一种基于卷积神经网络的风力机叶片不平衡检测方法技术

本发明专利技术公开了一种基于卷积神经网络的风力机叶片不平衡检测方法，包括步骤：S1、采集风力机平衡状态和不平衡状态下的发电机转矩信号、发电机转速信号和塔架的振动加速度信号并转换为频率信号；S2、对频率信号数据进行预处理，构建风力机平衡状态样本数据库和不平衡状态样本数据库；S3、搭建卷积神经网络模型，利用已分类好的样本数据库对卷积神经网络模型进行训练、调参和验证，得到训练好的卷积神经网络模型；S4、利用步骤S3训练好的卷积神经网络模型对检测数据进行识别判断，输出包括平衡、气动不平衡和质量不平衡三类结果，从而完成风力机叶片的不平衡检测。本发明专利技术能自适应地捕获到叶片的故障特征，避免了环境因素给卷积神经网络模型判断带来的干扰。

A Wind Turbine Blade Imbalance Detection Method Based on Convolutional Neural Network

【技术实现步骤摘要】
一种基于卷积神经网络的风力机叶片不平衡检测方法
本专利技术涉及机械设备故障监测
，具体涉及一种基于卷积神经网络的风力机叶片不平衡检测方法。
技术介绍
近年来我国风电行业发展迅速，风电机组的并网容量不断提高，特别是海上风电机组的规划也提上了日程，这对机组的安全稳定运行、减少故障停机时间提高发电量提出了更高的要求。风电机组长期在野外工作，运行环境通常都比较恶劣，这种环境也造成了风电机组的故障率较高，其故障发生的原因也是多种多样的。叶片会因风沙、结冰和质量分布不均等造成质量不平衡，另外叶片长期运行中也会由于疲劳应力产生裂纹，造成气动不平衡。特别是低风速机型的推广，使叶片越来越长，叶轮极易出现不平衡。该不平衡传递到传动链，会造成机组振动加剧、降低设备的寿命，严重时造成叶片断裂，导致事故的发生。因此对风机叶片进行故障检测和预知维修，对企业降低运行维护成本，提高经济效益具有重要意义。常用的风力机叶片不平衡检测的方法存在如下有待克服的难点：1.风力机叶片运行的工况复杂，存在较大的噪声干扰，难以提取到鲁棒性强的故障特征。早期提出的一些风力机叶片不平衡检测方法，大部分采用一定的技术提取振动信号、发电机电流或其他变量中包含的故障特征，通过希尔伯特解调、dq坐标变换、阶跟踪分析等多种方法对定子电流或转子电流等信号进行频域分析，为风力机叶片不平衡检测提供了一种合理方法，然而分析的信号非常容易受噪声干扰，故障信息容易被淹没从而出现判断误差，该方法难度较大；2.风力机叶片运行过程出现的不平衡包括质量不平衡和气动不平衡两种，如何从不平衡特征中分析出两者又是一个具有研究的问题，已有人提出通过分析轮毂上测得的气动力矩信号，采用顺序跟踪法来提取叶片角故障的特征频率，通过一定方法用转子转速频谱上不同的谐波来区分彼此，较好的解释了气动不平衡和转子质量不平衡的区别，然而，该结果只是在稳定的风条件下得到验证，无法适用于风速多变的实际运行工况；3.风力机组运行过程中不同信号数据的采集大部分都是通过传感器来获取的，传感器的布置和使用寿命以及采集信号的准确性往往是最重要基本要求，已有人提出通过将贴片式光纤载荷传感器安装于风机叶片上，通过对风力机运行过程中的信号数据进行采集，运用一定的方法来对叶片裂纹进行监测，为叶片裂纹检测提供了一种方法，然而该方法忽略了传感器自身性能容易受到环境因素的影响，在风力机运行工况复杂的条件下，安装于叶片上的贴片式光纤载荷传感器容易出现损坏，影响了检测结果的准确性，增加了检测成本。因此，在风力机组运行工况复杂，环境噪声干扰严重的情况下提出了一种通过卷积神经网络模型在风力机组运行过程中进行频谱数据提取和故障特征学习的方法是风力机叶片不平衡检测领域的一项重要且十分有意义的研究方向。
技术实现思路
本专利技术为了克服以上技术的不足，提供了一种实现在工况恶劣、环境噪声干扰严重以及适用于不同风况下进行风力发电风力机质量不平衡和气动不平衡检测的卷积神经网络的风力机叶片不平衡检测方法。本专利技术克服其技术问题所采用的技术方案是：一种基于卷积神经网络的风力机叶片不平衡检测方法，包括如下步骤：S1、采集风力机平衡状态和不平衡状态下的发电机转矩信号、发电机转速信号和塔架的振动加速度信号，并将上述信号的时域信号转换为频率信号以获得对应的功率谱图；S2、对转换后的频率信号数据进行预处理，构建风力机平衡状态样本数据库和不平衡状态样本数据库；S3、搭建卷积神经网络模型，利用步骤S2中已经分类好的样本数据库对卷积神经网络模型进行训练、调参和验证，得到训练好的卷积神经网络模型；S4、采集风力机检测状态下的数据，将其定义为检测数据并进行处理，利用步骤S3训练好的卷积神经网络模型对检测数据进行识别判断，输出包括平衡、气动不平衡和质量不平衡三类结果，从而完成风力机叶片的不平衡检测。