CN112727704B - 一种叶片前缘腐蚀的监测方法及*** - Google Patents

一种叶片前缘腐蚀的监测方法及*** Download PDF

Info

Publication number
CN112727704B
CN112727704B CN202011478576.0A CN202011478576A CN112727704B CN 112727704 B CN112727704 B CN 112727704B CN 202011478576 A CN202011478576 A CN 202011478576A CN 112727704 B CN112727704 B CN 112727704B
Authority
CN
China
Prior art keywords
blade
data
monitoring
damage
corrosion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011478576.0A
Other languages
English (en)
Other versions
CN112727704A (zh
Inventor
朱小芹
鲍亭文
王旻轩
刘展
金超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Cyberinsight Technology Co ltd
Original Assignee
Beijing Cyberinsight Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Cyberinsight Technology Co ltd filed Critical Beijing Cyberinsight Technology Co ltd
Priority to CN202011478576.0A priority Critical patent/CN112727704B/zh
Publication of CN112727704A publication Critical patent/CN112727704A/zh
Application granted granted Critical
Publication of CN112727704B publication Critical patent/CN112727704B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/83—Testing, e.g. methods, components or tools therefor
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/84—Modelling or simulation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/70—Type of control algorithm
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges
    • F05B2270/806—Sonars

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请涉及一种叶片前缘腐蚀的监测方法，包括以下步骤：通过声音传感器采集叶片的扫风信号；通过条件过滤模块，以固定间隔获取满足条件的风机运行过程中的声音数据；通过数据质量处理模块对声音数据进行质量检测，筛除数据质量差的声音数据；识别叶片前缘腐蚀是否存在并评估腐蚀的严重程度，腐蚀程度超出设定的阈值时给出预警信息。本申请的叶片前缘腐蚀的监测方法及***，能够及时识别基于机位级别的叶片前缘腐蚀，在叶片前缘腐蚀损伤至结构层之前提供报警信息，支持针对性的及时维护。

