CN115640503B - 风电机组叶片异常检测方法和装置 - Google Patents
风电机组叶片异常检测方法和装置 Download PDFInfo
- Publication number
- CN115640503B CN115640503B CN202211310179.1A CN202211310179A CN115640503B CN 115640503 B CN115640503 B CN 115640503B CN 202211310179 A CN202211310179 A CN 202211310179A CN 115640503 B CN115640503 B CN 115640503B
- Authority
- CN
- China
- Prior art keywords
- sound data
- blade
- detection
- feature vector
- training
- 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
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Wind Motors (AREA)
Abstract
本申请提出了一种风电机组叶片异常检测方法,涉及风电机组叶片异常检测技术领域,其中,该方法包括:获取第一预设时间内的风电机组叶片内部的声音数据和气候信息,并对声音数据进行预处理和短时傅里叶变换,得到待测声音数据,其中,气候信息包括风速信息和降雨信息;将待测声音数据输入预训练模型,得到原始特征向量;将原始特征向量与气候信息进行拼接,得到拼接特征向量;将拼接特征向量输入GMM模型进行异常检测,得到检测分值,根据预设阈值对检测分值进行判断,得到检测结果。本申请通过采集叶片内部声音数据,并结合转速和降雨信息对风电机组叶片进行异常检测,提高了检测的准确性。
Description
技术领域
本申请涉及风电机组叶片异常检测技术领域,尤其涉及一种风电机组叶片异常检测方法和装置。
背景技术
叶片是大型风力发电机组中获取风能的关键部件,造价约占整机的20%左右。由于叶片长期运行在严酷的自然环境中,承受各种复杂作用力,极易发生各种安全隐患,威胁整机的安全。由于叶片维修、更换,相对于其他设备更为复杂,耗时更长,所以叶片故障引起的停机时长,在机组总故障中的比例高达34%。在风机叶片故障诊断领域,已发展基于声发射、振动分析、光纤光栅、红外热成像等多种原理的检测技术。利用叶片声音数据,再结合数据处理方法实现叶片故障特征提取,具有检测效率高、非接触式、便于安装维护等优点。
现有技术的声音传感器均是利用叶片外部的固定传感器,采集叶片的扫风声音,同时假定环境噪声为简单的背景噪声,进行某种特征值的阈值选定,进一步推断叶片的异常状态。弊端在于,在传播距离上会造成微弱故障信号的减弱,同时固定传感器对于风叶是间断的采集信号,也会造成部分信号的丢失。在特征提取方法上,由于天气等因素的不确定、风电机组转速的不同会导致扫塔声的强弱不同,故计算出来的短时能量数值不同,无法确定一个统一的阈值进行判断。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种风电机组叶片异常检测方法,解决了现有方法叶片外部的固定传感器采集数据会造成部分信号的丢失,同时由于天气等因素会导致计算出来的短时能量数值不同,从而无法确定一个统一的阈值进行判断的技术问题,通过采集叶片内部声音数据,并结合转速和降雨信息对风电机组叶片进行异常检测,提高了检测的准确性。
本申请的第二个目的在于提出一种风电机组叶片异常检测装置。
本申请的第三个目的在于提出一种计算机设备。
本申请的第四个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本申请第一方面实施例提出了一种风电机组叶片异常检测方法,包括:获取第一预设时间内的风电机组叶片内部的声音数据和气候信息,并对声音数据进行预处理和短时傅里叶变换,得到待测声音数据,其中,气候信息包括风速信息和降雨信息;将待测声音数据输入预训练模型,得到原始特征向量;将原始特征向量与气候信息进行拼接,得到拼接特征向量;将拼接特征向量输入GMM模型进行异常检测,得到检测分值,根据预设阈值对检测分值进行判断,得到检测结果。
可选地,在本申请的一个实施例中,对声音数据进行预处理和短时傅里叶变换,得到待测声音数据,包括:
将声音数据根据叶片位置进行分类,得到塔筒预设范围内对应的第一声音数据和其余位置对应的第二声音数据;
丢弃第一声音数据,对第二声音数据进行短时傅里叶变换,得到待测声音数据。
可选地,在本申请的一个实施例中,在将待测声音数据输入预训练模型,得到原始特征向量之前,包括:
获取第二预设时间内的风电机组叶片内部的历史声音数据、风速信息和降雨信息;
分别获取风速信息和降雨信息的等级作为历史声音数据的标签,对历史声音数据进行预处理和短时傅里叶变换,得到训练数据;
使用训练数据对预训练模型进行训练。
