本A参见图8所示，并从原始样本A中截取风力发电机的主轴旋转2圈长度样本，得到截取样本B，所述截取样本B参见图9所示，其中，获取转速周期T0，以及原始样本A的采样频率FC，根据采样频率FC可以确定数据时间分辨率DT，即DT =1/FC，然后根据所述数据时间分辨率和所述转速周期确定截取样本B的长度为Y = 2T0/DT。对于截取样本B，求正负极值，并将幅度量化为1（进行归一化处理），得到极值样本C，所述极值样本C参见图10所示，然后在定义的频率搜索范围FG内实现不同FG频率循环搜索，也即在各所述预设搜索频率下，对所述极值样本进行数据展宽处理，也即极值样本C按预设展宽比例系数j进行展宽，展宽的长度为：TG(i)*j*FC；其中，TG(i) = 1/FG(i)，FG(i)表示第i个预设搜索频率，然后对该长度进行取整得到相应的目标展宽长度，按照该目标展宽长度进行展宽，从而得到与第i个预设搜索频率对应的展宽样本D，所述展宽样本D参见图11所示，然后对该展宽样本D截取k*TG(i)长度，形成基元样本JY，所述基元样本JY参见图12所示，对截取k*TG(i)长度的基元样本JY进行续接，生成相应的重构样本CY，所述重构样本CY参见图13所示，进而产生频率为FG(i)的搜索方波样本Y_FG(i)，所述搜索方波样本Y_FG(i)参见图14所示，然后将上述重构样本CY与上述搜索波Y_FG(i)样本进行滑动相对积运算，得到频率为FG(i)下的与不同相位对应的极值捕获比Q(i)，所述极值捕获比Q(i)参见图15所示，进而确定该FG(i)下的最大捕获比Qmax(i)，按预先定义的搜索频率FG的区间进行循环搜索，得到不同搜索频率FG下的最大捕获比值Qmax，所述最大捕获比值Qmax参见图16所示，从所述图16中，可以找到振动信号中模拟的风力发电机叶片三个实际谐振频率值，也即根据得到的最大捕获比值Qmax中的最大值所对应的搜索频率，确定实际监测到的风力发电机叶片的实际谐振频率值，然后基于搜索到的叶片的实际谐振频率值与固有谐振频率值的对比分析判定叶片是否存在故障。
其中，基于仿真和试验数据将基于本发明实施例的整周期化谐振极值的同频滑动相对积方法来查找风力发电机运转过程中叶片的实际谐振频率与基于采集到的振动数据直接进行FFT频谱分析来查找风力发电机运转过程中叶片的实际谐振频率进行对比，参见图17所示，采用本发明实施例的整周期化谐振极值的同频滑动相对积方法均可以有效的识别到仿真振动信号中的设置三个叶片谐振频率值（即1.05Hz、1.1 Hz、1.15 Hz），其中，所述图17中的（a）图示出了三个谐振频率为1.05 Hz、1.1 Hz、1.15 Hz叠加后的原始样本，所述图17中的（b）图示出了三个谐振频率为1.05 Hz、1.1 Hz、1.15 Hz分别对应的极值捕获比值，以及所述图17中的（c）图示出了三个谐振频率为1.05 Hz、1.1 Hz、1.15 Hz分别对应的极值点捕获比值，然而，参见图18所示，试验采集到的叶片振动数据时，直接进行FFT分析识别到的频率值与实际存在偏差且比较杂乱，参见图19所示，而通过整周期化谐振极值的同频滑动相对积方法可以准确识别到三个叶片实际谐振频率值，其中，三个叶片谐振频率分别为0.74Hz、0.86Hz、1.28Hz。
相应的，本发明实施例还公开了一种风力发电机叶片故障检测装置，参见图20所示，该装置包括：
数据获取模块11，用于获取包含风力发电机叶片振动的原始振动数据；
数据整周期化模块12，用于对所述原始振动数据进行整周期化处理得到整周期振动数据；
幅度量化模块13，用于确定所述整周期振动数据的正负极值，并基于所述正负极值对所述整周期振动数据进行幅度量化处理得到相应的极值数据；
数据重构模块14，用于在预先定义的频率搜索范围内确定各预设搜索频率，并在各所述预设搜索频率下，对所述极值数据进行重构处理得到与各所述预设搜索频率对应的重构后振动数据；
搜索方波生成模块15，用于生成与各所述预设搜索频率对应的搜索方波数据；
滑动相对积运算模块16，用于将与各所述预设搜索频率对应的所述重构后振动数据与相应的所述搜索方波数据进行滑动相对积运算，以确定所述风力发电机的叶片实际谐振频率值；
数据对比模块17，用于将所述叶片实际谐振频率值与叶片固有谐振频率值进行对比以确定所述叶片实际谐振频率值与所述叶片固有谐振频率值之间的谐振频率变化的偏差数据；
故障检测模块18，用于基于所述偏差数据确定所述风力发电机的叶片是否存在故障。
由上可见，本发明实施例中，对包含风力发电机叶片振动的原始振动数据进行整周期化处理，实现叶片谐振规律信息的增强提取，并从中提取极值数据进行重构，进一步突出叶片谐振信息的周期性，然后通过不同频率的搜索方波数据进行滑动相对积计算以确定风力发电机叶片实际谐振频率值，进而实现叶片实际谐振频率值的精准捕获，也即通过对包含叶片振动的原始振动数据进行整周期化处理、数据重构后，能够精确搜索和识别到风力发电机叶片的实际谐振频率值，避免了直接进行FFT频谱分析时由于数据采样及信号成分复杂等原因引起的误差。进一步的，由于本方案适用于复杂信号成分的分析，因此在实际工程应用中，使用本方案后，也可以直接采集主轴振动信号，通过本方法从复杂的主轴振动信号中分析出叶片谐振信号，从而判断风力发电机叶片的故障情况，替代了直接在叶片上安装传感器的方案，从而避免在叶片内部安装大量线缆、传感器供电困难及可靠性问题，简化了现场的安装。
在一些具体的实施例中，所述数据获取模块11，具体可以包括：
数据获取子模块，用于在所述风力发电机的主轴上安装传感器获取振动数据作为所述包含风力发电机叶片振动的原始振动数据。
