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技术

本发明专利技术涉及基于声传感器阵列的风力发电机叶片故障监测方法及设备，S1、部署采集阵列，将采集阵列固定安装于风力发电机的支撑杆底部；S2、对采集阵列拾取的叶片声音信号进行增强；并构建CNN故障判断模型；S3、对发生故障的叶片进行故障位置定位；S4、对强干扰方向进行抑制并返回步骤S3；S5、定位故障位置后，对发生故障的风力叶片进行定位。本发明专利技术通过采集阵列部署在风力发电机的底部，对风力叶片进行非接触式采集声音信号，从而可以有效降低部署和运维成本。

Wind turbine blade fault monitoring method and equipment based on acoustic sensor array

【技术实现步骤摘要】
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
本专利技术涉及叶片故障监测领域，尤其涉及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。
技术介绍
随着社会的发展，人们对环境污染也越来越重视，传统的基于化学能(煤炭、石油、天然气)的发电方式越来越受到限制，而核能发电又存在着前期投资巨大的问题，风力发电和太阳能发电越来越受到重视。风力发电是一种可再生的清洁能源，环境污染小，自动化程度高，易于实现远程控制，非常适合解决人口稀少、电网不易达到的地区的供电需求，因此风力发电具有重要的经济效益和社会效益。叶片是风力发电机组(以下简称“风机”)的关键部件，风机发电的能量来自于风力推动叶片旋转时的做功，而叶片围绕着塔筒旋转过程中，尤其是从上方转到下方时，受力是改变的，并且旋转过程中受力交替变化，而风力状况又存在显著的不稳定性，这些因素会造成叶片受力不均，并形成振动，再加上叶片风吹日晒雨淋，材料老化、磨损，还可能对叶片带来物理损伤，这些都会严重影响整个风机的运转效率，因此对叶片工作状况的监测非常必要。但一直以来，业界缺乏高效的叶片工作状况监测方案，近年来有人提出使用在叶片上加装传感器的方案，但这类方案存在着部署运维成本高、管理效率低等问题。
技术实现思路
本专利技术所要解决的技术问题在于提供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，以解决叶片工作状况监测中运维成本高、管理效率低的问题。本专利技术通过以下技术手段实现解决上述技术问题的：基于声传感器阵列的风力发电机叶片故障监测方法，包括风力发电机，所述风力发电机包括若干风力叶片，所述风力叶片围绕塔筒旋转，还包括以下步骤：S1、部署采集阵列，将采集阵列固定安装于风力发电机的支撑杆底部；S2、对采集阵列拾取的叶片声音信号进行增强；并构建CNN故障判断模型；S3、对发生故障的叶片进行故障位置定位；当故障噪声和正常工作噪声相比具有不同的频率成分、或故障噪声频率高于预设值A时、或故障噪声的能量高于正常工作噪声的能量时，执行步骤S31；S31、确定故障区域，通过故障方位角确定故障位置；当故障噪声低于预设值A时，执行步骤S32；S32、利用CNN故障判断模型判断各个方向声源为是否为故障声源，并确定故障位置；如果某一方向声源能量超过门限值B，且判定为非故障声源，则认为该方向存在强干扰声源并执行步骤S4，否则直接执行S5；S4、对强干扰方向进行抑制，并返回步骤S3；S5、定位故障位置后，对发生故障的风力叶片进行定位。通过采集阵列部署在风力发电机的底部，对风力叶片进行非接触式采集声音信号，从而可以有效降低部署和运维成本；同时叶片声音信号进行增强，可有效增大阵列的拾音距离以及对环境噪声的鲁棒性。作为本专利技术进一步的方案：所述步骤S1包括，所述采集阵列与风力叶片旋转面处于同一平面中；同时风力叶片所在线段的中垂线经过采集阵列的中点时，使采集阵列平行于该风力叶片。