Description

一种叶片前缘腐蚀的监测方法及***
技术领域
本申请涉及一种叶片前缘腐蚀的监测方法及***，适用于损伤监测的技术领域。
背景技术
叶片是捕风的关键部件，而特定设计的气动外形是保障捕风能力的关键，叶尖区域尤其是叶尖1/3长度区域的气动外形是最为关键的区域。叶尖区域气动外形的损伤，尤其是翼型前缘部分的损伤，会极大的降低风机的发电输出。因此，确保风机运行生命周期气动外形的完整性是确保风机发电性能的关键运维目标。
然而，风机常年运行在环境复杂甚至恶劣的情况下，一些区域的风机常年运行在云雾中，一些风机位于年降雨量富足的区域。这样的高雨蚀环境，给风机叶片的运行带来挑战。为了不断追求更低的度电成本，风机叶片长度增加，叶尖区域的线速度通常达到80～120m/s。加之风速的叠加，叶片尖部区域尤其是翼型前缘会以极高的速度与空气中的水分子发生撞击，加之常年日照、空气中盐雾等化学成分对叶片前缘保护***侵蚀，翼型前缘部位不断累积产生损伤，即前缘腐蚀。前缘腐蚀涉及叶尖气动外形的损伤，且位于前缘区域，沿长度方向主要分布在叶片远端1/3附近区域，损伤本身及损伤程度会直接体现在叶片的气动噪声中。
腐蚀早期阶段主要在涂层和腻子层，对发电量影响有限，且可维修性强，维修时间短，很容易恢复到原来的气动外形。而后期阶段，损伤深入结构层，如玻璃钢乃至粘接胶，一方面维修难度大，时间长，且由于原有结构层破坏了支持外形的轮廓，维修很难恢复到原有气动外形，对气动性能的影响大且具有一定程度的不可逆性；另一方面，雨水、盐雾等侵入叶片腔体内部，会影响内部裸露的玻璃钢和粘接界面，甚至侵入夹心结构，影响叶片结构强度及寿命。因此基于机位进行叶片前缘腐蚀的早期识别，确保在腐蚀深入结构层之前完成识别和维修，是叶片运维的关键。当前叶片损伤的识别多采用人工巡检的方式，费时费力，且通常一年一次，具有滞后性。随着风机累积装机量的攀升，由于巡检资源限制，一些风场一年一次的巡检都很难保障。
现有一些叶片在线监测解决方案，多针对叶片有无损伤，缺乏针对叶片前缘腐蚀损伤的监测，也无前缘腐蚀损伤程度识别的监测***和解决方案。
申请号为CN201710287370.1的专利，公布了一种基于边缘分割的风机叶片保护膜损伤检测方法，该专利主要涉及叶片图像信号的叶片保护膜损伤识别方法。叶片外观图像的获取通常需要在风机停机状态下进行，且受环境光线，传感器角度及风速等多种因素的影响，很难做到实时识别与监测。申请号为CN201820791284.4、CN201620757688.2的专利，采用粘贴在叶片上的光纤应变监测***监测叶片的结构性裂纹和损伤，损伤能够监测到损伤至结构层的前缘腐蚀，但无法精确区分和定位前缘腐蚀的损伤类型及程度，不能针对性地在前缘腐蚀初期识别并预警出腐蚀情况。申请号为CN201210205204.X的专利，公开了一种基于无线声发射传感器网络的风电叶片损伤监测定位***，采用无线声发射的技术，未明确提及对叶片前缘腐蚀的识别。申请号为CN202010241827.7的专利，公开了一种风电叶片外场无人机双光源检测***及方法，虽然可以比较直观的识别叶片的外观和结构损伤，但只属于一种半智能化的叶片损伤检测方法，而非一套完备的在线监测***，不具有实时性。
现有技术中急需一套有针对性的在线监测***，能够及时识别各个机位的前缘腐蚀状态，避免腐蚀导致的电量损失。
发明内容
本申请提出一种叶片前缘腐蚀的监测方法及***，拟采用叶片的气动噪声信号及特征进行叶片前缘腐蚀的在线监测，进而识别前缘腐蚀损伤，并判定其损伤类别，为前缘腐蚀的早期识别和检修提供预警。
根据本申请的叶片前缘腐蚀的监测方法，包括以下步骤：
(1)通过声音传感器采集叶片的扫风信号；
(2)通过条件过滤模块，以固定间隔获取满足条件的风机运行过程中的声音数据；
(3)通过数据质量处理模块对声音数据进行质量检测，筛除数据质量差的声音数据；
(4)识别叶片前缘腐蚀是否存在并评估腐蚀的严重程度，腐蚀程度超出设定的阈值时给出预警信息。
优选地，还包括步骤(5)：根据历史因子数据展示腐蚀损伤的速率，并给出损伤速率超出阈值的机位。
其中，步骤(3)中，对声音数据进行质量检测包括对声音样本进行训练和对测试数据进行判断两个步骤，其中对声音样本进行训练包括以下步骤：
(1.1)积累正常无噪声声音样本作为训练数据，其余无噪声样本作为验证集；
(1.2)对训练数据中的每个样本，进行变换得到谱图矩阵S；
(1.3)对谱图矩阵S进行变换得到能量谱矩阵S′；
(1.4)设定频率维度长度，使得时间维度长度大于频率维度长度；
(1.5)将时间维度长度降维至频率维度长度，形成方阵Sx；
(1.6)对所有训练数据进行处理，构成训练集
Figure BDA0002836591980000034
(1.7)记录训练集数据的全局均值和标准差；
(1.8)构建自编码器模型进行模型训练，以最小化归一化均方根误差为目标选择优化方式，训练完毕后保存模型；
(1.9)对验证集的数据进行上述特征提取和归一化处理，利用训练好的自编码器模型进行预测；
(1.10)对所有验证集数据的预测结果进行重构误差计算，得到误差阈值α；
对测试数据进行判断包括以下步骤：
(2.1)对任意测试数据x进行上述步骤(1.1)-(1.6)的操作；
(2.2)根据训练集
Figure BDA0002836591980000032
的全局均值和标准差对测试数据进行归一化操作；
(2.3)输入训练好的自编码器模型进行预测，得到重构样本
