一种风机叶片故障预测方法、系统及存储介质技术方案

本发明专利技术涉及风力发电技术领域，具体涉及一种基于深度学习的风机叶片故障预测方法、系统及存储介质。所述方法包括：建立深度学习模型，用风机叶片历史运行数据训练深度学习模型；根据风机叶片历史运行数据确定叶片运行正常判定范围；从风机SCADA系统中采集数据，将采集的数据输入深度学习模型，获得叶片震动当量；判断所述叶片震动当量是否在所述叶片运行正常判定范围内，如果所述叶片震动当量在所述叶片运行正常判定范围内，则判定叶片运行正常；如果所述叶片震动当量超出所述叶片运行正常判定范围，则判定叶片处于故障前状态，在故障发生前对叶片进行维护，可避免叶片折断等故障的发生。本申请提供的基于深度学习的风机叶片故障预测方法能够在不增加额外结构的情况下比较准确地对现有风机叶片的震动情况进行监测从而对叶片故障进行预测，加强了对风机叶片的运行维护，可避免风机叶片折断等恶劣后果的发生。生。生。

【技术实现步骤摘要】
一种风机叶片故障预测方法、系统及存储介质


[0001]本专利技术涉及风力发电
，具体涉及一种基于深度学习的风机叶片故障预测方法、系统及存储介质。

技术介绍

[0002]风力发电机的工作原理是风轮在风力的作用下旋转，把风的动能转变为风轮轴的机械能，发电机在风轮轴的带动下旋转发电。风机叶片是风力发电机组的关键部件，但其工作环境复杂，如果风机叶片异常震动，可能会导致叶片上裂纹的产生，持续的震动异常，可能会发生叶片断裂，从而造成巨大的经济损失。通常对叶片震动的监测是在叶片上设置用于采集震动数据的传感器，然后对传感器采集的数据进行分析来对叶片的震动情况进行日常监测，在发现叶片出现震动异常时对叶片进行维修或者养护。现有风力发电机组一般在叶片上没有设置用于采集叶片性能状况的传感器，后期加装传感器经济、人力投入都比较大，且风机叶片在室外环境下工作，工作环境复杂，传感器采集的数据噪音比较大，并不能准确反映叶片的真实状况；另外，由于叶片正常运行时一直处于震动状态，偶尔的震动异常往往不能反映叶片的损伤状况