可选地,在本申请的一个实施例中,获取风速信息和降雨信息的等级,包括:
根据风速信息所属的范围,确定风速信息的等级;
根据降雨信息所属的范围,确定降雨信息的等级。
可选地,在本申请的一个实施例中,在将拼接特征向量输入GMM模型进行异常检测,得到检测分值之前,包括:
获取第三预设时间内的风电机组叶片内部的历史声音数据和气候信息,对历史声音数据进行预处理和短时傅里叶变换,得到样本数据,将样本数据输入经过训练的预训练模型,得到样本特征向量;
将样本特征向量与气候信息进行拼接,得到样本拼接向量,使用样本拼接向量对GMM模型进行训练。
可选地,在本申请的一个实施例中,检测结果包括叶片正常运行和叶片故障,在根据预设阈值对检测分值进行判断,得到检测结果后,还包括:
若检测结果为叶片正常运行,则使用待测声音数据对预训练模型进行训练更新,并使用拼接特征向量对GMM模型进行训练更新。
为达上述目的,本申请第二方面实施例提出了一种风电机组叶片异常检测装置,包括:声音传感器、无线传输模块和风场服务器,其中,
声音传感器,用于实时采集风电机组叶片内部的声音数据;
无线传输模块,用于将声音数据传输至风场服务器;
风场服务器,用于对声音数据进行预处理和短时傅里叶变换,得到待测声音数据,将待测声音数据输入预训练模型,得到原始特征向量;将原始特征向量与气候信息进行拼接,得到拼接特征向量;将拼接特征向量输入GMM模型进行异常检测,得到检测分值,根据预设阈值对检测分值进行判断,得到检测结果。
可选地,在本申请的一个实施例中,对声音数据进行预处理和短时傅里叶变换,包括:
将声音数据根据叶片位置进行分类,得到塔筒预设范围内对应的第一声音数据和其余位置对应的第二声音数据;
丢弃第一声音数据,对第二声音数据进行短时傅里叶变换,得到待测声音数据。
为达上述目的,本申请第三方面实施例提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现上述施例所述的风电机组叶片异常检测方法。
为了实现上述目的,本申请第四方面实施例提出了一种非临时性计算机可读存储介质,当所述存储介质中的指令由处理器被执行时,能够执行一种风电机组叶片异常检测方法。
本申请的风电机组叶片异常检测方法、装置、计算机设备和非临时性计算机可读存储介质,解决了现有方法叶片外部的固定传感器采集数据会造成部分信号的丢失,同时由于天气等因素会导致计算出来的短时能量数值不同,从而无法确定一个统一的阈值进行判断的技术问题,通过采集叶片内部声音数据,并结合转速和降雨信息对风电机组叶片进行异常检测,提高了检测的准确性。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例一所提供的一种风电机组叶片异常检测方法的流程示意图;
图2为本申请实施例二所提供的一种风电机组叶片异常检测装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的风电机组叶片异常检测方法和装置。
图1为本申请实施例一所提供的一种风电机组叶片异常检测方法的流程示意图。
如图1所示,该风电机组叶片异常检测方法包括以下步骤:
步骤101,获取第一预设时间内的风电机组叶片内部的声音数据和气候信息,并对声音数据进行预处理和短时傅里叶变换,得到待测声音数据,其中,气候信息包括风速信息和降雨信息;
步骤102,将待测声音数据输入预训练模型,得到原始特征向量;
步骤103,将原始特征向量与气候信息进行拼接,得到拼接特征向量;
步骤104,将拼接特征向量输入GMM模型进行异常检测,得到检测分值,根据预设阈值对检测分值进行判断,得到检测结果。
本申请实施例的风电机组叶片异常检测方法,通过获取第一预设时间内的风电机组叶片内部的声音数据和气候信息,并对声音数据进行预处理和短时傅里叶变换,得到待测声音数据,其中,气候信息包括风速信息和降雨信息;将待测声音数据输入预训练模型,得到原始特征向量;将原始特征向量与气候信息进行拼接,得到拼接特征向量;将拼接特征向量输入GMM模型进行异常检测,得到检测分值,根据预设阈值对检测分值进行判断,得到检测结果。由此,能够解决现有方法叶片外部的固定传感器采集数据会造成部分信号的丢失,同时由于天气等因素会导致计算出来的短时能量数值不同,从而无法确定一个统一的阈值进行判断的技术问题,通过采集叶片内部声音数据,并结合转速和降雨信息对风电机组叶片进行异常检测,提高了检测的准确性。
本申请实施例中,当第一预设时间内不存在降雨信息时,可以通过获取历史降雨信息,与原始特征向量拼接,输入GMM模型进行异常检测。
进一步地,在本申请实施例中,对声音数据进行预处理和短时傅里叶变换,得到待测声音数据,包括:
将声音数据根据叶片位置进行分类,得到塔筒预设范围内对应的第一声音数据和其余位置对应的第二声音数据;
丢弃第一声音数据,对第二声音数据进行短时傅里叶变换,得到待测声音数据。
本申请实施例中,将每个叶片的声音数据结合叶片的位置分成两类。示例性的,选择与水平面垂直的塔筒中心线为0度,叶片位置在塔筒±20°范围内对应的数据为第一声音数据,其余位置对应的数据为第二声音数据。
