一种基于深度学习的风力发电机叶片损伤检测方法及系统技术方案

本发明专利技术公开了一种基于深度学习的风力发电机叶片损伤检测方法及系统，包括采集叶片数据并进行预处理；优化算法更新模型参数；将数据输入到深度学习预测模型，自适应提取数据特征；计算健康指标真实值和预测值；计算均方根误差并对叶片进行判定；计算数据的熵值和能量值，并判定叶片异常；将数据输入深度学习诊断模型，自适应提取故障特征及标签；将故障标签与故障数据库匹配，得到叶片诊断结果并输出至风场控制中心，同步更新故障数据库。本发明专利技术通过自适应提取数据信号特征，根据健康指标准确、及时的监测叶片早期损伤，并检测叶片损伤类型、位置及程度，无需依赖人工先验经验，通过优化算法更新模型参数，使该方法检测精度更高、适应性更广。适应性更广。适应性更广。

【技术实现步骤摘要】
一种基于深度学习的风力发电机叶片损伤检测方法及系统


[0001]本专利技术涉及叶片损伤检测领域，尤其是指一种基于深度学习的风力发电机叶片损伤检测方法及系统。

技术介绍

[0002]叶片是风力发电机的关键部件之一，叶片损伤直接影响叶片的寿命和风机平稳运行的可靠性。目前，叶片缺陷检测通常是在叶片上设置加速度传感器，以及根据应力测试分析结果来判断叶片是否有损伤，然而，该方式只能判断出叶片上是否有损伤，无法准确获取损伤位置，从而导致该类方法检测精度不高；光纤光栅检测需要在叶片制造时在材料内部埋设光纤光栅传感器，制造难度大，且在长时间运行后传感器可能出现失效、损坏等情况，难以维护；超声波检测是利用材料及其缺陷的声学性能差异，通过超声波传播波形反射情况和穿透时间的能量变化来检测叶片内部缺陷的无损探伤方法，受检测人员的主观判断影响，其检测周期长，更适合于出厂前的静态监测；红外成像检测对预损伤较深的位置，检测灵敏度不高，且受环境因素的影响较大，对叶片的实时检测难度较大。现有技术中还有采用基于数据驱动的叶片损伤检测方法，提取叶片振动信号的时域、频域以及时频域的特征，根据特征判断叶片是否存在损伤，这种方式依赖于人工的检验经验，诊断效率低、精度低，且对于不同风场的风机检测适应性差。
[0003]例如，一种在中国专利文献上公开的“一种风机叶片损伤同步检测装置及方法”，其公告号CN108386323A，所述装置包括起升机构、推进机构、同步机构、移动机构、圆环采集机构、信息处理单元，同步机构包括同步机构基体、智能锁紧装置，圆环采集机构包括红外成像仪、红外闪光灯激励源调节系统。所述方法包括：起升机构将装置举正、起升，推送机构推送检测装置与风机同步，移动机构将圆环采集机构传送至检测部位，调节系统对红外闪光灯的高度、角度、频率进行调节，红外成像仪采集图像数据发送至信息处理单元，信息处理单元构建叶片红外三维热像图进行分析判断，装置复位，检测结束。该专利技术虽然实现风机叶片损伤在线同步检测，通过风机叶片红外三维热像图分析判断损伤，缩短了检测时间，但存在检测设备不易安装维护、稳定性差、检测精度和灵敏度不高，且受环境因素的影响较大的问题。