在一些具体的实施例中，所述数据整周期化模块12，具体可以包括：
第一数据截取子模块，用于从所述原始振动数据中截取所述风力发电机的主轴旋转预设圈数的原始振动数据，以得到整周期振动数据。
在一些具体的实施例中，所述幅度量化模块13，具体可以包括：
幅度量化子模块，用于基于所述正负极值将所述整周期振动数据的幅度进行归一化处理得到相应的极值数据。
在一些具体的实施例中，所述数据重构模块14，具体可以包括：
展宽子模块，用于在各所述预设搜索频率下，分别对所述极值数据进行数据展宽处理，以得到与各所述预设搜索频率对应的展宽数据；
第二数据截取子模块，用于分别对与各所述预设搜索频率对应的所述展宽数据进行截取，以得到与各所述预设搜索频率对应的基元数据；
续接子模块，用于对与各所述预设搜索频率对应的所述基元数据进行续接处理，以得到与各所述预设搜索频率对应的重构后振动数据。
在一些具体的实施例中，所述展宽子模块，具体可以包括：
频率获取单元，用于获取所述原始振动数据的采样频率；
展宽长度确定单元，用于根据所述采样频率、各所述预设搜索频率以及预设展宽比例系数确定与各所述预设搜索频率对应的展宽长度；
取整单元，用于对所述展宽长度进行取整处理得到与各所述预设搜索频率对应的目标展宽长度；
展宽单元，用于根据与各所述预设搜索频率对应的所述目标展宽长度对所述极值数据进行展宽处理，以得到与各所述预设搜索频率对应的展宽数据。
在一些具体的实施例中，所述第二数据截取子模块，具体可以包括：
截取长度确定单元，用于根据各所述预设搜索频率和预设截取比例系数确定与各所述预设搜索频率对应的截取长度；其中，所述截取长度不大于所述风力发电机的主轴的转速周期；
截取单元，用于根据所述截取长度对与各所述预设搜索频率对应的所述展宽数据进行截取，得到与各所述预设搜索频率对应的基元数据。
在一些具体的实施例中，所述滑动相对积运算模块16，具体可以包括：
极值捕获比值确定子模块，用于将与各所述预设搜索频率对应的所述重构后振动数据与相应的所述搜索方波数据进行滑动相对积运算，以得到各所述预设搜索频率下不同相位对应的极值捕获比值；
最大捕获比值确定子模块，用于最大确定各所述预设搜索频率下不同相位对应的所述极值捕获比值中的最大捕获比值，得到与各所述预设搜索频率对应的最大捕获比值；
实际谐振频率确定子模块，用于根据各所述预设搜索频率对应的所述最大捕获比值中的最大值所对应的预设搜索频率，确定所述风力发电机的叶片实际谐振频率值。
进一步的，本发明实施例还提供了一种电子设备。图21是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本发明的使用范围的任何限制。
图21为本发明实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的风力发电机叶片故障检测方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本发明技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的风力发电机叶片故障检测方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本发明实施例还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中存储有计算机程序，所述计算机程序被处理器加载并执行时，实现前述任一实施例公开的风力发电机叶片故障检测方法步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种风力发电机叶片故障检测方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (14)

1.一种风力发电机叶片故障检测方法，其特征在于，包括：
获取包含风力发电机叶片振动的原始振动数据，并对所述原始振动数据进行整周期化处理得到整周期振动数据；
确定所述整周期振动数据的正负极值，并基于所述正负极值对所述整周期振动数据进行幅度量化处理得到相应的极值数据；
在预先定义的频率搜索范围内确定各预设搜索频率，并在各所述预设搜索频率下，对所述极值数据进行重构处理得到与各所述预设搜索频率对应的重构后振动数据；
生成与各所述预设搜索频率对应的搜索方波数据，并将与各所述预设搜索频率对应的所述重构后振动数据与相应的所述搜索方波数据进行滑动相对积运算，以确定所述风力发电机的叶片实际谐振频率值；
将所述叶片实际谐振频率值与叶片固有谐振频率值进行对比以确定所述叶片实际谐振频率值与所述叶片固有谐振频率值之间的谐振频率变化的偏差数据；
基于所述偏差数据确定所述风力发电机的叶片是否存在故障。
2.根据权利要求1所述的风力发电机叶片故障检测方法，其特征在于，所述获取包含风力发电机叶片振动的原始振动数据，具体为：
在所述风力发电机的主轴上安装传感器获取振动数据作为所述包含风力发电机叶片振动的原始振动数据。
3.根据权利要求2所述的风力发电机叶片故障检测方法，其特征在于，所述原始振动数据为轴向振动数据。
4.根据权利要求1所述的风力发电机叶片故障检测方法，其特征在于，所述对所述原始振动数据进行整周期化处理得到整周期振动数据，包括：
从所述原始振动数据中截取所述风力发电机的主轴旋转预设圈数的原始振动数据，以得到整周期振动数据。
5.根据权利要求4所述的风力发电机叶片故障检测方法，其特征在于，所述预设圈数至少为2圈。
6.根据权利要求1所述的风力发电机叶片故障检测方法，其特征在于，所述基于所述正负极值对所述整周期振动数据进行幅度量化处理得到相应的极值数据，包括：