本申请实施例中,可以对第一声音数据进行预处理,去掉调制信号;或者也可以丢弃第一声音数据,直接使用第二声音数据;或者还可以第一声音数据由第二声音数据插值填充,即用第二声音数据替换第一声音数据。
进一步地,在本申请实施例中,在将待测声音数据输入预训练模型,得到原始特征向量之前,包括:
获取第二预设时间内的风电机组叶片内部的历史声音数据、风速信息和降雨信息;
分别获取风速信息和降雨信息的等级作为历史声音数据的标签,对历史声音数据进行预处理和短时傅里叶变换,得到训练数据;
使用训练数据对预训练模型进行训练。
本申请实施例中,第二预设时间可以为任意某段时间。本申请实施例中,可以获取某段时间内的其他风电机组叶片内部的历史声音数据、风速信息和降雨信息对预训练模型进行训练,或者也可以获取某段时间内待测风电机组叶片内部的历史声音数据、风速信息和降雨信息对预训练模型进行训练。
进一步地,在本申请实施例中,获取风速信息和降雨信息的等级,包括:
根据风速信息所属的范围,确定风速信息等级;
根据降雨信息所属的范围,确定降雨信息的等级。
本申请实施例中,可以根据风速信息和降雨信息所属的范围,确定风速信息和降雨信息的等级,其中,风速信息即为叶片的转速。
示例性的,如表一所示,可以将转速划分为4个等级,最高转速为nmax。
转速范围 | 等级 |
0-1/4×nmax | A |
1/4×nmax-2/4×nmax | B |
2/4×nmax-3/4×nmax | C |
3/4×nmax-nmax | D |
表一
示例性的,降雨信息也可以划分为四个等级。
进一步地,在本申请实施例中,在将拼接特征向量输入GMM模型进行异常检测,得到检测分值之前,包括:
获取第三预设时间内的风电机组叶片内部的历史声音数据和气候信息,对历史声音数据进行预处理和短时傅里叶变换,得到样本数据,将样本数据输入经过训练的预训练模型,得到样本特征向量;
将样本特征向量与气候信息进行拼接,得到样本拼接向量,使用样本拼接向量对GMM模型进行训练。
本申请实施例中,第三预设时间可以为任意某段时间。本申请实施例中,可以获取某段时间内的其他风电机组叶片内部的历史声音数据和气候信息,以对GMM模型进行训练,或者也可以获取某段时间内待测风电机组叶片内部的历史声音数据和气候信息,以对GMM模型进行训练。
进一步地,在本申请实施例中,检测结果包括叶片正常运行和叶片故障,在根据预设阈值对检测分值进行判断,得到检测结果后,还包括:
若检测结果为叶片正常运行,则使用待测声音数据对预训练模型进行训练更新,并使用拼接特征向量对GMM模型进行训练更新。
本申请实施例中,可以根据预设阈值对检测分值进行判断,若检测分值大于预设阈值时,则检测结果为叶片故障;若检测分值小于预设阈值,则检测结果为叶片正常运行。
本申请实施例中,若检测结果为叶片正常运行,则使用待测声音数据对预训练模型进行训练更新,并使用拼接特征向量对GMM模型进行训练更新。
图2为本申请实施例二所提供的一种风电机组叶片异常检测装置的结构示意图。
如图2所示,该风电机组叶片异常检测装置,包括:声音传感器、无线传输模块和风场服务器,其中,
声音传感器10,用于实时采集风电机组叶片内部的声音数据;
无线传输模块20,用于将声音数据传输至风场服务器;
风场服务器30,用于对声音数据进行预处理和短时傅里叶变换,得到待测声音数据,将待测声音数据输入预训练模型,得到原始特征向量;将原始特征向量与气候信息进行拼接,得到拼接特征向量;将拼接特征向量输入GMM模型进行异常检测,得到检测分值,根据预设阈值对检测分值进行判断,得到检测结果。
本申请实施例的声音传感器10布置在叶片迎风向的内部最宽处,距离叶片轴承7m。实时采集叶片内部的声音数据。
本申请实施例的无线传输模块20包括无线发射模块,无线接收模块、机舱采集器机箱、塔基交换机。无线传输模块20的无线接收模块位于机舱采集器机箱,机舱采集器机箱安装于机舱右前方,机箱出线使用拉簧固定线缆,遵循点对点距离最短,开桨后拉簧形变量最小的原则安装拉簧。
本申请将叶片内部的声音数据通过Wifi协议发送到无线传输模块20的无线接收模块,再经过机舱采集器机箱和塔基交换机被传送到风场服务器30。
本申请实施例的风电机组叶片异常检测装置,包括声音传感器、无线传输模块和风场服务器,其中,声音传感器,用于实时采集风电机组叶片内部的声音数据;无线传输模块,用于将声音数据传输至风场服务器;风场服务器,用于对声音数据进行预处理和短时傅里叶变换,得到待测声音数据,将待测声音数据输入预训练模型,得到原始特征向量;将原始特征向量与气候信息进行拼接,得到拼接特征向量;将拼接特征向量输入GMM模型进行异常检测,得到检测分值,根据预设阈值对检测分值进行判断,得到检测结果。由此,能够解决现有方法叶片外部的固定传感器采集数据会造成部分信号的丢失,同时由于天气等因素会导致计算出来的短时能量数值不同,从而无法确定一个统一的阈值进行判断的技术问题,通过采集叶片内部声音数据,并结合转速和降雨信息对风电机组叶片进行异常检测,提高了检测的准确性。
