本申请提出了一种风电机组叶片异常检测方法，涉及风电机组叶片异常检测技术领域，其中，该方法包括：获取第一预设时间内的风电机组叶片内部的声音数据和气候信息，并对声音数据进行预处理和短时傅里叶变换，得到待测声音数据，其中，气候信息包括风速信息和降雨信息；将待测声音数据输入预训练模型，得到原始特征向量；将原始特征向量与气候信息进行拼接，得到拼接特征向量；将拼接特征向量输入GMM模型进行异常检测，得到检测分值，根据预设阈值对检测分值进行判断，得到检测结果。本申请通过采集叶片内部声音数据，并结合转速和降雨信息对风电机组叶片进行异常检测，提高了检测的准确性。确性。确性。
【技术实现步骤摘要】
风电机组叶片异常检测方法和装置
[0001]本申请涉及风电机组叶片异常检测
，尤其涉及一种风电机组叶片异常检测方法和装置。
技术介绍
[0002]叶片是大型风力发电机组中获取风能的关键部件，造价约占整机的20％左右。由于叶片长期运行在严酷的自然环境中，承受各种复杂作用力，极易发生各种安全隐患，威胁整机的安全。由于叶片维修、更换，相对于其他设备更为复杂，耗时更长，所以叶片故障引起的停机时长，在机组总故障中的比例高达34％。在风机叶片故障诊断领域，已发展基于声发射、振动分析、光纤光栅、红外热成像等多种原理的检测技术。利用叶片声音数据，再结合数据处理方法实现叶片故障特征提取，具有检测效率高、非接触式、便于安装维护等优点。
[0003]现有技术的声音传感器均是利用叶片外部的固定传感器，采集叶片的扫风声音，同时假定环境噪声为简单的背景噪声，进行某种特征值的阈值选定，进一步推断叶片的异常状态。弊端在于，在传播距离上会造成微弱故障信号的减弱，同时固定传感器对于风叶是间断的采集信号，也会造成部分信号的丢失。在特征提取方法上，由于天气等因素的不确定、风电机组转速的不同会导致扫塔声的强弱不同，故计算出来的短时能量数值不同，无法确定一个统一的阈值进行判断。
技术实现思路
[0004]本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005]为此，本申请的第一个目的在于提出一种风电机组叶片异常检测方法，解决了现有方法叶片外部的固定传感器采集数据会造成部分信号的丢失，同时由于天气等因素会导致计算出来的短时能量数值不同，从而无法确定一个统一的阈值进行判断的技术问题，通过采集叶片内部声音数据，并结合转速和降雨信息对风电机组叶片进行异常检测，提高了检测的准确性。
[0006]本申请的第二个目的在于提出一种风电机组叶片异常检测装置。
[0007]本申请的第三个目的在于提出一种计算机设备。
[0008]本申请的第四个目的在于提出一种非临时性计算机可读存储介质。
[0009]为达上述目的，本申请第一方面实施例提出了一种风电机组叶片异常检测方法，包括：获取第一预设时间内的风电机组叶片内部的声音数据和气候信息，并对声音数据进行预处理和短时傅里叶变换，得到待测声音数据，其中，气候信息包括风速信息和降雨信息；将待测声音数据输入预训练模型，得到原始特征向量；将原始特征向量与气候信息进行拼接，得到拼接特征向量；将拼接特征向量输入GMM模型进行异常检测，得到检测分值，根据预设阈值对检测分值进行判断，得到检测结果。
[0010]可选地，在本申请的一个实施例中，对声音数据进行预处理和短时傅里叶变换，得到待测声音数据，包括：
[0011]将声音数据根据叶片位置进行分类，得到塔筒预设范围内对应的第一声音数据和其余位置对应的第二声音数据；
[0012]丢弃第一声音数据，对第二声音数据进行短时傅里叶变换，得到待测声音数据。
[0013]可选地，在本申请的一个实施例中，在将待测声音数据输入预训练模型，得到原始特征向量之前，包括：
[0014]获取第二预设时间内的风电机组叶片内部的历史声音数据、风速信息和降雨信息；
[0015]分别获取风速信息和降雨信息的等级作为历史声音数据的标签，对历史声音数据进行预处理和短时傅里叶变换，得到训练数据；
[0016]使用训练数据对预训练模型进行训练。
[0017]可选地，在本申请的一个实施例中，获取风速信息和降雨信息的等级，包括：
[0018]根据风速信息所属的范围，确定风速信息的等级；
[0019]根据降雨信息所属的范围，确定降雨信息的等级。
[0020]可选地，在本申请的一个实施例中，在将拼接特征向量输入GMM模型进行异常检测，得到检测分值之前，包括：
[0021]获取第三预设时间内的风电机组叶片内部的历史声音数据和气候信息，对历史声音数据进行预处理和短时傅里叶变换，得到样本数据，将样本数据输入经过训练的预训练模型，得到样本特征向量；
[0022]将样本特征向量与气候信息进行拼接，得到样本拼接向量，使用样本拼接向量对GMM模型进行训练。