技术实现思路

[0004]本专利技术是为了克服现有技术的风力发电机叶片损伤检测稳定性差、精度低和依赖人工先验经验的问题，提供一种基于深度学习的风力发电机叶片损伤检测方法及系统。
[0005]为了实现上述目的，本专利技术采用以下技术方案：
[0006]一种基于深度学习的风力发电机叶片损伤检测方法，包括以下步骤：S1：实时采集叶片的原始音频、振动数据并进行预处理，并将预处理后的数据划分为训练样本集X、验证样本集Y和测试样本集Z；S2：优化算法更新深度学习模型和机器学习预测模型的参数，深度学习模型包括深度学习预测模型和深度学习诊断模型；S3：将S1中训练样本集X数据输入到
深度学习预测模型，自适应提取数据特征；S4：根据S3中提取的数据特征计算健康指标的真实值，将健康指标的真实值数据输入到机器学习预测模型，获取健康指标的预测值；S5：根据健康指标的真实值和健康指标的预测值计算均方根误差，将均方根误差与预先设定的误差阈值进行比较，当均方根误差小于预先设定的误差阈值时，判定叶片正常，本次检测结束；当均方根误差大于预先设定的误差阈值时，进入S6；S6：计算数据的熵值和能量值，并将熵值和能量值与预先设定的熵阈值和能量阈值进行比较，当熵值大于熵阈值且能量值大于能量阈值时，判定叶片异常，进入S7；否则判定叶片正常，本次检测结束；S7：将S1的预处理后的数据输入深度学习诊断模型，自适应提取故障特征及故障标签；S8：将故障标签与叶片故障数据库匹配，得到叶片的损伤位置、损伤类型、损伤程度，并将诊断的结果输出至风场控制中心，并同步更新叶片故障数据库。与现有技术相比，本专利技术通过自适应提取音频、振动信号特征，根据健康指标准确、及时的监测叶片早期损伤，并检测出叶片损伤类型、位置及程度，无需依赖人工先验经验，通过优化算法更新深度学习模型参数，使该方法检测精度更高、适应性更广。
[0007]作为本专利技术的优选方案，所述S4中机器学习预测模型的输出为：β＝H
T
(I/C+HH
T
)
‑1y，定义核矩阵Ω
ELM
＝HH
T
，矩阵元素Ω
ELM
(i,j)＝h(x
i
)h(x
j
)＝K(x
i
,x
j
)，则机器学习预测模型的输出为其中核函数K(x
i
,y
i
)＝exp(
‑
γ||x
i
,x
j
||2)，其中，h(x)是隐含层输出矩阵，β表示隐含层与输出层的连接权重，C是惩罚系数，γ是核参数。
[0008]作为本专利技术的优选方案，所述S4健康指标真实值的计算公式为：
[0009][0010]式中，是实时数据特征，y
t
是损伤数据特征，N为序列长度。
[0011]作为本专利技术的优选方案，所述S5中均方根误差计算公式为：其中，N为测试样本个数，为健康指标的预测值，y
i
为健康指标的真实值。
[0012]作为本专利技术的优选方案，所述S6中熵值计算公式为：
[0013][0014]其中，m为嵌入维数；r为相似容限；E
SE
(y
(s)
，m，r)为样本熵；为粗粒化序列的m、m+1维空间向量个数。
[0015]作为本专利技术的优选方案，所述S6中能量值计算公式为：
[0016][0017]其中，E(j,i)表示分阶层j上第i个节点的能量值；p
s
(n,j,k)是小波包系数。
[0018]作为本专利技术的优选方案，所述S2中的优化算法的作用是阶段性的，依据SCADA风速参数、噪声等级进行实施。
[0019]一种基于深度学习的风力发电机叶片损伤检测系统，包括信号采集模块，用于采集叶片音频、振动信号数据；工况划分模块，依据SCADA风速参数、噪声等级，设定参考阈值；预处理模块，用于处理音频、振动信号的噪声及环境干扰等无关信息；深度学习特征提取模块，用于自适应提取音频、振动信号的高维特征；深度学习预测模块，用于输出叶片实时监测结果；深度学习诊断模块，用于自适应诊断叶片损伤位置、类型、程度；显示及传输模块，用于显示诊断结果，并传输至风场控制中心。
[0020]作为本专利技术的优选方案，所述系统还包括中央处理器，实现整个系统的运行和控制功能；存储器，用于存储处理器执行风力发电机组叶片早期损伤检测方法的程序指令和在执行程序指令的过程中所产生的相关数据。
[0021]因此，本专利技术具有以下有益效果：本专利技术通过自适应提取音频、振动信号特征，根据健康指标准确、及时的监测叶片早期损伤，并检测出叶片损伤类型、位置及程度，无需依赖人工先验经验，通过优化算法更新深度学习模型参数，使该方法检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的风力发电机叶片损伤检测方法，其特征是，包括以下步骤：S1：实时采集叶片的原始音频、振动数据并进行预处理，并将预处理后的数据划分为训练样本集X、验证样本集Y和测试样本集Z；S2：优化算法更新深度学习模型和机器学习预测模型的参数，深度学习模型包括深度学习预测模型和深度学习诊断模型；S3：将S1中训练样本集X数据输入到深度学习预测模型，自适应提取数据特征；S4：根据S3中提取的数据特征计算健康指标的真实值，将健康指标的真实值数据输入到机器学习预测模型，获取健康指标的预测值；S5：根据健康指标的真实值和健康指标的预测值计算均方根误差，将均方根误差与预先设定的误差阈值进行比较，当均方根误差小于预先设定的误差阈值时，判定叶片正常，本次检测结束；当均方根误差大于预先设定的误差阈值时，进入S6；S6：计算数据的熵值和能量值，并将熵值和能量值与预先设定的熵阈值和能量阈值进行比较，当熵值大于熵阈值且能量值大于能量阈值时，判定叶片异常，进入S7；否则判定叶片正常，本次检测结束；S7：将S1的预处理后的数据输入深度学习诊断模型，自适应提取故障特征及故障标签；S8：将故障标签与叶片故障数据库匹配，得到叶片的损伤位置、损伤类型、损伤程度，并将诊断的结果输出至风场控制中心，并同步更新叶片故障数据库。2.根据权利要求1所述的一种基于深度学习的风力发电机叶片损伤检测方法，其特征是，所述S4中机器学习预测模型的输出为：β＝H
T
(I/C+HH
T
)
‑1y，定义核矩阵Ω
ELM
＝HH
T
，矩阵元素Ω
ELM
(i,j)＝h(x
i
)h(x
j
)＝K(x
i
,x
j
)，则机器学习预测模型的输出为其中核函数K(x
i
,y
i
)＝exp(
‑
γ||x
i
,x
j
||2)，其中，h(x)是隐含层输出矩阵，β表示隐...

【专利技术属性】
技术研发人员：张军华，罗勇水，赵海燕，李学平，艾真伟，孙萍玲，毛涵韬，
申请(专利权)人：浙江运达风电股份有限公司，
类型：发明
国别省市：