Figure BDA0002836591980000031
(2.4)计算x与
Figure BDA0002836591980000033
之间的重构误差ε，与误差阈值α进行比较，判断声音信号的质量。
其中，步骤(4)中，根据输入的叶片前缘保护方案类型选择损伤判定模块，叶片前缘保护方案包括在叶片的前缘分别设置保护膜或保护漆进行损伤监测。
优选地，在叶片的前缘设置保护膜进行损伤监测的方法包括以下步骤：
(1)实时采集一段时间内风机叶片扫风的多包声音信号，对采集到的扫风信号进行短时傅里叶变换得到频谱图；
(2)对声音信号进行变换和分割，计算该时间段内每包数据的能量互差因子值，判断能量互差因子值是否超过阈值；同时，对图像中的哨声形态进行识别；
(3)识别出频谱图中哨声的位置并对哨声轮廓对应的最大频率和最小频率进行定位；
(4)计算哨声发声位置距离轮毂中心的距离；
(5)判定风机叶片的损伤类型和损伤位置。
其中，判断能量互差因子值是否超过阈值的步骤包括：
(1)根据局部最大值查找算法对叶片扫风信号频谱图进行分割，得到每一支叶片扫风信号在频谱图上的时域分割点；
(2)基于频谱图，计算每一支叶片在不同时间间隔内的扫风能量和；
(3)以风机叶片数为扫风周期，计算每一支叶片的平均扫风能量和；
(4)对叶片扫风能量进行归一化计算，得到能量互差因子值；
(5)对每包声音信号数据，判断能量互差因子是否超过设定阈值。
其中，哨声识别及损伤定位包括以下步骤：
(1)将变换得到的频谱图保存为图像格式；
(2)基于图像目标检测算法对图像中的哨声形态进行识别，识别谱图中哨声的位置并对哨声轮廓对应的最大频率和最小频率进行定位；
(3)计算哨声发声位置距离轮毂中心的距离。
其中，在叶片的前缘设置保护漆进行损伤监测的方法包括训练阶段和在线运行阶段。
优选地，训练阶段包括以下步骤：
(1)采集一段时间内多组音频信号，获取每组音频对应时间的平均转速值；
(2)对音频信号进行转换后得到频谱图，并转换成能量水平；
(3)对工况进行筛选，选定某一转速范围内的数据；
(4)每组音频信号通过上述处理得到一个样本，以转速作为自变量，目标频段最大能量水平为因变量，对多个样本点的转速和能量水平进行线性拟合，并计算能量水平的残差分布；
(5)对每个频段分别进行上述步骤(4)的操作得到线性模型。
优选地，在线运行阶段包括以下步骤：
(1)实时采集一组音频信号及其对应的转速值，判断转速值是否处在训练数据筛选的转速范围内；
(2)采用训练得到的模型，根据转速预测目标频段的预测能量水平，并计算该组音频信号能量水平和预测能量水平的残差大小；
(3)选取采集到的多组有效数据，计算残差的平均值；
(4)根据训练数据残差分布和在线运行残差平均值，采用预测因子评估保护漆损伤水平的大小；
(5)选择多个频段进行拟合时，最终预测因子取同一时间下各个频段预测因子的中值；
(6)利用规则根据当前因子和历史因子判断故障所在阶段。
本申请还涉及一种叶片前缘腐蚀的监测***，包括用于采集声音信号的至少一个声音传感器，至少一个机端采集器，以及包含算法的软件***，所述软件***中的算法用于执行根据如上所述的监测方法。
其中，所述软件***至少包括算法模块、数据管理模块、配置及用户管理模块、监测与预警展示模块；算法模块根据采集到的声音信号和叶片前缘保护方案类型对叶片前缘腐蚀的情况进行识别并判断损伤程度，当损伤超过设定阈值时，发出预警信息；数据管理模块对采集到的声音数据和算法模块计算得到的数据进行管理；配置及用户管理模块用于提供用户对***参数的配置输入和对用户信息的管理维护；监测与预警展示模块用于向用户提供监测和预警结果的信息展示。
其中，所述软件***设置在机端采集器、站端服务器或云端服务器上；所述监测***还包括采集柜，采集柜包括雷电保护模块、电源滤波器、空气开关、信号采集器、无线收发模块中的至少一个；所述采集柜内设有对初始数据做条件过滤的数据处理装置。
本申请的叶片前缘腐蚀的监测方法及***，能够及时识别基于机位级别的叶片前缘腐蚀，在叶片前缘腐蚀损伤至结构层之前提供报警信息，支持针对性的及时维护，避免损伤至结构层的严重腐蚀，减小气动性能损伤，缩短维修周期，提高维修质量，避免疲劳载荷的增加。同时，还可以提供叶片前缘腐蚀速率曲线，针对腐蚀速率快的机位，可以进行有针对性地进行前缘保护***的升级和技术改造，优化经济效益。
附图说明
图1为本申请的叶片前缘腐蚀的监测***的组成示意图。
图2为本申请的叶片前缘腐蚀的监测方法的步骤流程图。
图3显示根据历史因子数据展示损伤速率并给出损伤速率超出阈值的机位的示意图。
图4为实施例中风机监测的前缘保护漆损伤因子沿时间的变化曲线图。
图5为实施例中风机的前缘腐蚀速率变化率统计结果图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
本申请旨在及时识别基于机位级别的叶片前缘腐蚀，在叶片前缘腐蚀损伤至结构层之前提供报警信息，支持针对性的及时维护，避免损伤至结构层的严重腐蚀，减小气动性能损伤，缩短维修周期，提高维修质量，避免疲劳载荷的增加。同时，以此为基础，监测***可提供叶片前缘腐蚀速率曲线，针对腐蚀速率快的机位，风场管理人员可以进行有针对性地进行前缘保护***的升级和技术改造，优化经济效益。
