风机叶片健康监测系统及其监测方法技术方案

本发明专利技术公开一种风机叶片健康监测系统及其监测方法。本发明专利技术在多传感器监测下提取采集故障信号，对所采集到的信号进行放大、降噪处理。进而对预处理过后的信号数据融合声发射信号和振动信号的频谱特征，进行自监督健康表征学习生成严重稀缺的负样本，通过辅助任务对健康和不健康叶片收集到的测量数据进行分类，实现了基于伪标签的监督学习。本发明专利技术利用数据融合、EMD降噪、自监督学习、LSTM模型训练技术，可以实现实时的风电机组叶片在线监测，并可以对发生的故障进行高精度的诊断，且评估当前叶片的健康状态的检测和故障类型判别，满足风电市场对于风机叶片在线监测的需求。场对于风机叶片在线监测的需求。场对于风机叶片在线监测的需求。

【技术实现步骤摘要】
风机叶片健康监测系统及其监测方法


[0001]本专利技术涉及风机叶片故障诊断领域，尤其是一种基于声发射信号和振动信号融合的风机叶片健康监测系统及其监测方法。

技术介绍

[0002]风能是目前应用最广泛的可再生能源，但风电机组工作环境恶劣，各系统故障频发。尤其是风机叶片作为机组核心设备，其成本占整个机组设备成本的15％
‑
20％，容易受到热应力、吸湿性和雷击等外界冲击导致的损坏，具有较高的运行和维护成本。目前风电机组发电机、齿轮箱、变桨和偏航机构都安装了远程在线监测系统，可以实时监测部件的运行状态，但风机叶片容易受到雷击和风蚀损伤的部件之一，会产生叶片开裂、分层等故障。目前其远程的实时状态监测手段并不完备，如不及时发现问题而开机运行，可能会导致灾难性的后果。
[0003]当前针对风机叶片故障诊断部分的研究尚未全面展开，现有的预警模型工作大都集中在某一种监测方式下针对某一部件的建模和分析，模型精度不高，泛化能力不够，也不能实现对整体风机叶片的自诊断、自预警，更无法对风机的健康度进行综合的评估。例如基于声发射的风机叶片故障诊断系统，该系统通过声发射技术检测叶片的损伤区域，然后采用小波分析的叶片声发射信号的特征提取方法，能够识别出不同类型的损伤。但仅仅依靠单个技术会存在技术缺陷导致检测准确性和时效性不足。

