本发明专利技术公开的一种用于风力发电机组塔筒状态监测的故障检测方法，包括：获取塔筒状态数据；对获取到的塔筒状态数据进行标记处理；对标记处理后的塔筒状态数据进行预处理；对预处理后的塔筒状态数据进行分割处理，使得预处理后的塔筒状态参数分割成若干固定长度的时间序列片段数据；对每一时间序列片段数据进行特征提取处理；构建故障检测模型，并将所有的时间序列片段数据及其特征信息送入故障检测模型进行训练；以及将训练好的故障检测模型部署至实际系统中，对获取到的塔筒状态数据进行预测和故障检测处理。还公开了一种用于风力发电机组塔筒状态监测的故障监测装置。本发明专利技术提高了检测的准确率和可靠性，实现预测功能。实现预测功能。实现预测功能。
【技术实现步骤摘要】
用于风力发电机组塔筒状态监测的故障检测方法及其装置
[0001]本专利技术涉及塔筒状态监测方法
，尤其涉及一种用于风力发电机组塔筒状态监测的故障检测方法及其装置。
技术介绍
[0002]风力发电是一种新兴的清洁能源，其发电机组通常由塔筒、叶轮、发电机、变桨机构等组成。其中，塔筒作为风力发电机组的支撑结构，承受着巨大的风载荷和自重荷载，其稳定性和安全性至关重要。目前，常用的塔筒状态监测方法主要是基于倾斜传感器和应变计等传感器的监测，但是这些方法存在监测精度低、易受环境干扰、可靠性低等问题。
[0003]为此，本申请人经过有益的探索和研究，找到了解决上述问题的方法，下面将要介绍的技术方案便是在这种背景下产生的。
技术实现思路
[0004]本专利技术所要解决的技术问题之一在于：针对现有技术的不足而提供一种精度高、不易受环境干扰、可靠性高的用于风力发电机组塔筒状态监测的故障检测方法。
[0005]本专利技术所要解决的技术问题之二在于：提供一种实现上述用于风力发电机组塔筒状态监测的故障检测方法的装置。
[0006]作为本专利技术第一方面的一种用于风力发电机组塔筒状态监测的故障检测方法，包括：
[0007]获取塔筒状态数据；
[0008]对获取到的塔筒状态数据进行标记处理；
[0009]对标记处理后的塔筒状态数据进行预处理，以提高塔筒状态数据的质量和准确性；
[0010]对预处理后的塔筒状态数据进行分割处理，使得预处理后的塔筒状态参数分割成若干固定长度的时间序列片段数据；
[0011]对每一时间序列片段数据进行特征提取处理，以获取每一时间序列片段数据中的特征信息；
[0012]构建故障检测模型，并将所有的时间序列片段数据及其特征信息送入故障检测模型进行训练，使得所述故障检测模块能够准确区分正常状态和异常状态；以及
[0013]将训练好的故障检测模型部署至实际系统中，对获取到的塔筒状态数据进行预测和故障检测处理，当故障检测模型检测到异常状态时，及时发出警报并采取相应措施。
[0014]在本专利技术的一个优选实施例中，所述塔筒状态数据包括塔筒法兰螺栓松动量、塔筒倾斜角度以及塔筒倾斜方向。
[0015]在本专利技术的一个优选实施例中，所述对获取到的塔筒状态数据进行标记处理，包括：
[0016]判断获取到的塔筒状态数据属于正常状态还是异常状态；
[0017]若属于正常状态，则将该塔筒状态数据标记为正常；
[0018]若属于异常状态，则将该塔筒状态数据标记为异常。
[0019]在本专利技术的一个优选实施例中，所述对标记处理后的塔筒状态数据进行预处理，包括：
[0020]对标记处理后的塔筒状态数据进行滤波处理；以及
[0021]对滤波处理后的塔筒状态数据进行降噪处理。
[0022]在本专利技术的一个优选实施例中，所述对每一时间序列片段数据进行特征提取处理，包括：
[0023]获取时间序列片段数据的统计特征：统计特征包括计算时间序列片段数据的平均值、计算时间序列片段数据的方差、找出时间序列片段数据中的最大值、找出时间序列片段数据中的最小值、衡量时间序列片段数据分布的陡峭程度以及衡量时间序列片段数据分布的偏斜程度；
[0024]获取时间序列片段数据的频域特征：通过傅里叶变换方法将时间序列片段数据转换为频域数据，以获取频率和幅度信息；通过功率谱密度计算方法计算信号的功率谱密度，用于分析信号在不同频率上的能量分布；
[0025]获取时间序列片段数据的时域特征：通过自相关函数衡量时间序列片段数据与其自身滞后版本之间的相关性；通过差分变换方法计算时间序列片段数据的一阶差分或二阶差分，用于捕捉数据的趋势和变化；
[0026]获取时间序列片段数据的波形特征：计算时间序列数据的峰值数量和峰值幅度；计算时间序列数据的波形因子，即峰值与有效值之比，用于衡量信号的波动性。
[0027]在本专利技术的一个优选实施例中，所述构建故障检测模型，并将所有的时间序列片段数据及其特征信息送入故障检测模型进行训练，包括：
[0028]根据数据类型和任务需求，选择RNN模型作为故障检测模型，并定义RNN模型的学习率调度函数；
[0029]编译所述RNN模型，并在所述RNN模型内添加交叉熵损失函数、Adam优化器和学习率调度器；