如图1所示，根据本申请的一种叶片前缘腐蚀的监测***，包括安装在风机塔筒上或安装在距离风机一定距离的至少一个声音传感器1，用于采集叶片的扫风信号。声音传感器1还可以设置安装支架，可配置防风防雨和抗冰冻的功能。还包括包含算法、数据存储、监测和预警结果展示的软件***。软件***可以根据需要设置在机端采集器4、站端服务器2或云端服务器3上。为确保风场网络安全，该监测***可根据需要配置正向或反向型网络安全隔离装置。
优选地，监测***可以包括采集柜，采集柜可以包括雷电保护模块、电源滤波器、空气开关、信号采集器、无线收发模块中的至少一个。空气开关、雷电保护模块、电源滤波器可确保监测***有更强的环境适应能力，不受雷电、电磁干扰的影响。无线收发模块主要解决风机环网不能及时与外网通讯的问题，用于当风机无法与外网通讯时，软件和算法的升级、采集数据实时回传至云端。信号采集器用于采集风机的运行数据和/或环境数据。
优选地，采集柜内设有数据处理装置，对初始数据做条件过滤，即包含条件过滤模块，该条件过滤模块主要用于根据转速、偏航、变桨等工况条件，判定所采集的数据是否存储并用于进一步的分析。优选地，每台风机的监测数据，通过风场环网统一回传至站端服务器，再通过网络安全隔离装置，将预警结果及原始数据上传云端服务器。站端服务配置了用于数据解析、算法运算、因子计算、监测和预警展示等模块的软件***；站端服务器支持安全的云端算法库的连接，支持移动端app乃至工单***的接口。云端服务器提供数据存储，结果展示等功能。为了适应现实情况的需要，所述监测***也支持将所有软件和数据配置并存储在机端采集器内。
所述软件***至少包括算法模块、数据管理模块、配置及用户管理模块、监测与预警展示模块。算法模块根据采集到的声音信号和选择的叶片前缘保护方案类型对叶片前缘腐蚀的情况进行识别并判断损伤程度，当损伤超过设定阈值时，发出预警信息；数据管理模块对采集到的声音数据和算法模块计算得到的数据进行管理；配置及用户管理模块用于提供用户对***参数的配置输入和对用户信息的管理维护；监测与预警展示模块用于向用户提供监测和预警结果的信息展示。
如图2所示，本申请的软件***中算法模块的运算过程主要包括：
(1)采集器通过条件过滤模块，以固定间隔获取满足条件的风机运行过程中的声音数据和对应时刻的风机状态参数，如转速、桨角和偏航角等；
(2)通过数据质量处理模块对声音数据进行质量检测，筛除数据质量差的声音数据；
(3)根据输入的叶片前缘保护方案类型选择损伤判定模块，采用保护膜损伤模块或保护漆损伤模块识别叶片前缘腐蚀是否存在并评估腐蚀的严重程度，分别输出保护膜损伤因子或保护漆损伤因子值，并根据阈值给出报警信息；
(4)根据历史因子数据展示损伤速率，并给出损伤速率超出阈值的机位。如图3所示，横坐标为机位号，纵坐标为损伤速率。通过对应模块的因子值，判定损伤的严重程度。针对腐蚀速率快的机位，风场管理人员可以进行有针对性地进行前缘保护***的升级和技术改造。
在步骤(2)中，对声音数据进行质量检测包括对声音样本进行训练和对测试数据进行判断两个步骤，其中对声音样本进行训练包括以下步骤：
(1)积累一定量的正常无噪声声音样本作为训练数据，其余无噪声样本作为验证集；
(2)对训练数据中的每个样本，进行短时傅里叶变换得到其复数形式的谱图矩阵S；
(3)对谱图矩阵S进行对数变换得到能量谱矩阵S′；
其中，两个矩阵S,S′的大小由短时傅里叶变换的频率分辨率参数决定其频率维度长度，由短时傅里叶变换的参数和原始声音信号时长共同决定其时间维度长度；分辨率越大，结果越精确，但对运算能力的要求就越高，也即维度长度越大，计算过程越慢，因此频率维度长度的选择是一般是通过平衡分辨率和模型的运算效率来确定；
(4)将频率维度长度固定设置为某一长度，例如256，使得时间维度长度大于频率维度长度；
(5)使用主成分分析法(PCA)将时间维度长度降维至频率维度长度，形成方阵Sx；
(6)对所有训练数据进行处理，构成训练集
Figure BDA0002836591980000071
其中每个样本尺寸例如均为256×256；
(7)记录训练集数据的全局均值和标准差以便后续进行归一化处理；
(8)构建自编码器模型，模型深度例如为5+5，编码器中卷积核的数量由小至大，解码器中卷积核数量对称减少；此处模型的深度是指卷积层的个数，即编码器与解码器各由5层卷积层、池化层及相关结构组成；
(9)进行模型训练，以最小化归一化均方根误差为目标选择优化方式，训练完毕后保存模型，本方法使用带正则化的Adam优化方法；
(10)对验证集的数据进行上述特征提取和归一化处理，利用训练好的自编码器模型进行预测；
(11)对所有验证集数据的预测结果进行重构误差计算，得到误差阈值α；
对测试数据进行判断包括以下步骤：
(1)对任意测试数据x进行上述步骤(1.1)-(1.6)的操作，得到例如256×256的特征矩阵；
(2)根据训练集
Figure BDA0002836591980000072
的全局均值和标准差对测试数据进行归一化操作；
(3)输入训练好的自编码器模型进行预测，得到重构样本
Figure BDA0002836591980000073
(4)计算x与
Figure BDA0002836591980000081
之间的重构误差ε，与误差阈值α进行比较；
(5)若误差ε大于阈值α，则代表此时数据为受到噪声干扰的数据，其干扰严重程度由ε相较于α的偏离程度决定，偏离越大则数据质量越差。
本申请从对混合噪声的信号分析处理算法角度进行对声音信号质量的检测、评估和把控；对受到混合噪声干扰的信号通过端到端的一体化建模进行分析，无需收集噪声数据即可以无监督的方式形成准确的声音信号质量检测***，为后续的诊断分析提供可靠输入。
