[发明专利]一种基于卷积神经网络的风力机叶片不平衡检测方法

说明书

本发明公开了一种基于卷积神经网络的风力机叶片不平衡检测方法，包括步骤：S1、采集风力机平衡状态和不平衡状态下的发电机转矩信号、发电机转速信号和塔架的振动加速度信号并转换为频率信号；S2、对频率信号数据进行预处理，构建风力机平衡状态样本数据库和不平衡状态样本数据库；S3、搭建卷积神经网络模型，利用已分类好的样本数据库对卷积神经网络模型进行训练、调参和验证，得到训练好的卷积神经网络模型；S4、利用步骤S3训练好的卷积神经网络模型对检测数据进行识别判断，输出包括平衡、气动不平衡和质量不平衡三类结果，从而完成风力机叶片的不平衡检测。本发明能自适应地捕获到叶片的故障特征，避免了环境因素给卷积神经网络模型判断带来的干扰。

技术领域

本发明涉及机械设备故障监测技术领域，具体涉及一种基于卷积神经网络的风力机叶片不平衡检测方法。

背景技术

近年来我国风电行业发展迅速，风电机组的并网容量不断提高，特别是海上风电机组的规划也提上了日程，这对机组的安全稳定运行、减少故障停机时间提高发电量提出了更高的要求。风电机组长期在野外工作，运行环境通常都比较恶劣，这种环境也造成了风电机组的故障率较高，其故障发生的原因也是多种多样的。叶片会因风沙、结冰和质量分布不均等造成质量不平衡，另外叶片长期运行中也会由于疲劳应力产生裂纹，造成气动不平衡。特别是低风速机型的推广，使叶片越来越长，叶轮极易出现不平衡。该不平衡传递到传动链，会造成机组振动加剧、降低设备的寿命，严重时造成叶片断裂，导致事故的发生。因此对风机叶片进行故障检测和预知维修，对企业降低运行维护成本，提高经济效益具有重要意义。

常用的风力机叶片不平衡检测的方法存在如下有待克服的难点：1.风力机叶片运行的工况复杂，存在较大的噪声干扰，难以提取到鲁棒性强的故障特征。早期提出的一些风力机叶片不平衡检测方法，大部分采用一定的技术提取振动信号、发电机电流或其他变量中包含的故障特征，通过希尔伯特解调、dq坐标变换、阶跟踪分析等多种方法对定子电流或转子电流等信号进行频域分析，为风力机叶片不平衡检测提供了一种合理方法，然而分析的信号非常容易受噪声干扰，故障信息容易被淹没从而出现判断误差，该方法难度较大；2.风力机叶片运行过程出现的不平衡包括质量不平衡和气动不平衡两种，如何从不平衡特征中分析出两者又是一个具有研究的问题，已有人提出通过分析轮毂上测得的气动力矩信号，采用顺序跟踪法来提取叶片角故障的特征频率，通过一定方法用转子转速频谱上不同的谐波来区分彼此，较好的解释了气动不平衡和转子质量不平衡的区别，然而，该结果只是在稳定的风条件下得到验证，无法适用于风速多变的实际运行工况；3.风力机组运行过程中不同信号数据的采集大部分都是通过传感器来获取的，传感器的布置和使用寿命以及采集信号的准确性往往是最重要基本要求，已有人提出通过将贴片式光纤载荷传感器安装于风机叶片上，通过对风力机运行过程中的信号数据进行采集，运用一定的方法来对叶片裂纹进行监测，为叶片裂纹检测提供了一种方法，然而该方法忽略了传感器自身性能容易受到环境因素的影响，在风力机运行工况复杂的条件下，安装于叶片上的贴片式光纤载荷传感器容易出现损坏，影响了检测结果的准确性，增加了检测成本。因此，在风力机组运行工况复杂，环境噪声干扰严重的情况下提出了一种通过卷积神经网络模型在风力机组运行过程中进行频谱数据提取和故障特征学习的方法是风力机叶片不平衡检测领域的一项重要且十分有意义的研究方向。

发明内容

本发明为了克服以上技术的不足，提供了一种实现在工况恶劣、环境噪声干扰严重以及适用于不同风况下进行风力发电风力机质量不平衡和气动不平衡检测的卷积神经网络的风力机叶片不平衡检测方法。

本发明克服其技术问题所采用的技术方案是：

一种基于卷积神经网络的风力机叶片不平衡检测方法，包括如下步骤：

S1、采集风力机平衡状态和不平衡状态下的发电机转矩信号、发电机转速信号和塔架的振动加速度信号，并将上述信号的时域信号转换为频率信号以获得对应的功率谱图；

S2、对转换后的频率信号数据进行预处理，构建风力机平衡状态样本数据库和不平衡状态样本数据库；