进一步地，步骤S1中，所述发电机转矩信号和发电机转速信号分别通过安装在发电机内部的转矩传感器和转速传感器进行采集，塔架的振动加速度信号通过安装在机舱与塔架连接处塔筒内壁的振动传感器进行采集。进一步地，步骤S1中，所述不平衡状态包括气动不平衡和质量不平衡，其中气动不平衡是通过改变风力机叶片桨距角得以实现，质量不平衡是通过在风力机叶片上添加配重得以实现。进一步地，步骤S1中，时域信号转换为频率信号是通过快速傅里叶变换方法得以实现。进一步地，步骤S2中，对转换后的频率信号数据进行预处理具体包括：先通过功率谱图分析故障特征的集中区域，然后通过数组切片方法仅保留故障特征集中区域的序列并进行重组合并。进一步地，步骤S2中，所述不平衡状态样本数据库包括气动不平衡状态样本数据库和质量不平衡状态样本数据库。进一步地，步骤S3中，所述卷积神经网络模型具体包括输入层、卷积层、池化层、全连接层、隐藏层和输出层，其中，输入层之后是两组卷积层和池化层，全连接层采用两个隐藏层，第一个隐藏层包括128个神经元，第二个隐藏层包括30个神经元，输出层包括3个神经元。进一步地，步骤S3中，对卷积神经网络模型进行训练具体包括如下步骤：S31、通过输入层将风力机叶片平衡状态样本数据和不平衡状态样本数据输入到卷积神经网络模型；S32、在卷积层定义不同深度、滑动步长和大小的内核对风力机叶片平衡状态样本数据和不平衡状态样本数据进行滑动卷积处理提取出数据内部特征；S33、在池化层定义不同滑动步长和大小的内核对风力机叶片平衡状态样本数据和不平衡状态样本数据进行滑动卷积处理提取出数据内部特征并对数据进行压缩；S34、全连接层根据压缩的特征与定义的权重参数相乘，再经过损失函数和优化器的处理对卷积神经网络模型进行训练和优化，通过输出层将数据输出，完成一轮训练；按上述步骤循环训练，直至损失函数收敛到0，得到训练好的卷积神经网络模型。进一步地，步骤S4中，对检测数据的处理过程与步骤S1和步骤S2的数据处理过程相同，即对检测数据的处理具体包括：将检测数据的时域信号通过快速傅里叶变换方法转换为频率信号以获得对应的功率谱图，再通过功率谱图分析故障特征的集中区域，然后通过数组切片方法仅保留故障特征集中区域的序列并进行重组合并。进一步地，步骤S4中，利用步骤S3训练好的卷积神经网络模型对检测数据进行识别判断具体包括：将处理后的检测数据输入到已经训练好的卷积神经网络模型中，卷积神经网络模型在经过步骤S3的训练之后其内部已经具备了优化好的权重参数，激活函数根据检测数据压缩的特征进行处理实现识别判断。本专利技术的有益效果是：本专利技术首先对风力机叶片平衡状态和不平衡状态下的发电机转矩信号、发电机转速信号和塔架的振动加速度信号通过快速傅里叶变换进行处理得到各自的功率谱图，对各自的频率信号通过数组切片选取低频序列构建平衡样本数据库和不平衡样本数据库，其中不平衡数据通过改变桨距角和添加配重分为气动不平衡和质量不平衡；在模型训练阶段，将分类好的数据输送给搭建好的卷积神经网络模型进行训练、调参和验证得到一种具有识别能力的卷积神经网络模型；在线诊断阶段，通过对风力发电机检测状态下的数据进行处理构建检测数据库，将检测数据输送给卷积神经网络模型进行识别判断从而实现风力机叶片的不平衡检测；本专利技术能够自适应地从信号中捕获到叶片的故障特征，避免了环境噪声、波动和人工判断误差带来的不确定性本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的风力机叶片不平衡检测方法，其特征在于，包括如下步骤：S1、采集风力机平衡状态和不平衡状态下的发电机转矩信号、发电机转速信号和塔架的振动加速度信号，并将上述信号的时域信号转换为频率信号以获得对应的功率谱图；S2、对转换后的频率信号数据进行预处理，构建风力机平衡状态样本数据库和不平衡状态样本数据库；S3、搭建卷积神经网络模型，利用步骤S2中已经分类好的样本数据库对卷积神经网络模型进行训练、调参和验证，得到训练好的卷积神经网络模型；S4、采集风力机检测状态下的数据，将其定义为检测数据并进行处理，利用步骤S3训练好的卷积神经网络模型对检测数据进行识别判断，输出包括平衡、气动不平衡和质量不平衡三类结果，从而完成风力机叶片的不平衡检测。