技术实现思路

[0003]为实现上述目的，本专利技术的技术方案提供了一种基于深度学习的风机叶片故障预测方法，包括如下步骤：
[0004]步骤S01：建立深度学习模型，所述深度学习模型的输入量包括机舱x轴震动量和机舱y轴震动量、桨距角、风速和风机有功功率，用风机叶片历史运行数据训练深度学习模型；根据风机叶片历史运行数据确定叶片运行正常判定范围；
[0005]步骤S02：从风机SCADA系统中采集数据，所述数据包括机舱x轴震动量和机舱y轴震动量、桨距角、风速和风机有功功率；
[0006]步骤S03：将步骤S02中采集的数据输入深度学习模型，获得叶片震动当量；
[0007]步骤S04：判断所述叶片震动当量是否在所述叶片运行正常判定范围内，如果所述叶片震动当量在所述叶片运行正常判定范围内，则判定叶片运行正常；如果所述叶片震动当量超出所述叶片运行正常判定范围，则判定叶片处于故障前状态。
[0008]优选地，所述深度学习模型为LSTM神经网络。
[0009]优选地，所述叶片震动当量包括叶片x轴震动当量和叶片y轴震动当量。
[0010]优选地，所述风机叶片历史运行数据包括风机叶片断裂前2
‑
7天的机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率数据以及风机叶片正常运行状态下的机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率数据。
[0011]优选地，从风机SCADA系统中采集数据的步骤包括：
[0012]S021：根据配置数据库中的风机SCADA系统的IP地址接收风机SCADA系统发送的数据包，并根据接收的数据包包头内的端口号信息识别风机SCADA系统的通信协议类型，所述
配置数据库包括风机SCADA系统的IP地址以及与所述IP地址关联的风机SCADA系统的设备类型；
[0013]S022：根据识别的风机SCADA系统的通信协议类型及所述配置数据库中与其IP地址关联的风机SCADA系统的设备类型在预先建立的点表数据库中获取风机SCADA系统的点表信息，所述点表数据库包括不同设备类型的风机SCADA系统在不同通信协议类型下采用的点表信息，所述点表信息包括风机SCADA系统采集的风机参数的数据在风机SCADA系统发送的数据包中的字段位置信息；
[0014]S023：根据风机SCADA系统的点表信息和通信协议类型对接收的风机SCADA系统发送的数据包进行解析，得到风机SCADA系统采集的风机参数的数据。
[0015]优选地，在采集数据之后，将采集的数据输入深度学习模型之前还包括数据传输的步骤，用于将采集的数据传输到集控中心，并通过集控中心传输至深度学习模型；
[0016]所述数据传输的步骤包括：
[0017]S0241：根据数据包的接收时间对解析得到的风机参数的数据设置时间戳，将解析得到的风机参数的数据及其时间戳同时发送至集控中心；
[0018]S0242：集控中心将不同风场的数据输入深度学习模型对风机的叶片故障进行预测。
[0019]为实现上述目的，本专利技术的技术方案还提供了一种基于深度学习的风机叶片故障预测系统，用于实现上述的预测方法，包括：
[0020]数据采集模块，用于从风机SCADA系统中采集数据，所述数据包括风机叶片处于运行状态时的机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率；
[0021]数据处理模块，用于分别对风机叶片历史数据和所述数据采集模块采集的运行数据进行处理；所述数据处理模块包括LSTM神经网络模块。
[0022]优选地，还包括数据传输模块，用于将从风机SCADA系统中采集的数据传输到对应的LSTM神经网络模块。
[0023]为实现上述目的，本专利技术的技术方案还提供了一种基于深度学习的风机叶片故障预测系统，包括至少一个处理器以及与所述至少一个处理器耦合的存储器，其中，所述至少一个处理器用于执行存储器中的指令，实现上述的预测方法。
[0024]为实现上述目的，本专利技术的技术方案还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的预测方法。
[0025]本申请提供的基于深度学习的风机叶片故障预测方法，不用改变现有风力发电机的叶片结构，通过采集现有风机叶片能够采集到的运行数据参数对风机叶片是否将要发生故障进行日常监测，并通过大量的历史数据训练神经网络模型，在不增加额外成本的情况下能够比较准确地对风机叶片的震动情况进行监测，从而对叶片是否将要发生折断等故障进行预测，预测可能将要发生故障时进行预警，加强了对风机叶片的运行维护，可避免风机叶片折断等恶劣后果的发生。
[0026]本专利技术的其他有益效果，将在具体实施方式中通过具体技术特征和技术方案的介绍来阐述，本领域技术人员通过这些技术特征和技术方案的介绍，应能理解所述技术特征和技术方案带来的有益技术效果。
附图说明
[0027]以下将参照附图对根据本专利技术的基于深度学习的风机叶片故障预测方法、系统及存储介质的优选实施方式进行描述。图中：
[0028]图1为根据本专利技术提供的基于深度学习的风机叶片故障预测方法的流程图；
[0029]图2为风力发电机(本申请中简称风机)结构示意图；
[0030]图3为本申请中采用的LSTM结构原理图；
[0031]图4为本申请中提供的从风机SCADA系统中采集数据的流程图。
具体实施方式
[0032]本申请在现有的风力发电场的基础上，无需增加新的结构元件而提供一种基于深度学习的风机叶片故障预测方法。风力发电机(本申请中简称风机)的一般结构如附图2所示，包括叶片1、机舱2和塔架3，在机舱2内设置有用于收集风机运行过程中的各种数据的数据收集元件(图中未示出)，本申请中的叶片故障预测方法通过对这些数据收集元件收集的现有运行数据对风机叶片发生故障的可能性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的风机叶片故障预测方法，其特征在于，包括如下步骤：步骤S01：建立深度学习模型，所述深度学习模型的输入量包括机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率，用风机叶片历史运行数据训练深度学习模型；根据风机叶片历史运行数据确定叶片运行正常判定范围；步骤S02：从风机SCADA系统中采集数据，所述数据包括机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率；步骤S03：将步骤S02中采集的数据输入深度学习模型，获得叶片震动当量；步骤S04：判断所述叶片震动当量是否在所述叶片运行正常判定范围内，如果所述叶片震动当量在所述叶片运行正常判定范围内，则判定叶片运行正常；如果所述叶片震动当量超出所述叶片运行正常判定范围，则判定叶片处于故障前状态。2.根据权利要求1所述的风机叶片故障预测方法，其特征在于，所述深度学习模型为LSTM神经网络。3.根据权利要求1所述的风机叶片故障预测方法，其特征在于，所述叶片震动当量包括叶片x轴震动当量和叶片y轴震动当量。4.根据权利要求1
‑
3任一项所述的风机叶片故障预测方法，其特征在于，所述风机叶片历史运行数据包括风机叶片断裂前2
‑
7天的机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率数据以及风机叶片正常运行状态下的机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率数据。5.根据权利要求1
‑
4任一项所述的风机叶片故障预测方法，其特征在于，从风机SCADA系统中采集数据的步骤包括：S021：根据配置数据库中的风机SCADA系统的IP地址接收风机SCADA系统发送的数据包，并根据接收的数据包包头内的端口号信息识别风机SCADA系统的通信协议类型，所述配置数据库包括风机SCADA系统的IP地址以及与所述IP地址关联的风机SCADA系统的设备类型；S022：根据识别的风机SCADA系统的通信协议类型及所述配置数据库中与其IP地址关联的风机SCADA系统的设备类型在预先建立的点表数据库中获取风机SCADA系统的点表信息，所述点表数据库包括不同设备类...

【专利技术属性】
技术研发人员：庞涛，马征，刘翀，秦大林，白颖伟，吕楠楠，
申请(专利权)人：北京智慧空间科技有限责任公司，
类型：发明
国别省市：