在步骤(3)中，叶片前缘保护方案类型通常包括在叶片的前缘分别设置保护膜或保护漆来进行损伤监测。
当采用保护膜方案时，其损伤监测方法包括以下步骤：
(1)实时采集一段时间内风机叶片扫风的多包声音信号，对采集到的扫风信号进行短时傅里叶变换得到频谱图；
(2)对声音信号进行变换和分割，计算该时间段内每包数据的能量互差因子值，判断能量互差因子值是否超过阈值；同时，对图像中的哨声形态进行识别；
(3)识别出频谱图中哨声的位置并对哨声轮廓对应的最大频率和最小频率进行定位；
(4)计算哨声发声位置距离轮毂中心的距离；
(5)判定风机叶片的损伤类型和损伤位置。
更具体地，能量互差因子值的计算步骤包括：
(1)对采集到的每包声音信号进行短时傅里叶变换，得到频谱图；
(2)根据局部最大值查找算法对叶片扫风信号频谱图进行分割，得到每一支叶片扫风信号在频谱图上的时域分割点；
(3)基于频谱图，计算每一支叶片在不同时间间隔内的扫风能量和；
(4)以风机叶片数为扫风周期，计算每一支叶片的平均扫风能量和；由于大部分的风机有3只叶片，所以可以以3次扫风为一个扫风周期，以不同周期内的同一只叶片扫风的能量计算平均扫风能量和；
(5)对叶片扫风能量进行归一化计算，得到能量互差因子值factor，其中因子值的归一化公式如下：
Figure BDA0002836591980000082
其中，ene为每支叶片的能量和集合，即ene＝(ene1,enei,……enen)，n为叶片数量。
(6)对每包声音信号数据，判断能量互差因子是否超过设定阈值。如果不超过阈值，叶片无损伤；如果超过阈值，则叶片存在损伤。
哨声识别及损伤定位的方法包括以下步骤：
(1)对采集到的一段时间内的扫风信号进行短时傅里叶变换，得到频谱图；
(2)将频谱图保存为图像格式；
(3)基于图像目标检测算法对图像中的哨声形态进行识别，可以识别谱图中哨声的位置并对哨声轮廓对应的最大频率和最小频率进行定位。当图片中有哨声，则算法会输出相应的坐标和概率，当图片中没有哨声时，算法没有输出。其中，基于图像目标检测算法可以采用例如faster-rcnn、yolo等模型。
(4)若图像中存在哨声，应用多普勒频移效应，计算哨声发声位置距离轮毂中心的距离，计算公式如下：
Figure BDA0002836591980000091
其中，τ为叶片转一圈所需的时间，Vs为当地环境声速，FH和FL分别为哨声形态所对应的多普勒偏移最大频率和最小频率。其中，环境声速可以采用Vs＝(331.45+0.61*t)m·s-1来计算，331.45是0度时声音在空气中的速度，t为环境温度(℃)。
根据上述图像识别得到的频率参数、转速参数、结合风机同步采集的风机状态参数如风速等，从而通过上述公式计算实际的损伤位置。当损伤位置远离排水孔时，叶片发生保护膜损伤，当损伤位置接近排水孔时，叶片可能发生保护膜损伤或排水孔堵塞。当损伤位置接近叶根时，哨声可能由于叶片变桨时的机械卡滞而引起。其中，转速参数可以根据能量互差计算模块中分割得到的时域作为周期来计算或者直接使用传感器采集的风机转速参数。
本申请的风机叶片保护膜的损伤监测方法，其通过音频信号对叶片保护膜损伤进行非接触式监测，能够实时监控叶片健康状态的同时，达到无损检测的目的。同时，通过声音信号的多普勒频移效应以及基于频谱图的图像目标检测方法，可对损伤的类型进行详细识别，损伤位置也可进行定位，使保护膜损伤监测更具针对性、多样性和有效性。
当采用保护漆方案时，其损伤监测方法包括训练阶段和在线运行阶段，训练阶段包括以下步骤：
(1)采集一段时间内多组音频信号，获取每组音频对应时间的平均转速值；其中，平均转速值可以从外部***获取，当外部无法获得转速时，也可以通过识别音频信号中单位时间的扫风次数计算平均转速值；
(2)对音频信号进行短时傅里叶变换(STFT)转换后得到频谱图，并转换成能量水平；此处的能量水平是指表征扫风声音能量大小的参数，可以采用例如声压级等作为能量水平的评价指标；
(3)数据筛选：对工况进行筛选，选定某一转速范围内的数据，滤除低转速噪点和满发时的数据点；选定的转速通常为该风机的较高转速区间；其中，风机转速范围可以根据风机自身参数和是否限定采集条件来决定；满发是指最高的转速值，即某个风速下达到这个转速后，风速再增加，转速也不会随之增加，功率也会变成近似额定功率；
(4)每组音频信号通过上述处理得到一个样本，则一段时间内多组音频信号可得到多个样本。以转速作为自变量，目标频段最大能量水平为因变量，采用线性回归对多个样本点的转速和能量水平进行线性拟合，并计算能量水平的残差分布，如n-sigma值；
(5)选择多个频段时，对每个频段分别进行步骤(4)的操作得到线性模型。因保护漆损伤在很大范围的频段内都有相同的表现，目标频段可以选择一个或多个(5000Hz～16000Hz)，选择多个频段时，可以使每个频段范围较小，线性关系更强。
在线运行阶段包括以下步骤：
(1)实时采集一组音频信号及其对应的转速值，判断转速值是否处在训练数据筛选的转速范围内。当转速在筛选范围内，对该音频信号进行STFT转换并计算其能量水平；当转速不在筛选范围内，则不进行后续操作；
(2)采用训练得到的模型根据转速预测目标频段的预测能量水平，并计算该组音频信号能量水平和预测能量水平的残差大小；
(3)选取采集到的多组有效数据，计算残差的平均值；
(4)根据训练数据残差分布和在线运行残差平均值，评估保护漆损伤水平的大小，公式可以如下：