作为本专利技术进一步的方案：所述步骤S2包括；将风力叶片按照n米为单位进行划分成m个区域，所述采集阵列到每一个区域确定一个方向，得到m个方向，对m个方向进行信号增强。作为本专利技术进一步的方案：所述CNN故障判断模型包括依次串联的若干层卷积层、全连接网络，当时频分布图输入至第一层卷积层后，第一层卷积层进行特征提取，提取的特征输入下一层卷积层进行池化，依次经过若干层卷积层池化降低维度；最后一个卷积层进行池化后，将最终输出的多组二维提取特征拆分拼接成向量，并输入至全连接网络；经过全连接网络处理输出所需要的结果；CNN故障判断模型的输出至少有4种状态，分别为正常、叶片开裂故障、大片磨损故障、其它未知故障，对应于全连接网络输出的四个节点，叶片开裂故障、大片磨损故障、其它未知故障共同组成故障状态；利用CNN故障判断模型对目标方向区域拾取的风力叶片声音信号进行识别，当CNN故障判断模型模型输出的状态为故障状态时，则认为当前风力叶片存在故障，即该风力叶片声音信号为故障声源，如果输出为正常，则该风力叶片声音信号为非故障声源。作为本专利技术进一步的方案：所述步骤S31包括，将采集阵列接收信号对选定的m个方向分别进行增强去噪处理，得到m个区域的噪声；将增强得到的噪声与正常工作噪声统计结果进行比对，选出差异最大的作为疑似故障区域；将疑似故障区域的增强结果输入事先训练好的CNN故障判断模型进行进一步的验证；若判断为故障，则该区域即为故障区域；确定故障区域后，随着风力叶片的转动，故障位置沿圆形轨迹变化，以采集阵列的中心引出两条射线，一条射线经过故障位置，另一条经过风力叶片旋转面的圆心处，此时形成的故障方位角，当故障方位角角度最大时，从而确定故障位置。作为本专利技术进一步的方案：所述步骤S32包括；将每一个方向的增强结果输入至训练好的CNN故障判断模型，输出产生故障的概率；若输出各个方向故障概率中的最大值大于阈值时，则认为存在故障，且故障概率最大的区域即认为是故障区域；CNN故障判断模型模型输出的状态为故障状态时，则认为当前叶片存在故障，声音信号包括故障噪声和正常工作噪声。如果某一方向声源能量超过门限值B，且判定为非故障声源，则认为该方向存在强干扰声源并执行步骤S4，否则直接执行S5。作为本专利技术进一步的方案：所述对强干扰方向进行抑制为，采用波束陷零技术，对该方向的干扰声源进行抑制。作为本专利技术进一步的方案：所述步骤S5包括；S51、当故障方位角达到最大时，故障方位角与故障位置圆形轨迹相切；确定故障的风力叶片位置；S52、通过记录两次以上故障的风力叶片经过该位置的时间间隔，计算出叶片旋转速度，从而预估出该故障叶片旋转到竖直向下的时刻，此时采集设备上面的故障指示灯会点亮，即故障指示灯点亮时，最下方的风力叶片即为故障的风力叶片。作为本专利技术进一步的方案：还包括步骤S6以及步骤S7；S6、对非正常状态声音数据进行归档，建立叶片故障类型数据库；S7、对CNN故障判断模型进行模型增量训练；其中，增量训练有两种方式，即样本增量训练和输出类别增量学习；样本增量训练：确保现有知识的情况下，通过CNN故障判断模型对新样本的增量学习来提取新知识，使用得到新样本，对CNN故障判断模型训练，实现更新；输出类别增量学习：对CNN故障判断模型进行拷贝得到另一份模型，其中一份不进行任何修改，另一份将输出增加为原故障以及新故障，重新训练得到新模型，调整新模型的LOSS函数，得到：LOSS＝LOSS1+LOSS2；其中，LOSS1指新类别检测；LOSS2指数据在旧模型和新模型上的输出差异。基于所述的基于声传感器阵列的风力发电机叶片故障监测方法的监测设备，包括风力发电机，所述风力发电机包括若干风力叶片，所述风力叶片围绕塔筒旋转，还包括；部署模块，用于部署采集阵列，将采集阵列固定安装于风力发电机的支撑杆底部；增强模块，用于对采集阵列拾本文档来自技高网...