基于所述正负极值将所述整周期振动数据的幅度进行归一化处理得到相应的极值数据。
7.根据权利要求1所述的风力发电机叶片故障检测方法，其特征在于，所述在预先定义的频率搜索范围内确定各预设搜索频率，具体为：
以所述叶片固有谐振频率值为基准设定偏差范围，并基于所述偏差范围定义频率搜索范围，在所述频率搜索范围内确定各预设搜索频率。
8.根据权利要求1所述的风力发电机叶片故障检测方法，其特征在于，所述在各所述预设搜索频率下，对所述极值数据进行重构处理得到与各所述预设搜索频率对应的重构后振动数据，包括：
在各所述预设搜索频率下，分别对所述极值数据进行数据展宽处理，以得到与各所述预设搜索频率对应的展宽数据；
分别对与各所述预设搜索频率对应的所述展宽数据进行截取，以得到与各所述预设搜索频率对应的基元数据；
对与各所述预设搜索频率对应的所述基元数据进行续接处理，以得到与各所述预设搜索频率对应的重构后振动数据。
9.根据权利要求8所述的风力发电机叶片故障检测方法，其特征在于，所述在各所述预设搜索频率下，分别对所述极值数据进行数据展宽处理，以得到与各所述预设搜索频率对应的展宽数据，包括：
获取所述原始振动数据的采样频率；
根据所述采样频率、各所述预设搜索频率以及预设展宽比例系数确定与各所述预设搜索频率对应的展宽长度；
对所述展宽长度进行取整处理得到与各所述预设搜索频率对应的目标展宽长度；
根据与各所述预设搜索频率对应的所述目标展宽长度对所述极值数据进行展宽处理，以得到与各所述预设搜索频率对应的展宽数据。
10.根据权利要求8所述的风力发电机叶片故障检测方法，其特征在于，所述分别对与各所述预设搜索频率对应的所述展宽数据进行截取，以得到与各所述预设搜索频率对应的基元数据，包括：
根据各所述预设搜索频率和预设截取比例系数确定与各所述预设搜索频率对应的截取长度；其中，所述截取长度不大于所述风力发电机的主轴的转速周期；
根据所述截取长度对与各所述预设搜索频率对应的所述展宽数据进行截取，得到与各所述预设搜索频率对应的基元数据。
11.根据权利要求1至10任一项所述的风力发电机叶片故障检测方法，其特征在于，所述将与各所述预设搜索频率对应的所述重构后振动数据与相应的所述搜索方波数据进行滑动相对积运算，以确定所述风力发电机的叶片实际谐振频率值，包括：
将与各所述预设搜索频率对应的所述重构后振动数据与相应的所述搜索方波数据进行滑动相对积运算，以得到各所述预设搜索频率下不同相位对应的极值捕获比值；
确定各所述预设搜索频率下不同相位对应的所述极值捕获比值中的最大捕获比值，得到与各所述预设搜索频率对应的最大捕获比值；
根据各所述预设搜索频率对应的所述最大捕获比值中的最大值所对应的预设搜索频率，确定所述风力发电机的叶片实际谐振频率值。
12.一种风力发电机叶片故障检测装置，其特征在于，包括：
数据获取模块，用于获取包含风力发电机叶片振动的原始振动数据；
数据整周期化模块，用于对所述原始振动数据进行整周期化处理得到整周期振动数据；
幅度量化模块，用于确定所述整周期振动数据的正负极值，并基于所述正负极值对所述整周期振动数据进行幅度量化处理得到相应的极值数据；
数据重构模块，用于在预先定义的频率搜索范围内确定各预设搜索频率，并在各所述预设搜索频率下，对所述极值数据进行重构处理得到与各所述预设搜索频率对应的重构后振动数据；
搜索方波生成模块，用于生成与各所述预设搜索频率对应的搜索方波数据；
滑动相对积运算模块，用于将与各所述预设搜索频率对应的所述重构后振动数据与相应的所述搜索方波数据进行滑动相对积运算，以确定所述风力发电机的叶片实际谐振频率值；
数据对比模块，用于将所述叶片实际谐振频率值与叶片固有谐振频率值进行对比以确定所述叶片实际谐振频率值与所述叶片固有谐振频率值之间的谐振频率变化的偏差数据；
故障检测模块，用于基于所述偏差数据确定所述风力发电机的叶片是否存在故障。
13.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求1至11任一项所述的风力发电机叶片故障检测方法的步骤。
14.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至11任一项所述的风力发电机叶片故障检测方法的步骤。
CN202410095852.7A 2024-01-24 2024-01-24 风力发电机叶片故障检测方法、装置、设备及存储介质 Active CN117606782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410095852.7A CN117606782B (zh) 2024-01-24 2024-01-24 风力发电机叶片故障检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410095852.7A CN117606782B (zh) 2024-01-24 2024-01-24 风力发电机叶片故障检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117606782A CN117606782A (zh) 2024-02-27
CN117606782B true CN117606782B (zh) 2024-04-02

Family