Figure BDA0002836591980000101
其中，x为在线运行残差平均值，y为保护漆损伤水平大小即预测因子，base为当前风机损伤水平基准值，当y＝0时，表示保护漆无损伤，当y＝1时，表示保护漆损伤严重；nsigma为训练数据残差平均值和n倍的标准差之和，n可以根据监测精度的要求来确定；
(5)当选择多个频段进行拟合时，最终预测因子取同一时间下各个频段因子的中值；
(6)利用规则根据当前因子和历史因子判断故障所在阶段，并输出故障阶段和是否在当前发生突变。
本申请的风机叶片保护漆的损伤监测方法，具有以下有益技术效果：可以实现在线实时监测和无接触监测，保证监测的及时性和高效性，同时避免了监测可能造成的损伤；基于叶片扫风时其转速和扫风声音的能量水平呈线性关系的机理，利用保护漆损伤时，该关系曲线会沿能量水平高的方向平移的现象，仅用音频信号就可以对保护漆损伤进行识别，使得监测和识别更加高效和准确；针对保护漆损伤故障演进不同阶段速率不同的机理，可以对保护漆损伤程度进行判断，提高了损伤监测的精确性，为后续维修提供更精确的维修建议；基于拟合多窄频段取中值的方法，能够有效去除其他类型故障和各类环境噪声带来的干扰，而不需要在早期对数据进行去噪处理，从而节约了数据处理程序，提高了数据处理效率；根据叶片扫风能量水平变化趋势最终映射到故障水平，能够及时对正在劣化的叶片进行预警，提高了预警效率和预警准确度。
实施例
以某高雨蚀风场1.5MW风机的叶片为例，监测***的传感器被安装在塔筒底部合适位置，传感器高度方向的位置确定参考：距离叶片最近距离不大于30m，传感器周向位置参考该风机主风向位置进行确定。传感器固定在支架上，支架通过磁吸和结构胶粘贴在塔筒外表面，传感器通过信号线与采集柜相连。采集柜通过螺栓连接布置在塔底平台，采集柜通过网口、塔底风场环网路由器进入风场环网。服务器布置在升压站，与风场环网相连，服务器与风场常规监测***SCADA相连，通过Modbus软网关与Scada通讯，获取桨角、偏航角、有功功率、转速等状态信息，并通过风场环网传递给对应机位的采集器。服务器通过正向、反向隔离装置与外网相连，并与云端服务器通讯。云端服务器通过正向隔离装置获取站端服务器的监测数据、监测***状态和结果；通过反向隔离装置下发算法和软件升级包，并支持远程配置。
监测***软件功能包括：智能监控、智能告警、音频展示、雨蚀失效模式展示、因子展示；自动化报告，即自动出具任何时间范围内各个机位叶片雨蚀状态、预警结果及速率等相关信息的报告，提供权限、配置、接口的管理页面，也展示监测***自诊断结果。
通过配置采集器端的条件采集策略，采集器自动通过麦克风以固定时间间隔，如每间隔1小时采集进行一包时间长度为60s的数据，并结合同一时刻从站端服务器传递过来的风机状态数据，进行条件判断，通过判定条件的数据将被保存，并回传至站端服务器；当所采集的声音数据不满足判定条件时，***将继续采集下一包数据，直到满足采集条件为止；下一个采集节点为上一个采集节点结束后的1个小时。作为示例，上述判定条件可以是例如转速大于等于X，小于等于Y；桨角值在60s内无变化；偏航角在60s内变化角度小于等于30度；风机有功功率大于500W。
按照如图2所示流程，采集器通过条件过滤模块，以固定间隔获取满足条件的风机运行过程中的声音数据和对应时刻的风机状态参数，例如转速、桨角和偏航角、有功功率等；通过数据质量处理模块清洗声音数据，将风机机械噪声、来自电源或其他部件的电磁干扰、来自环境的噪声虫鸣、鸟叫等干扰叶片气动噪声信号的低质量数据清洗掉，筛选出扫风图谱清洗的噪声，根据输入的叶片前缘保护方案类型选择保护漆损伤模块，采用保护漆损伤模块识别叶片前缘腐蚀计算保护漆损伤因子，进行前期数据处理，并计算前缘腐蚀因子。
图4为该风机监测3年周期内的前缘保护漆损伤因子沿时间的变化曲线，其中A、B、C三点分别为雨蚀损伤初期(基本无损伤或轻微涂层损伤)、中期(涂层和腻子层全部损伤，玻璃钢裸露)和后期(损伤至结构层)对应的因子值，因子值已被归一化。当因子值大于等于阈值A0，小于阈值B0时，***给出黄色警示信息，建议客户关注叶片雨蚀情况；当因子值大于等于阈值B0，小于阈值C0时，***给出橙色警示信息，建议客户在当年小风季对该机位进行前缘腐蚀的维修；当因子值大于等于阈值C0，***给出红色警示信息，要求客户尽快停机维修该机位的前缘腐蚀。
图5为该风机3年内前缘腐蚀速率变化率统计结果，其中D、E、F三点为雨蚀损伤初期、中期和后期对应的腐蚀速率，各点的腐蚀速率＝(该时间点前1.5个月的损伤因子-该时间点后1.5个月的损伤因子)/3个月；腐蚀速率阈值为D0、E0、F0；当该风机前缘腐蚀速率各时间点有任意一个点超出阈值时，***将给出警示信息，提醒客户该台风机前缘腐蚀速率过快，建议客户考虑选择更长寿命的前缘保护***进行技改。
本申请所述***主要采用便于安装和维护的非接触式采集***，通过实时监测叶片的气动噪声，通过针对性的前缘腐蚀损伤判定模块，针对性判断前缘腐蚀及其程度，相对于其他基于声音监测叶片损伤的方法，更有针对性，且对损伤维修最佳时间点给出清晰的预警，十分有利于针对性的智能维护。
虽然本申请所揭露的实施方式如上，但所述的内容只是为了便于理解本申请而采用的实施方式，并非用以限定本申请。任何本申请所属技术领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (14)