进一步地,在本申请实施例中,对声音数据进行预处理和短时傅里叶变换,包括:
将声音数据根据叶片位置进行分类,得到塔筒预设范围内对应的第一声音数据和其余位置对应的第二声音数据;
丢弃第一声音数据,对第二声音数据进行短时傅里叶变换,得到待测声音数据。
为了实现上述实施例,本申请还提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现上述施例所述的风电机组叶片异常检测方法。
为了实现上述实施例,本申请还提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例的风电机组叶片异常检测方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种风电机组叶片异常检测方法,其特征在于,包括以下步骤:
获取第一预设时间内的风电机组叶片内部的声音数据和气候信息,并对所述声音数据进行预处理和短时傅里叶变换,得到待测声音数据,其中,所述气候信息包括风速信息和降雨信息;
将所述待测声音数据输入预训练模型,得到原始特征向量;
将所述原始特征向量与所述气候信息进行拼接,得到拼接特征向量;
将所述拼接特征向量输入GMM模型进行异常检测,得到检测分值,根据预设阈值对所述检测分值进行判断,得到检测结果;
所述对所述声音数据进行预处理和短时傅里叶变换,得到待测声音数据,包括:
将所述声音数据根据叶片位置进行分类,得到塔筒预设范围内对应的第一声音数据和其余位置对应的第二声音数据;
丢弃所述第一声音数据,对所述第二声音数据进行短时傅里叶变换,得到待测声音数据;
在将所述待测声音数据输入预训练模型,得到原始特征向量之前,包括:
获取第二预设时间内的风电机组叶片内部的历史声音数据、风速信息和降雨信息;
分别获取所述风速信息和所述降雨信息的等级作为所述历史声音数据的标签,对所述历史声音数据进行预处理和短时傅里叶变换,得到训练数据;
使用所述训练数据对所述预训练模型进行训练;
所述检测结果包括叶片正常运行和叶片故障,在所述根据预设阈值对所述检测分值进行判断,得到检测结果后,还包括:
若所述检测结果为叶片正常运行,则使用所述待测声音数据对所述预训练模型进行训练更新,并使用所述拼接特征向量对所述GMM模型进行训练更新;
根据预设阈值对检测分值进行判断,若检测分值大于预设阈值时,则检测结果为叶片故障;若检测分值小于预设阈值,则检测结果为叶片正常运行。
2.如权利要求1所述的方法,其特征在于,所述获取所述风速信息和所述降雨信息的等级,包括:
根据所述风速信息所属的范围,确定所述风速信息的等级;
根据所述降雨信息所属的范围,确定所述降雨信息的等级。
3.如权利要求2所述的方法,其特征在于,在所述将所述拼接特征向量输入GMM模型进行异常检测,得到检测分值之前,包括:
获取第三预设时间内的风电机组叶片内部的历史声音数据和气候信息,对所述历史声音数据进行预处理和短时傅里叶变换,得到样本数据,将所述样本数据输入经过训练的预训练模型,得到样本特征向量;
将所述样本特征向量与所述气候信息进行拼接,得到样本拼接向量,使用所述样本拼接向量对所述GMM模型进行训练。
4.一种风电机组叶片异常检测***,其特征在于,包括:声音传感器、无线传输模块和风场服务器,其中,
所述声音传感器,用于实时采集风电机组叶片内部的声音数据;
所述无线传输模块,用于将所述声音数据传输至风场服务器;
所述风场服务器,用于对所述声音数据进行预处理和短时傅里叶变换,得到待测声音数据,将所述待测声音数据输入预训练模型,得到原始特征向量;将所述原始特征向量与气候信息进行拼接,得到拼接特征向量;将所述拼接特征向量输入GMM模型进行异常检测,得到检测分值,根据预设阈值对所述检测分值进行判断,得到检测结果;
所述对所述声音数据进行预处理和短时傅里叶变换,包括:
将所述声音数据根据叶片位置进行分类,得到塔筒预设范围内对应的第一声音数据和其余位置对应的第二声音数据;
丢弃所述第一声音数据,对所述第二声音数据进行短时傅里叶变换,得到待测声音数据;
在将所述待测声音数据输入预训练模型,得到原始特征向量之前,包括:
获取第二预设时间内的风电机组叶片内部的历史声音数据、风速信息和降雨信息;
分别获取所述风速信息和所述降雨信息的等级作为所述历史声音数据的标签,对所述历史声音数据进行预处理和短时傅里叶变换,得到训练数据;
使用所述训练数据对所述预训练模型进行训练;
所述检测结果包括叶片正常运行和叶片故障,在所述根据预设阈值对所述检测分值进行判断,得到检测结果后,还包括:
若所述检测结果为叶片正常运行,则使用所述待测声音数据对所述预训练模型进行训练更新,并使用所述拼接特征向量对所述GMM模型进行训练更新;
根据预设阈值对检测分值进行判断,若检测分值大于预设阈值时,则检测结果为叶片故障;若检测分值小于预设阈值,则检测结果为叶片正常运行。
5.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-3中任一所述的方法。