ID=89952077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410095852.7A Active CN117606782B (zh) 2024-01-24 2024-01-24 风力发电机叶片故障检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117606782B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117851873B (zh) * 2024-03-07 2024-05-28 唐智科技湖南发展有限公司 一种基于动态接触角的轴承运行状态评估方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62285028A (ja) * 1986-06-04 1987-12-10 Hitachi Ltd 翼の回転中の振動デ−タの分析処理方法
EP0744017A1 (en) * 1994-04-05 1996-11-27 Monitoring Technology Corporation Noninvasive method and apparatus for determining resonance information for rotating machinery components and for anticipating component failure from changes therein
WO2002053910A1 (de) * 2000-12-30 2002-07-11 IGUS Ingenieurgemeinschaft Umweltschutz Meß- und Verfahrenstechnik GmbH Verfahren und einrichtung zur überwachung des zustandes von rotorblättern an windkraftanlagen
CN102564568A (zh) * 2011-12-29 2012-07-11 华北电力大学 大型旋转机械复杂工况下的早期故障搜索方法
CN106644467A (zh) * 2016-12-27 2017-05-10 华南理工大学 一种齿轮箱非平稳信号故障特征提取方法
CN107192446A (zh) * 2017-07-31 2017-09-22 上海电气风电集团有限公司 风力发电机组塔筒固有频率监测方法
CN114294183A (zh) * 2021-12-29 2022-04-08 三一重能股份有限公司 一种风机叶片故障监测方法、装置及风机
CN115496102A (zh) * 2022-09-23 2022-12-20 西安热工研究院有限公司 风电机组叶片故障诊断方法及装置、设备、存储介质
CN116950917A (zh) * 2023-07-13 2023-10-27 大连理工大学 基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9395270B2 (en) * 2012-10-19 2016-07-19 Florida Power & Light Company Method and system for monitoring rotor blades in combustion turbine engine

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62285028A (ja) * 1986-06-04 1987-12-10 Hitachi Ltd 翼の回転中の振動デ−タの分析処理方法
EP0744017A1 (en) * 1994-04-05 1996-11-27 Monitoring Technology Corporation Noninvasive method and apparatus for determining resonance information for rotating machinery components and for anticipating component failure from changes therein
WO2002053910A1 (de) * 2000-12-30 2002-07-11 IGUS Ingenieurgemeinschaft Umweltschutz Meß- und Verfahrenstechnik GmbH Verfahren und einrichtung zur überwachung des zustandes von rotorblättern an windkraftanlagen
CN102564568A (zh) * 2011-12-29 2012-07-11 华北电力大学 大型旋转机械复杂工况下的早期故障搜索方法
CN106644467A (zh) * 2016-12-27 2017-05-10 华南理工大学 一种齿轮箱非平稳信号故障特征提取方法
CN107192446A (zh) * 2017-07-31 2017-09-22 上海电气风电集团有限公司 风力发电机组塔筒固有频率监测方法
CN114294183A (zh) * 2021-12-29 2022-04-08 三一重能股份有限公司 一种风机叶片故障监测方法、装置及风机
CN115496102A (zh) * 2022-09-23 2022-12-20 西安热工研究院有限公司 风电机组叶片故障诊断方法及装置、设备、存储介质
CN116950917A (zh) * 2023-07-13 2023-10-27 大连理工大学 基于叶尖定时的大型离心压缩机叶片裂纹在线诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