1.一种叶片前缘腐蚀的监测方法，其特征在于：包括以下步骤：
（1）通过声音传感器采集叶片的扫风信号；
（2）通过条件过滤模块，以固定间隔获取满足条件的风机运行过程中的声音数据；
（3）通过数据质量处理模块对声音数据进行质量检测，筛除数据质量差的声音数据；
（4）识别叶片前缘腐蚀是否存在并评估腐蚀的严重程度，腐蚀程度超出设定的阈值时给出预警信息；
其中，步骤（3）中，对声音数据进行质量检测包括对声音样本进行训练和对测试数据进行判断两个步骤，其中对声音样本进行训练包括以下步骤：
（1.1）积累正常无噪声声音样本作为训练数据，其余无噪声样本作为验证集；
（1.2）对训练数据中的每个样本，进行变换得到谱图矩阵S；
（1.3）对谱图矩阵S进行变换得到能量谱矩阵；
（1.4）设定频率维度长度，使得时间维度长度大于频率维度长度；
（1.5）将时间维度长度降维至频率维度长度，形成方阵
Figure 564938DEST_PATH_IMAGE001
；
（1.6）对所有训练数据进行处理，构成训练集
Figure 785835DEST_PATH_IMAGE002
；
（1.7）记录训练集数据的全局均值和标准差；
（1.8）构建自编码器模型进行模型训练，以最小化归一化均方根误差为目标选择优化方式，训练完毕后保存模型；
（1.9）对验证集的数据进行特征提取和归一化处理，利用训练好的自编码器模型进行预测；
（1.10）对所有验证集数据的预测结果进行重构误差计算，得到误差阈值；
对测试数据进行判断包括以下步骤：
（2.1）对任意测试数据进行上述步骤（1.1）-（1.6）的操作；
（2.2）根据训练集
Figure 778936DEST_PATH_IMAGE002
的全局均值和标准差对测试数据进行归一化操作；
（2.3）输入训练好的自编码器模型进行预测，得到重构样本；
（2.4）计算与之间的重构误差，与误差阈值进行比较，判断声音信号的质量。
2.根据权利要求1所述的监测方法，其特征在于：步骤（4）中，根据输入的叶片前缘保护方案类型选择损伤判定模块，叶片前缘保护方案包括在叶片的前缘分别设置保护膜或保护漆进行损伤监测。
3.根据权利要求2所述的监测方法，其特征在于：在叶片的前缘设置保护膜进行损伤监测的方法包括以下步骤：
（1）实时采集一段时间内风机叶片扫风的多包声音信号，对采集到的扫风信号进行短
时傅里叶变换得到频谱图；
（2）对声音信号进行变换和分割，计算该时间段内每包数据的能量互差因子值，判断能量互差因子值是否超过阈值；同时，对图像中的哨声形态进行识别；
（3）识别出频谱图中哨声的位置并对哨声轮廓对应的最大频率和最小频率进行定位；
（4）计算哨声发声位置距离轮毂中心的距离；
（5）判定风机叶片的损伤类型和损伤位置。
4.根据权利要求3所述的监测方法，其特征在于，判断能量互差因子值是否超过阈值的步骤包括：
（1）根据局部最大值查找算法对叶片扫风信号频谱图进行分割，得到每一支叶片扫风信号在频谱图上的时域分割点；
（2）基于频谱图，计算每一支叶片在不同时间间隔内的扫风能量和；
（3）以风机叶片数为扫风周期，计算每一支叶片的平均扫风能量和；
（4）对叶片扫风能量进行归一化计算，得到能量互差因子值；
（5）对每包声音信号数据，判断能量互差因子是否超过设定阈值。
5.根据权利要求3或4所述的监测方法，其特征在于，哨声识别及损伤定位包括以下步骤：
（1）将变换得到的频谱图保存为图像格式；
（2）基于图像目标检测算法对图像中的哨声形态进行识别，识别谱图中哨声的位置并对哨声轮廓对应的最大频率和最小频率进行定位；
（3）计算哨声发声位置距离轮毂中心的距离。
6.根据权利要求2所述的监测方法，其特征在于：在叶片的前缘设置保护漆进行损伤监测的方法包括训练阶段和在线运行阶段。
7.根据权利要求6所述的监测方法，其特征在于：训练阶段包括以下步骤：
（1）采集一段时间内多组音频信号，获取每组音频对应时间的平均转速值；
（2）对音频信号进行转换后得到频谱图，并转换成能量水平；
（3）对工况进行筛选，选定某一转速范围内的数据；
（4）每组音频信号通过上述处理得到一个样本，以转速作为自变量，目标频段最大能量水平为因变量，对多个样本点的转速和能量水平进行线性拟合，并计算能量水平的残差分布；
（5）对每个频段分别进行上述步骤（4）的操作得到线性模型。
8.根据权利要求7所述的监测方法，其特征在于：在线运行阶段包括以下步骤：
（1）实时采集一组音频信号及其对应的转速值，判断转速值是否处在训练数据筛选的转速范围内；
（2）采用训练得到的模型，根据转速预测目标频段的预测能量水平，并计算该组音频信号能量水平和预测能量水平的残差大小；
（3）选取采集到的多组有效数据，计算残差的平均值；
（4）根据训练数据残差分布和在线运行残差平均值，采用预测因子评估保护漆损伤水平的大小；
（5）选择多个频段进行拟合时，最终预测因子取同一时间下各个频段预测因子的中值；
（6）利用规则根据当前因子和历史因子判断故障所在阶段。
9.根据权利要求1-4、6-8中任一项所述的监测方法，其特征在于：在判断腐蚀程度超出设定的阈值并给出预警信息后，所述监测方法还包括以下步骤：
根据历史因子数据展示腐蚀损伤的速率，并给出损伤速率超出阈值的机位。
10.一种叶片前缘腐蚀的监测***，其特征在于：包括用于采集声音信号的至少一个声音传感器，至少一个机端采集器，以及包含算法的软件***，所述软件***中的算法用于执行根据权利要求1-9中任一项所述的监测方法。
11.根据权利要求10所述的监测***，其特征在于：所述软件***包括算法模块、数据管理模块、配置及用户管理模块、监测与预警展示模块；
算法模块根据采集到的声音信号和叶片前缘保护方案类型对叶片前缘腐蚀的情况进行识别并判断损伤程度，当损伤超过设定阈值时，发出预警信息；数据管理模块对采集到的声音数据和算法模块计算得到的数据进行管理；配置及用户管理模块用于提供用户对***参数的配置输入和对用户信息的管理维护；监测与预警展示模块用于向用户提供监测和预警结果的信息展示。
12.根据权利要求10或11所述的监测***，其特征在于：所述软件***设置在机端采集器、站端服务器或云端服务器上。
13.根据权利要求10或11所述的监测***，其特征在于：所述监测***还包括采集柜，采集柜包括雷电保护模块、电源滤波器、空气开关、信号采集器、无线收发模块中的至少一个。
14.根据权利要求13所述的监测***，其特征在于：所述采集柜内设有对初始数据做条件过滤的数据处理装置。
CN202011478576.0A 2020-12-15 2020-12-15 一种叶片前缘腐蚀的监测方法及*** Active CN112727704B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011478576.0A CN112727704B (zh) 2020-12-15 2020-12-15 一种叶片前缘腐蚀的监测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011478576.0A CN112727704B (zh) 2020-12-15 2020-12-15 一种叶片前缘腐蚀的监测方法及***