6.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211310179.1A CN115640503B (zh) | 2022-10-25 | 2022-10-25 | 风电机组叶片异常检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211310179.1A CN115640503B (zh) | 2022-10-25 | 2022-10-25 | 风电机组叶片异常检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115640503A CN115640503A (zh) | 2023-01-24 |
CN115640503B true CN115640503B (zh) | 2023-08-11 |
Family
ID=84946902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211310179.1A Active CN115640503B (zh) | 2022-10-25 | 2022-10-25 | 风电机组叶片异常检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115640503B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386663A (zh) * | 2023-03-22 | 2023-07-04 | 华能新能源股份有限公司河北分公司 | 一种风机叶片异常检测方法、装置、计算机及存储介质 |
CN117009908B (zh) * | 2023-09-25 | 2024-01-12 | 中国民用航空飞行学院 | 一种飞行异常状态识别与预测***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105508152A (zh) * | 2015-12-31 | 2016-04-20 | 北京金风科创风电设备有限公司 | 叶片结冰模型的构建方法、结冰状态的监测方法和装置 |
CN110792563A (zh) * | 2019-11-04 | 2020-02-14 | 北京天泽智云科技有限公司 | 基于卷积生成对抗网络的风电机组叶片故障音频监测方法 |
CN113007041A (zh) * | 2021-03-02 | 2021-06-22 | 山东中车风电有限公司 | 一种风电机组叶片结冰检测***及检测方法 |
CN114623050A (zh) * | 2022-03-16 | 2022-06-14 | 华能大理风力发电有限公司洱源分公司 | 风电机组的运行数据异常检测方法、***及介质 |
CN114738212A (zh) * | 2022-03-18 | 2022-07-12 | 华南理工大学 | 一种考虑多属性气象特性的风电机组检修方法及装置 |
CN114778112A (zh) * | 2021-04-16 | 2022-07-22 | 大唐(赤峰)新能源有限公司 | 风电发电机组机械故障音频识别和故障诊断方法 |
CN115035913A (zh) * | 2022-08-11 | 2022-09-09 | 合肥中科类脑智能技术有限公司 | 一种声音异常检测方法 |
-
2022
- 2022-10-25 CN CN202211310179.1A patent/CN115640503B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105508152A (zh) * | 2015-12-31 | 2016-04-20 | 北京金风科创风电设备有限公司 | 叶片结冰模型的构建方法、结冰状态的监测方法和装置 |
CN110792563A (zh) * | 2019-11-04 | 2020-02-14 | 北京天泽智云科技有限公司 | 基于卷积生成对抗网络的风电机组叶片故障音频监测方法 |
CN113007041A (zh) * | 2021-03-02 | 2021-06-22 | 山东中车风电有限公司 | 一种风电机组叶片结冰检测***及检测方法 |
CN114778112A (zh) * | 2021-04-16 | 2022-07-22 | 大唐(赤峰)新能源有限公司 | 风电发电机组机械故障音频识别和故障诊断方法 |
CN114623050A (zh) * | 2022-03-16 | 2022-06-14 | 华能大理风力发电有限公司洱源分公司 | 风电机组的运行数据异常检测方法、***及介质 |
CN114738212A (zh) * | 2022-03-18 | 2022-07-12 | 华南理工大学 | 一种考虑多属性气象特性的风电机组检修方法及装置 |