[0023]可选地，在本申请的一个实施例中，检测结果包括叶片正常运行和叶片故障，在根据预设阈值对检测分值进行判断，得到检测结果后，还包括：
[0024]若检测结果为叶片正常运行，则使用待测声音数据对预训练模型进行训练更新，并使用拼接特征向量对GMM模型进行训练更新。
[0025]为达上述目的，本申请第二方面实施例提出了一种风电机组叶片异常检测装置，包括：声音传感器、无线传输模块和风场服务器，其中，
[0026]声音传感器，用于实时采集风电机组叶片内部的声音数据；
[0027]无线传输模块，用于将声音数据传输至风场服务器；
[0028]风场服务器，用于对声音数据进行预处理和短时傅里叶变换，得到待测声音数据，将待测声音数据输入预训练模型，得到原始特征向量；将原始特征向量与气候信息进行拼接，得到拼接特征向量；将拼接特征向量输入GMM模型进行异常检测，得到检测分值，根据预设阈值对检测分值进行判断，得到检测结果。
[0029]可选地，在本申请的一个实施例中，对声音数据进行预处理和短时傅里叶变换，包括：
[0030]将声音数据根据叶片位置进行分类，得到塔筒预设范围内对应的第一声音数据和其余位置对应的第二声音数据；
[0031]丢弃第一声音数据，对第二声音数据进行短时傅里叶变换，得到待测声音数据。
[0032]为达上述目的，本申请第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现
上述施例所述的风电机组叶片异常检测方法。
[0033]为了实现上述目的，本申请第四方面实施例提出了一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器被执行时，能够执行一种风电机组叶片异常检测方法。
[0034]本申请的风电机组叶片异常检测方法、装置、计算机设备和非临时性计算机可读存储介质，解决了现有方法叶片外部的固定传感器采集数据会造成部分信号的丢失，同时由于天气等因素会导致计算出来的短时能量数值不同，从而无法确定一个统一的阈值进行判断的技术问题，通过采集叶片内部声音数据，并结合转速和降雨信息对风电机组叶片进行异常检测，提高了检测的准确性。
[0035]本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0036]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0037]图1为本申请实施例一所提供的一种风电机组叶片异常检测方法的流程示意图；
[0038]图2为本申请实施例二所提供的一种风电机组叶片异常检测装置的结构示意图。
具体实施方式
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种风电机组叶片异常检测方法，其特征在于，包括以下步骤：获取第一预设时间内的风电机组叶片内部的声音数据和气候信息，并对所述声音数据进行预处理和短时傅里叶变换，得到待测声音数据，其中，所述气候信息包括风速信息和降雨信息；将所述待测声音数据输入预训练模型，得到原始特征向量；将所述原始特征向量与所述气候信息进行拼接，得到拼接特征向量；将所述拼接特征向量输入GMM模型进行异常检测，得到检测分值，根据预设阈值对所述检测分值进行判断，得到检测结果。2.如权利要求1所述的方法，其特征在于，所述对所述声音数据进行预处理和短时傅里叶变换，得到待测声音数据，包括：将所述声音数据根据叶片位置进行分类，得到塔筒预设范围内对应的第一声音数据和其余位置对应的第二声音数据；丢弃所述第一声音数据，对所述第二声音数据进行短时傅里叶变换，得到待测声音数据。3.如权利要求2所述的方法，其特征在于，在将所述待测声音数据输入预训练模型，得到原始特征向量之前，包括：获取第二预设时间内的风电机组叶片内部的历史声音数据、风速信息和降雨信息；分别获取所述风速信息和所述降雨信息的等级作为所述历史声音数据的标签，对所述历史声音数据进行预处理和短时傅里叶变换，得到训练数据；使用所述训练数据对所述预训练模型进行训练。4.如权利要求3所述的方法，其特征在于，所述获取所述风速信息和所述降雨信息的等级，包括：根据所述风速信息所属的范围，确定所述风速信息的等级；根据所述降雨信息所属的范围，确定所述降雨信息的等级。5.如权利要求4所述的方法，其特征在于，在所述将所述拼接特征向量输入GMM模型进行异常检测，得到检测分值之前，包括：获取第三预设时间内的风电机组叶片内部的历史声音数据和气候信息，对所述历史声音数据进行预处理和短时傅里叶变换，得到样本数据，将所述样本数据输入经过训练的预训练模型，得到样本特征向...
【专利技术属性】
技术研发人员：卢回忆，刘豪睿，刘加，曹宏，刘德广，
申请(专利权)人：北京华控智加科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。