一种基于深度学习的风机叶片健康监测方法及其故障检测方法技术

一种基于深度学习的风机叶片健康监测方法及其故障检测方法，涉及健康监测技术领域。解决现有风电叶片的监测方式无法实时、长期连续的监测的问题。监测方法为：预处理振动数据，获得低阶固有频率；根据低阶固有频率监测风机叶片的共振现象；综合对比所有风机叶片的时域波形、频谱图、幅值对比图和时间对比图，监测风机叶片的不平衡现象；提取振动信号中的时域特征和频域特征，获得组合特征；采用stacking堆叠法融合XGboost、随机森林算法和Extra Trees，获得健康监测模型；将组合特征输入到健康监测模型中，并采用加权投票机制对XGboost、随机森林算法和Extra Trees进行加权软投票，获得健康监测结果。

【技术实现步骤摘要】

本专利技术涉及健康监测，特别涉及风机叶片健康监测。

技术介绍

1、能源作为当今经济社会发展的重要物质基础，有着不可取代的重要地位。但当今世界能源供应困难，贫乏短缺，煤炭、天然气、石油等传统的不可再生资源被大量耗费储量逐年递减，每年大量的废弃物排放，使得空气质量被严重污染，地球环境遭受到严重的破坏，产生气候变暖，能源危机以及生态破坏等诸多问题。世界各国十分关注未来是否能有足够的能源支撑经济的发展，如何使用能源而又不影响气候。因此，新能源的探索和应用越来越受到各个国家广泛重视。

2、风能是一种绿色、环保的可再生资源，在当今世界急需新能源的迫切形势下，大力发展风电必然成为未来发展的趋势和潮流。近年来，风力发电产业的迅猛发展，使得风电运维市场急速扩张，风机的成本价格昂贵，因此对其后期的维护变得极为重要。由于该领域发展起步时间不长，风机运行维护的机制尚且不成熟，很多风场并没有专门的检修人员，大多服役的风机都带有大大小小不同的损伤，长此以往，损伤不断升级增加修复难度，甚至可能在运行中造成人员损伤。

3、风力发电机组主要由叶片、发电箱、塔筒、齿轮本文档来自技高网...

【技术保护点】

1.一种基于深度学习的风机叶片健康监测方法，其特征在于，所述监测方法为：

2.根据权利要求1所述的一种基于深度学习的风机叶片健康监测方法，其特征在于，所述步骤S1具体为：

3.根据权利要求1所述的一种基于深度学习的风机叶片健康监测方法，其特征在于，所述步骤S5具体为：

4.根据权利要求3所述的一种基于深度学习的风机叶片健康监测方法，其特征在于，所述步骤S51中的时域特征包括均值、标准差、方根幅值、RMS均方根、峰峰值、偏度、峭度、峰值因子、裕度因子、波形因子和脉冲指数；

5.根据权利要求3所述的一种基于深度学习的风机叶片健康监测方法，其特征...

【技术特征摘要】

1.一种基于深度学习的风机叶片健康监测方法，其特征在于，所述监测方法为：

2.根据权利要求1所述的一种基于深度学习的风机叶片健康监测方法，其特征在于，所述步骤s1具体为：

3.根据权利要求1所述的一种基于深度学习的风机叶片健康监测方法，其特征在于，所述步骤s5具体为：

4.根据权利要求3所述的一种基于深度学习的风机叶片健康监测方法，其特征在于，所述步骤s51中的时域特征包括均值、标准差、方根幅值、rms均方根、峰峰值、偏度、峭度、峰值因子、裕度因子、波形因子和脉冲指数；

5.根据权利要求3所述的一种基于深度学习的风机叶片健康监测方法，其特征在于，所述步骤s53中的组合特征包括能量最大频率、均值、5频段能量、6频段能量、偏度、4频段能量、8频段能量、1频段能量、波形因子和峭度。

6.一种基于深度学习的风机叶片故障诊断方法，其特征在于，所述诊...

【专利技术属性】
技术研发人员：周求湛，牟岩，
申请(专利权)人：吉林大学，
类型：发明
国别省市：