CN115035913A (zh) * | 2022-08-11 | 2022-09-09 | 合肥中科类脑智能技术有限公司 | 一种声音异常检测方法 |
Non-Patent Citations (1)
Title |
---|
风电机组碰摩声发射源识别和监测***的设计;沈舷等;《电子器件》;第40卷(第4期);第936-941页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115640503A (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115640503B (zh) | 风电机组叶片异常检测方法和装置 | |
Saidi et al. | Wind turbine high-speed shaft bearings health prognosis through a spectral Kurtosis-derived indices and SVR | |
US7895018B2 (en) | Event monitoring via combination of signals | |
EP3431952B1 (en) | Condition monitoring system and wind turbine generation apparatus | |
CN104075795B (zh) | 用于监测风力发电机组的叶轮振动状态的方法和*** | |
US11441940B2 (en) | Condition monitoring apparatus, condition monitoring system, and condition monitoring method | |
JP5207074B2 (ja) | 風力発電風車ブレードの異常判定方法、異常判定装置、及び、異常判定プログラム | |
CN111400961B (zh) | 风力发电机组叶片故障判断方法及装置 | |
CN103674234B (zh) | 一种风力发电机组振动异常的状态预警方法及*** | |
CN109209783A (zh) | 一种基于噪声检测叶片的雷击损伤的方法及装置 | |
CN103626003A (zh) | 一种电梯故障检测方法和*** | |
CN107061183A (zh) | 一种海上风电机组的自动化故障诊断方法 | |
CN112067701B (zh) | 基于声学诊断的风机叶片远程听诊方法 | |
Elforjani et al. | Analysis of extremely modulated faulty wind turbine data using spectral kurtosis and signal intensity estimator | |
CN110234972A (zh) | 状态监视***及风力涡轮机 | |
Márquez et al. | An overview of wind turbine maintenance management | |
US20230366382A1 (en) | Abnormality determination method for wind power generation device, abnormality determination system for wind power generation device, and abnormality determination program for wind power generation device | |
CN113819011B (zh) | 风力发电机组的叶轮状态检测方法、装置及*** | |
CN117110944A (zh) | 基于局放成像的发电机绕组匝间短路故障监测方法及设备 | |
JP2017089590A (ja) | 風力発電装置及びウィンドファーム | |
US20240052810A1 (en) | Blade fault diagnosis method, apparatus and system, and storage medium | |
CN113994088A (zh) | 用于对风涡轮机的部件进行计算机实现的监测的方法 | |
Zhang et al. | Probability warning for wind turbine gearbox incipient faults based on SCADA data | |
EP3104152B1 (en) | Method and controller for determining an undesired condition in an electrical drive system | |
CN114689321A (zh) | 风力发电机组的轴承故障诊断方法、装置、电子设备 |
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 |