Publications (2)

Publication Number Publication Date
CN112727704A CN112727704A (zh) 2021-04-30
CN112727704B true CN112727704B (zh) 2021-11-30

Family

ID=75602329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011478576.0A Active CN112727704B (zh) 2020-12-15 2020-12-15 一种叶片前缘腐蚀的监测方法及***

Country Status (1)

Country Link
CN (1) CN112727704B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111306008B (zh) * 2019-12-31 2022-03-11 远景智能国际私人投资有限公司 风机叶片的检测方法、装置、设备及存储介质
CN113205514A (zh) * 2021-05-27 2021-08-03 上海扩博智能技术有限公司 获取风机叶片腐蚀信息的方法、***、设备和存储介质
CN114000989B (zh) * 2021-11-30 2023-07-18 中国华能集团清洁能源技术研究院有限公司 一种风力发电机组叶片气动性能衰减检测方法及测试***
CN114777913B (zh) * 2022-04-28 2024-06-07 西安热工研究院有限公司 一种风机叶片状态监测的预警方法及***
CN115376302A (zh) * 2022-08-08 2022-11-22 明阳智慧能源集团股份公司 一种风机叶片故障预警方法、***、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10418024B1 (en) * 2018-04-17 2019-09-17 Salesforce.Com, Inc. Systems and methods of speech generation for target user given limited data
CN110763997A (zh) * 2019-11-04 2020-02-07 华北电力大学（保定） 一种同步电机定子早期故障预警方法
CN110838302A (zh) * 2019-11-15 2020-02-25 北京天泽智云科技有限公司 基于信号能量尖峰识别的音频分割方法
CN112067701A (zh) * 2020-09-07 2020-12-11 国电电力新疆新能源开发有限公司 基于声学诊断的风机叶片远程听诊方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4195267B2 (ja) * 2002-03-14 2008-12-10 インターナショナル・ビジネス・マシーンズ・コーポレーション 音声認識装置、その音声認識方法及びプログラム
US8712567B2 (en) * 2006-12-22 2014-04-29 Aviat U.S., Inc. Manufactured product configuration
CN102792240B (zh) * 2009-11-16 2016-06-01 Nrg***股份有限公司 用于基于条件的维护的数据获取***
CN102750955B (zh) * 2012-07-20 2014-06-18 中国科学院自动化研究所 基于残差信号频谱重构的声码器
US9395337B2 (en) * 2013-03-15 2016-07-19 Digital Wind Systems, Inc. Nondestructive acoustic doppler testing of wind turbine blades from the ground during operation
CN103793712B (zh) * 2014-02-19 2017-02-08 华中科技大学 一种基于边缘几何特征的图像识别方法及***
CN103971908B (zh) * 2014-05-06 2016-03-09 国家电网公司 一种变压器噪声抑制方法
AU2014101380A4 (en) * 2014-11-14 2015-01-15 TANG, Richard Zhao Kun Mr SC-MH (The solar cube for micro-grid hub)
CN104677623B (zh) * 2015-03-16 2016-08-24 西安交通大学 一种风力发电机叶片故障在位声学诊断方法及监测***
US10403269B2 (en) * 2015-03-27 2019-09-03 Google Llc Processing audio waveforms
CN110996785B (zh) * 2017-05-22 2023-06-23 吉尼泰西斯有限责任公司 生物电磁场中异常的机器判别
EP3447731A1 (en) * 2017-08-24 2019-02-27 Agfa Nv A method of generating an enhanced tomographic image of an object
KR102137151B1 (ko) * 2018-12-27 2020-07-24 엘지전자 주식회사 노이즈 캔슬링 장치 및 그 방법
CN110705456A (zh) * 2019-09-29 2020-01-17 华南理工大学 一种基于迁移学习的微型电机异常检测方法
CN111306008B (zh) * 2019-12-31 2022-03-11 远景智能国际私人投资有限公司 风机叶片的检测方法、装置、设备及存储介质
CN111306010B (zh) * 2020-04-17 2022-03-29 北京天泽智云科技有限公司 风机叶片雷击损伤检测方法及***
CN111601433B (zh) * 2020-05-08 2022-10-18 中国传媒大学 舞台灯光效果控制策略的预测方法及装置
CN111986699B (zh) * 2020-08-17 2023-07-04 西安电子科技大学 基于全卷积网络的声音事件检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10418024B1 (en) * 2018-04-17 2019-09-17 Salesforce.Com, Inc. Systems and methods of speech generation for target user given limited data
CN110763997A (zh) * 2019-11-04 2020-02-07 华北电力大学（保定） 一种同步电机定子早期故障预警方法
CN110838302A (zh) * 2019-11-15 2020-02-25 北京天泽智云科技有限公司 基于信号能量尖峰识别的音频分割方法
CN112067701A (zh) * 2020-09-07 2020-12-11 国电电力新疆新能源开发有限公司 基于声学诊断的风机叶片远程听诊方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度信念网络的猪咳嗽声识别;黎煊等;《农业机械学报》;20171128(第03期);全文 *

Also Published As

Publication number Publication date
CN112727704A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN112727704B (zh) 一种叶片前缘腐蚀的监测方法及***
CN112233091B (zh) 一种风力机叶片图像损伤检测和定位方法
US7895018B2 (en) Event monitoring via combination of signals
US9347432B2 (en) System and method for enhanced operation of wind parks
US10371124B2 (en) System and method for determining wind farm wake loss
JP7199608B2 (ja) 風力タービン翼を検査するための方法および装置、ならびにそれらの機器および記憶媒体
CN109763944B (zh) 一种海上风机叶片故障非接触式监测***及监测方法
CN111539553B (zh) 基于svr算法和偏峰度的风电机组发电机故障预警方法
CN112324629A (zh) 一种基于振动和声音的风电叶片早期损伤监测***及方法
CN111091298B (zh) 一种风电场流场耦合特性评估与智能分群方法及***
CN112727710B (zh) 一种基于音频信号的风场落雷密度统计方法及***
CN112067701B (zh) 基于声学诊断的风机叶片远程听诊方法
CN111415070A (zh) 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法
CN110362045A (zh) 一种考虑海洋气象因素的海上双馈风电机组故障判别方法
CN116480538A (zh) 一种风电叶片结冰状态监测方法及***
CN116163894A (zh) 一种风电场风机叶片状态检测方法、***及存储介质
CN112780503B (zh) 基于音频信号的风机叶片保护漆的损伤监测方法和***
CN113847214A (zh) 一种大型风力发电机组结冰检测方法
EP3406897B1 (en) System and method for determining wind farm wake loss
CN112749820A (zh) 一种风电功率预测方法及***
CN219081774U (zh) 一种风力机叶片状态监测***
CN111878326B (zh) 风机的结冰故障检测方法、***、电子设备和介质
CN116153333A (zh) 一种基于气动噪声的风力机叶片故障诊断方法
CN118008729B (zh) 一种基于北斗的海上风机结构状态监控方法及***
CN115855465A (zh) 一种基于混响噪声的风力机叶片状态监测***和方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant