风机叶片振动报警方法及装置制造方法及图纸

本发明专利技术提出一种风机叶片振动报警方法，其中，方法包括：获取风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值；根据风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值对预先构建的混合模型进行训练，得到训练好的混合模型；获取风电机组实测频域信号，将风电机组实测频域信号输入至训练好的混合模型，得到风电机组叶片的振动报警结果。基于此，该方法实现对风电机组发电机故障的捕获和对不同故障类型的识别，从而能够减少误报警的次数。而能够减少误报警的次数。而能够减少误报警的次数。

【技术实现步骤摘要】
风机叶片振动报警方法及装置


[0001]本专利技术涉及人工智能
，尤其涉及一种风机叶片振动报警方法及装置。

技术介绍

[0002]风机叶片在风电机组中属于关键的构成部分，发挥着能量转化的作用。在风机运行过程中，必须保证叶片的安全性与可靠性，才能有效提升吸收风能的转换效率，为整个风力机组带来有利的影响。通过提高叶片性能，也能保证风机的稳定运行。但是叶片工作环境较为复杂，面临离心力、空气动力、热应力和弯曲应力等作用，甚至存在雨雪冰霜冲蚀与闪电积累破坏等现象。基于此要重视对风机叶片振动检测与分析，确保准确、快速判定其疲劳程度，这是维护风机安全运行和提高风能利用率的有效手段。
[0003]现有机组基于风机叶片制造厂商出场前的风洞测试数据，与风机组装后在风场的实际运行状况不同，基于阈值报警的模型无法对复杂的状况进行判断，常有误报警的情况。另外，因风场采用风机型号和叶片制造厂商不同，采用不同的阙值报警无法根据风电场实际运行状况进行算法更新优化，从而降低了报警模型的准确性。因此亟需“一种风机叶片振动报警方法”可以提高了对故障分类的准确性，实现了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风机叶片振动报警方法，其特征在于，包括：获取风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值；根据所述风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值对预先构建的混合模型进行训练，得到训练好的混合模型；获取风电机组实测频域信号，将所述风电机组实测频域信号输入至所述训练好的混合模型，得到风电机组叶片的振动报警结果。2.如权利要求1所述的报警方法，其特征在于，所述混合模型包括输入层、卷积神经网络层、长短期时间记忆网络层、注意力层和输出层，所述根据所述风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值对预先构建的混合模型进行训练，得到训练好的混合模型，还包括：将所述风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值输入到所述输入层，通过所述输入层得到所述训练样本各自对应的输入向量；将所述输入向量输入到所述卷积神经网络层，并对所述输入向量进行特征提取，以筛选出目标特征向量；获取所述目标特征向量，将所述目标特征向量输入所述长短期时间记忆网络层，以提取所述目标特征向量各自对应的特征关系；将所述目标特征向量各自对应的特征关系输入到所述注意力层中，并根据所述注意力层中所述特征关系的注意力权重参数值，对所述特征关系进行筛选，以得到输出向量；将所述输出向量输入到所述输出层，并输出振动报警结果。3.如权利要求2所述的报警方法，其特征在于，所述卷积神经网络层包括卷积层和丢弃层，所述将所述输入向量输入到所述卷积神经网络层，并对所述输入向量进行特征提取，以筛选出目标特征向量，包括：将所述输入向量输入到所述卷积层中，获取卷积层提取的输入向量的多个特征向量；将所述输入向量的多个特征向量输入到所述丢弃层，以从所述多个特征中筛选出目标特征向量。4.如权利要求2所述的报警方法，其特征在于，在将所述输出向量输入到所述输出层，并输出振动报警结果之后，还包括：获取所述振动报警结果，并对所述振动报警结果进行反归一化处理。5.如权利要求4所述的报警方法，其特征在于，在所述获取所述振动报警结果，并对所述振动报警结果进行反归一化处理之后，还包括：所述振动报警结果经过反归一化即可得到实际的振动报警结果：其中，...

【专利技术属性】
技术研发人员：王鸿策，要鹏飞，申旭辉，王建峰，汤海雁，李铮，孙财新，郭晓锋，潘霄峰，程明，王德志，刘强博，任晓馗，郝健强，
申请(专利权)人：中国华能集团清洁能源技术研究院有限公司，
类型：发明
国别省市：