【技术特征摘要】
1.一种基于卷积神经网络的风力机叶片不平衡检测方法，其特征在于，包括如下步骤：S1、采集风力机平衡状态和不平衡状态下的发电机转矩信号、发电机转速信号和塔架的振动加速度信号，并将上述信号的时域信号转换为频率信号以获得对应的功率谱图；S2、对转换后的频率信号数据进行预处理，构建风力机平衡状态样本数据库和不平衡状态样本数据库；S3、搭建卷积神经网络模型，利用步骤S2中已经分类好的样本数据库对卷积神经网络模型进行训练、调参和验证，得到训练好的卷积神经网络模型；S4、采集风力机检测状态下的数据，将其定义为检测数据并进行处理，利用步骤S3训练好的卷积神经网络模型对检测数据进行识别判断，输出包括平衡、气动不平衡和质量不平衡三类结果，从而完成风力机叶片的不平衡检测。2.根据权利要求1所述的检测方法，其特征在于，步骤S1中，所述发电机转矩信号和发电机转速信号分别通过安装在发电机内部的转矩传感器和转速传感器进行采集，塔架的振动加速度信号通过安装在机舱与塔架连接处塔筒内壁的振动传感器进行采集。3.根据权利要求1所述的检测方法，其特征在于，步骤S1中，所述不平衡状态包括气动不平衡和质量不平衡，其中气动不平衡是通过改变风力机叶片桨距角得以实现，质量不平衡是通过在风力机叶片上添加配重得以实现。4.根据权利要求1所述的检测方法，其特征在于，步骤S1中，时域信号转换为频率信号是通过快速傅里叶变换方法得以实现。5.根据权利要求1所述的检测方法，其特征在于，步骤S2中，对转换后的频率信号数据进行预处理具体包括：先通过功率谱图分析故障特征的集中区域，然后通过数组切片方法仅保留故障特征集中区域的序列并进行重组合并。6.根据权利要求1所述的检测方法，其特征在于，步骤S2中，所述不平衡状态样本...

【专利技术属性】
技术研发人员：肖威，曹喆，高艳婧，林勇刚，刘宏伟，李伟，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33