[0030]将所有的时间序列片段数据及其特征信息送入编译好的RNN模型内进行训练，在训练过程中，调整RNN模型的模型参数，使其能够准确区分正常状态和异常状态；以及
[0031]使用测试集对训练好的RNN模型进行评估，并计算准确率、召回率、F1值等指标，通过计算得到的指标评估训练好的RNN模型的性能和可靠性。
[0032]作为本专利技术第二方面的一种用于风力发电机组塔筒状态监测的故障监测装置，包括：
[0033]塔筒状态数据获取模块，所述塔筒状态数据获取模块包括若干螺栓松动传感器和上、下倾角传感器，所述若干螺栓松动传感器周向间隔设置在塔筒法兰上，所述上、下倾角传感器设置在塔筒的顶部和底部；
[0034]数据标记处理模块，所述数据标记处理模块用于对获取到的塔筒状态数据进行标记处理；
[0035]数据预处理模块，所述数据预处理模块用于对标记处理后的塔筒状态数据进行预处理，以提高塔筒状态数据的质量和准确性；
[0036]数据分割处理模块，所述数据分割处理模块用于对预处理后的塔筒状态数据进行分割处理，使得预处理后的塔筒状态参数分割成若干固定长度的时间序列片段数据；
[0037]数据特征提取处理模块，所述数据特征提取处理模块用于对每一时间序列片段数据进行特征提取处理，以获取每一时间序列片段数据中的特征信息；
[0038]故障检测模型训练模块，所述故障检测模型训练模块用于构建故障检测模型，并将所有的时间序列片段数据及其特征信息送入故障检测模型进行训练，使得所述故障检测模块能够准确区分正常状态和异常状态；以及
[0039]故障检测处理模块，所述故障检测处理模块用于将训练好的故障检测模型部署至实际系统中，对获取到的塔筒状态数据进行预测和故障检测处理，当故障检测模型检测到异常状态时，及时发出警报并采取相应措施。
[0040]由于采用了如上技术方案，本专利技术的有益效果在于：
[0041]1.本专利技术通过收集大量的塔筒状态数据并进行标记、预处理、分割、特征提取处理，并通过处理后的塔筒状态数据训练一个二分类模型，再通过训练好的模型识别是否存在故障，提高了检测的准确率和可靠性，实现预测功能；
[0042]2.本专利技术通过传感器获取塔筒的塔筒法兰螺栓松动量、倾斜角度以及倾斜方向等状态参数，不易受环境干扰，精度高，为后续模型训练提供了多维的精确的数据，提高了模型的识别准确性。
附图说明
[0043]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于风力发电机组塔筒状态监测的故障检测方法，其特征在于，包括：获取塔筒状态数据；对获取到的塔筒状态数据进行标记处理；对标记处理后的塔筒状态数据进行预处理，以提高塔筒状态数据的质量和准确性；对预处理后的塔筒状态数据进行分割处理，使得预处理后的塔筒状态参数分割成若干固定长度的时间序列片段数据；对每一时间序列片段数据进行特征提取处理，以获取每一时间序列片段数据中的特征信息；构建故障检测模型，并将所有的时间序列片段数据及其特征信息送入故障检测模型进行训练，使得所述故障检测模块能够准确区分正常状态和异常状态；以及将训练好的故障检测模型部署至实际系统中，对获取到的塔筒状态数据进行预测和故障检测处理，当故障检测模型检测到异常状态时，及时发出警报并采取相应措施。2.如权利要求1所述的用于风力发电机组塔筒状态监测的故障检测方法，其特征在于，所述塔筒状态数据包括塔筒法兰螺栓松动量、塔筒倾斜角度以及塔筒倾斜方向。3.如权利要求1所述的用于风力发电机组塔筒状态监测的故障检测方法，其特征在于，所述对获取到的塔筒状态数据进行标记处理，包括：判断获取到的塔筒状态数据属于正常状态还是异常状态；若属于正常状态，则将该塔筒状态数据标记为正常；若属于异常状态，则将该塔筒状态数据标记为异常。4.如权利要求1所述的用于风力发电机组塔筒状态监测的故障检测方法，其特征在于，所述对标记处理后的塔筒状态数据进行预处理，包括：对标记处理后的塔筒状态数据进行滤波处理；以及对滤波处理后的塔筒状态数据进行降噪处理。5.如权利要求1所述的用于风力发电机组塔筒状态监测的故障检测方法，其特征在于，所述对每一时间序列片段数据进行特征提取处理，包括：获取时间序列片段数据的统计特征：统计特征包括计算时间序列片段数据的平均值、计算时间序列片段数据的方差、找出时间序列片段数据中的最大值、找出时间序列片段数据中的最小值、衡量时间序列片段数据分布的陡峭程度以及衡量时间序列片段数据分布的偏斜程度；获取时间序列片段数据的频域特征：通过傅里叶变换方法将时间序列片段数据转换为频域数据，以获取频率和幅度信息；通过功率谱密度计算方法计算信号的功率谱密度，用于分析信号在不同频率上的能量分布；获取时间序列片段数据的时域特征：通过自相关函数衡量时间序列片段数据与其自身滞后版本之间的相关性；通过差分变换方法计...
【专利技术属性】
技术研发人员：杨帆，杨旭，王武，衡武旋，孙飞虹，方文，
申请(专利权)人：安徽省国家电投和新电力技术研究有限公司，
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。