技术实现思路

[0004]针对这一情况，本专利技术提出一种风机叶片健康监测系统及其监测方法，以解决现有技术与应用存在的上述问题。
[0005]本专利技术通过以下技术方案予以实现：
[0006]风机叶片健康监测系统，包括振动传感器：在距离风机叶片根的1/3处多约2
‑
3m的位置设置一个安装截面，在该截面内，按照双通道振动传感器的位置要求安装振动传感器，距离后缘尖端约20
‑
30cm，振动传感器安装在离轴线垂直的方向上，以确保采集到轴向和径向振动；声发射传感器：在叶片中心位置，设置一个安装截面，并在该安装截面内分别安装一个前缘和后缘的声发射传感器，每个叶片应安装两个传感器，其中压力侧传感器距离后缘尖端约20
‑
30cm，拉力侧传感器距离前缘尖端约20
‑
30cm，两个AE传感器安装在同一横截面上；数据采集系统：其负责将置于风机叶片各部分的传感器监测采集到的振动信号与声发射信号转换为数字信号进行后续的分析与处理；多个振动信号与声发射信号传感器的输出与信号调理放大电路的输入连接，然后经多通道ADC采样模块与数据采集硬件连接，对数字信号进行计算，控制和传输。
[0007]本专利技术还提出通过以上基于声发射信号和振动信号融合的风机叶片健康监测系统实现的健康监测方法，包括在多传感器监测下提取采集故障信号，对所采集到的信号进行放大、降噪处理；进而对预处理过后的信号数据融合声发射信号和振动信号的频谱特征，
进行自监督健康表征学习生成严重稀缺的负样本，通过辅助任务对健康和不健康叶片收集到的测量数据进行分类，实现基于伪标签的监督学习。
[0008]有益效果
[0009]1)基于经验模态分解滤波降噪的时域&小波特征提取技术提升了叶片声发射信号质量，基于多维特征融合的机器学习声发射叶片缺陷识别技术为国内首创；
[0010]2)基于振动信号和声发射信号融合的叶片缺陷实时监测系统为国内首创，可实现叶片缺陷的实时监测，可量化故障程度并发现早期故障；
[0011]3)数据端、特征端及决策端进行全面的多源数据融合技术的应用与优化对比；
[0012]4)将声发射信号的频谱特征及其他特征统计量与振动信号的频谱特征及其他特征统计量组成一个特征向量，以此方式高效的完成信号融合处理。
附图说明
[0013]图1为本专利技术流程图；
[0014]图2为本专利技术中声发射信号传感器和振动信号传感器的部署位置平视示意图；
[0015]图3为本专利技术中声发射信号传感器和振动信号传感器的部署位置横截面示意图；
[0016]图4本专利技术中数据采集系统流程图；
[0017]图5本专利技术中混合多尺度卷积结合双层LSTM模型流程图
具体实施方式
[0018]以下通过特定的具体实施例说明本专利技术的实施方式，本领域的技术人员可由本说明书所揭示的内容轻易地了解本专利技术的其他优点及功效。
[0019]本专利技术提出的风机叶片缺陷健康监测方法流程如图1所示：图2为声发射信号传感器和振动信号传感器的部署位置平视示意图，图3为声发射信号传感器和振动信号传感器的部署位置横截面示意图。
[0020]步一：振动传感器和声发射传感器的安装
[0021]振动传感器2安装位置：在距离风机叶片根的1/3处多约2
‑
3m的位置设置一个安装截面。在该截面内，应按照双通道振动传感器的位置要求安装振动传感器2，距离后缘尖端约20
‑
30cm。振动传感器2应当安装在离轴线垂直的方向上，以确保可以采集到轴向和径向振动。并且根据振动传感器的型号和连接要求，确定振动传感器的连接方式，确保信号稳定传输。
[0022]声发射传感器1安装位置：在叶片中心位置(距离叶片根部占总长度1/3左右)设置一个安装截面，并在该安装截面内分别安装一个前缘和后缘的声发射传感器1。每个叶片应安装两个传感器。其中压力侧传感器距离后缘尖端约20
‑
30cm，拉力侧传感器距离前缘尖端约20
‑
30cm。两个AE传感器安装在同一横截面上，此处需要特别注意。
[0023]步二：基于声发射传感器和振动传感器的信号采集，如图4所示
[0024]本实施例中，数据采集系统将声发射检测技术和振动监测技术合二为一，即使用两种探头，并入同一通道号调理期，同一数据采集处理卡检测、采集、处理两种不同的信号，大大拓展了被监测信号的带宽。数据采集系统负责将置于风机叶片各部分的传感器监测采集到的振动信号与声发射信号转换为数字信号进行后续的分析与处理。多个振动信号与声
发射信号传感器的输出与信号调理放大电路的输入连接，然后经多通道ADC采样模块与数据采集硬件连接，对数字信号进行计算，控制和传输。
[0025]步三：对声发射信号和振动信号进行降噪处理；
[0026]声发射信号降噪。首先进行经验模态分解(EmpiricalModeDecomposition，EMD)，然后，计算各本征模态分量(IntrinsicModeFunction,IMF)与原信号相关系数，去除相关性较低的成分，重构剩余IMF分量，完成EMD滤波。
[0027]具体来说，可以按照以下步骤进行：
[0028]1)原始信号经过EMD自适应分解为N个IMF分量。
[0029][0030]2)计算各IMF与原始信号的相关系数。
[0031]corr＝IMF
i
(t)*x(t)
[0032]3)剔除相关系数小于设定阈值的分量，重构剩余分量。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风机叶片健康监测系统，其特征在于，包括振动传感器：在离风机叶片根部向尖端方向的1/3处多2
‑
4m的位置，设置一个安装截面，在该截面内，按照双通道振动传感器的位置要求安装振动传感器，距离后缘尖端约20
‑
30cm，振动传感器安装在离轴线垂直的方向上，以确保采集到轴向和径向振动；声发射传感器：在叶片中心位置，设置一个安装截面，并在该安装截面内分别安装一个前缘和后缘的声发射传感器，每个叶片安装两个传感器，其中压力侧传感器距离后缘尖端20
‑
30cm，拉力侧传感器距离前缘尖端20
‑
30cm，两个声发射传感器安装在同一横截面上；数据采集系统：负责将置于风机叶片各部分的传感器监测采集到的振动信号与声发射信号转换为数字信号进行后续的分析与处理；多个振动信号与声发射信号传感器的输出与信号调理放大电路的输入连接，经多通道ADC采样模块与数据采集硬件连接，对数字信号进行计算、控制和传输。2.根据权利要求1所述的风机叶片健康监测系统实现的健康监测方法，其特征在于，包括在多传感器监测下提取采集故障信号，对所采集到的信号进行放大、降噪处理；进而对预处理过后的信号数据融合声发射信号和振动信号的频谱特征，进行自监督健康表征学习生成稀缺的负样本，通过辅助任务对健康和不健康叶片收集到的测量数据进行分类，实现基于伪标签的监督学习。3.根据权利要求2所述的风机叶片健康监测系统实现的健康监测方法，其特征在于，所述降噪处理包括对声发射信号和振动信号进行降噪处理，其中声发射信号降噪包括首先进行经验模态分解，然后，计算各本征模态分量与原信号相关系数，去除相关性较低的成分，重构剩余IMF分量，完成EMD滤波，具体来说，按照以下步骤进行：1)原始信号经过EMD自适应分解为N个IMF分量；2)计算各IMF与原始信号的相关系数corr＝IMF
i
(r)*x(t)3)剔除相关系数小于设定阈值的分量，重构剩余分量其中N为IMF总个数；M为需要重构的IMF分量个数；随后提取声发射持续时间、峰值幅度、中心频率、能量时域特征，通过小波变换，提取小波包分级后的子频段峰值特征频率，计算小波分解后频段的能量分布；最后将上述特征组合获得小波包特征组合成为特征矩阵，用于下一步的叶片故障识别模型训练。4.根据权利要求3所述的风机叶片健康监测系统实现的健康监测方法，其特征在于，所述振动信号的降噪处理，使用离散小波变换，具体来说，按照以下步骤进行：将采集的振动信号分解成多个小波子带，使用工具函数“wavedec”函数建立DWT，从而将信号分解成多个小波子带；利用小波系数与它们所对应的子带选择一个合适的阈值进行
去噪，使用“wdencmp”函数进行阈值去噪；最后，用“waverec”函数将处理好的信号重构，得到降噪后的振动信号。5.根据权利要求4所述的风机叶片健康监测系统实现的健康监测方法，其特征在于，对降噪后的数据进行预处理，包括以下步骤：1)收集完成降噪后的振动信号和声发射信号；2)对振动信号和声发射信号分别进行短时傅里叶变换，得到二者的时频域特征；3)收集振动信号的特征统计量，包括功率谱密度、...

【专利技术属性】
技术研发人员：徐东阳，葛天翔，薛灿，蔡盛盛，王智，
申请(专利权)人：浙江大学湖州研究院，
类型：发明
国别省市：