【技术保护点】
1.基于声传感器阵列的风力发电机叶片故障监测方法，包括风力发电机，所述风力发电机包括若干风力叶片，所述风力叶片围绕塔筒旋转，其特征在于，还包括以下步骤：/nS1、部署采集阵列，将采集阵列固定安装于风力发电机的支撑杆底部；/nS2、对采集阵列拾取的叶片声音信号进行增强；并构建CNN故障判断模型；/nS3、对发生故障的叶片进行故障位置定位；/n当故障噪声和正常工作噪声相比具有不同的频率成分、或故障噪声频率高于预设值A时、或故障噪声的能量高于正常工作噪声的能量时，执行步骤S31；/nS31、确定故障区域，再通过故障方位角来确定故障位置；/n当故障噪声低于预设值A时，执行步骤S32；/nS32、利用CNN故障判断模型判断各个方向声源为是否为故障声源，并确定故障位置；如果某一方向声源能量超过门限值B，且判定为非故障声源，则认为该方向存在强干扰声源并执行步骤S4，否则直接执行S5；/nS4、对强干扰方向进行抑制并返回步骤S3；/nS5、定位故障位置后，对发生故障的风力叶片进行定位。/n

【技术特征摘要】
1.基于声传感器阵列的风力发电机叶片故障监测方法，包括风力发电机，所述风力发电机包括若干风力叶片，所述风力叶片围绕塔筒旋转，其特征在于，还包括以下步骤：
S1、部署采集阵列，将采集阵列固定安装于风力发电机的支撑杆底部；
S2、对采集阵列拾取的叶片声音信号进行增强；并构建CNN故障判断模型；
S3、对发生故障的叶片进行故障位置定位；
当故障噪声和正常工作噪声相比具有不同的频率成分、或故障噪声频率高于预设值A时、或故障噪声的能量高于正常工作噪声的能量时，执行步骤S31；
S31、确定故障区域，再通过故障方位角来确定故障位置；
当故障噪声低于预设值A时，执行步骤S32；
S32、利用CNN故障判断模型判断各个方向声源为是否为故障声源，并确定故障位置；如果某一方向声源能量超过门限值B，且判定为非故障声源，则认为该方向存在强干扰声源并执行步骤S4，否则直接执行S5；
S4、对强干扰方向进行抑制并返回步骤S3；
S5、定位故障位置后，对发生故障的风力叶片进行定位。


2.根据权利要求1所述的基于声传感器阵列的风力发电机叶片故障监测方法，其特征在于，所述步骤S1包括，所述采集阵列与风力叶片旋转面处于同一平面中；同时风力叶片所在线段的中垂线经过采集阵列的中点时，使采集阵列平行于该风力叶片。


3.根据权利要求1所述的基于声传感器阵列的风力发电机叶片故障监测方法，其特征在于，所述对采集阵列拾取的叶片声音信号进行增强包括；
将风力叶片按照n米为单位进行划分成m个区域，所述采集阵列到每一个区域确定一个方向，得到m个方向，对m个方向进行信号增强。


4.根据权利要求3所述的基于声传感器阵列的风力发电机叶片故障监测方法，其特征在于，所述CNN故障判断模型包括依次串联的若干层卷积层、全连接网络，当时频分布图输入至第一层卷积层后，第一层卷积层进行特征提取，提取的特征输入下一层卷积层进行池化，依次经过若干层卷积层池化降低维度；最后一个卷积层进行池化后，将最终输出的多组二维提取特征拆分拼接成向量，并输入至全连接网络；经过全连接网络处理输出所需要的结果；
CNN故障判断模型的输出至少有4种状态，分别为正常、叶片开裂故障、大片磨损故障、其它未知故障，对应于全连接网络输出的四个节点，叶片开裂故障、大片磨损故障、其它未知故障共同组成故障状态；
利用CNN故障判断模型对目标方向区域拾取的风力叶片声音信号进行识别，当CNN故障判断模型模型输出的状态为故障状态时，则该风力叶片声音信号为故障声源，如果输出为正常，则该风力叶片声音信号为非故障声源。


5.根据权利要求1所述的基于声传感器阵列的风力发电机叶片故障监测方法，其特征在于，所述步骤S31包括，
将采集阵列接收信号对选定的m个方向分别进行增强去噪处理，得到m个区域的噪声；将增强得到的噪声与正常工作噪声统计结果进行比对，选出差异最大的作为疑似故障区域；将疑似故障区域的增强结果输入事先训练好的CNN故...

【专利技术属性】
技术研发人员：胡晓宇，代金良，
申请(专利权)人：大连赛听科技有限公司，
类型：发明
国别省市：辽宁;21