数字信号处理技术在汽轮机组振动测量中的应用;柴庆芬;朱静波;;仪器仪表用户;20120608(03);第36-38页 *
飞机发动机离心叶轮组合叶片谐振频率测量系统的设计;李松;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20210115(第1期);第C031-451页 *

Also Published As

Publication number Publication date
CN117606782A (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN117606782B (zh) 风力发电机叶片故障检测方法、装置、设备及存储介质
US10359473B2 (en) Detecting faults in turbine generators
Aydin et al. A new method for early fault detection and diagnosis of broken rotor bars
EP2790028B1 (en) Broken rotor bar detection based on current signature analysis of an electric machine
CN101603854A (zh) 旋转机械启停阶段非平稳振动信号瞬时频率估计算法
CA2874991A1 (en) Methods and apparatuses for defect diagnosis in a mechanical system
Climente-Alarcon et al. Diagnosis of induction motors under varying speed operation by principal slot harmonic tracking
EP2761315B1 (en) A method of determining stationary signals for the diagnostics of an electromechanical system
CN103116032A (zh) 用于获取风力发电机组的转速的方法和设备
CN108106827B (zh) 一种旋翼台升转速状态下放大器端子松脱识别方法
CN115683644B (zh) 航空发动机双源拍振特征识别方法
Yang et al. Fast nonlinear chirplet dictionary-based sparse decomposition for rotating machinery fault diagnosis under nonstationary conditions
Zhang et al. Research on the identification of asynchronous vibration parameters of rotating blades based on blade tip timing vibration measurement theory
CN117345546A (zh) 振动监测方法、设备和系统、介质以及风力发电机组
CN113533529B (zh) 单个或均布叶端定时传感器提取叶片间固有频率差值方法
US11692866B2 (en) Smart motor data analytics with real-time algorithm
KR102473124B1 (ko) 전동기의 고장 검출 장치 및 방법
Crabtree et al. Condition monitoring algorithm suitable for wind turbine use
Stankovic et al. Enhanced algorithm for motor rotor broken bar detection
CN113033467A (zh) 一种叶片故障诊断方法、存储介质和诊断装置
Shi et al. Dual-Guidance-Based optimal resonant frequency band selection and multiple ridge path identification for bearing fault diagnosis under time-varying speeds
Qiao et al. Detecting faults in turbine generators
Kawada et al. Discrimination of vibration phenomena on model turbine rotor using in-place fast Haar wavelet transform
Li et al. A signal processing method for extracting shaft speed information from vibration signal
Dien et al. Gear crack detection under variable rotating speed conditions using a single channel accelerometer

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