CN115712860A - 风机叶片振动报警方法及装置 - Google Patents
风机叶片振动报警方法及装置 Download PDFInfo
- Publication number
- CN115712860A CN115712860A CN202211472043.0A CN202211472043A CN115712860A CN 115712860 A CN115712860 A CN 115712860A CN 202211472043 A CN202211472043 A CN 202211472043A CN 115712860 A CN115712860 A CN 115712860A
- Authority
- CN
- China
- Prior art keywords
- alarm
- layer
- inputting
- vibration
- frequency domain
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims description 144
- 230000015654 memory Effects 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 230000000644 propagated effect Effects 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提出一种风机叶片振动报警方法,其中,方法包括:获取风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值;根据风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值对预先构建的混合模型进行训练,得到训练好的混合模型;获取风电机组实测频域信号,将风电机组实测频域信号输入至训练好的混合模型,得到风电机组叶片的振动报警结果。基于此,该方法实现对风电机组发电机故障的捕获和对不同故障类型的识别,从而能够减少误报警的次数。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种风机叶片振动报警方法及装置。
背景技术
风机叶片在风电机组中属于关键的构成部分,发挥着能量转化的作用。在风机运行过程中,必须保证叶片的安全性与可靠性,才能有效提升吸收风能的转换效率,为整个风力机组带来有利的影响。通过提高叶片性能,也能保证风机的稳定运行。但是叶片工作环境较为复杂,面临离心力、空气动力、热应力和弯曲应力等作用,甚至存在雨雪冰霜冲蚀与闪电积累破坏等现象。基于此要重视对风机叶片振动检测与分析,确保准确、快速判定其疲劳程度,这是维护风机安全运行和提高风能利用率的有效手段。
现有机组基于风机叶片制造厂商出场前的风洞测试数据,与风机组装后在风场的实际运行状况不同,基于阈值报警的模型无法对复杂的状况进行判断,常有误报警的情况。另外,因风场采用风机型号和叶片制造厂商不同,采用不同的阙值报警无法根据风电场实际运行状况进行算法更新优化,从而降低了报警模型的准确性。因此亟需“一种风机叶片振动报警方法”可以提高了对故障分类的准确性,实现了对风电机组发电机故障的捕获和对不同故障类型的识别。
发明内容
本发明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,本发明的第一个目的在于提出一种风机叶片振动报警方法,以实现对风电机组发电机故障的捕获和对不同故障类型的识别,从而能够减少误报警的次数。
本发明的第二个目的在于提出一种风机叶片振动报警装置。
本发明的第三个目的在于提出一种计算机设备。
本发明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,本发明第一方面实施例提出了一种风机叶片振动报警方法,包括:
获取风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值;
根据所述风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值对预先构建的混合模型进行训练,得到训练好的混合模型;
获取风电机组实测频域信号,将所述风电机组实测频域信号输入至所述训练好的混合模型,得到风电机组叶片的振动报警结果。
可选地,在本发明实施例之中,所述混合模型包括输入层、卷积神经网络层、长短期时间记忆网络层、注意力层和输出层,所述根据所述风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值对预先构建的混合模型进行训练,得到训练好的混合模型,还包括:
将所述风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值输入到所述输入层,通过所述输入层得到所述训练样本各自对应的输入向量;
将所述输入向量输入到所述卷积神经网络层,并对所述输入向量进行特征提取,以筛选出目标特征向量;
获取所述目标特征向量,将所述目标特征向量输入所述长短期时间记忆网络层,以提取所述目标特征向量各自对应的特征关系;
将所述目标特征向量各自对应的特征关系输入到所述注意力层中,并根据所述注意力层中所述特征关系的注意力权重参数值,对所述特征关系进行筛选,以得到输出向量;
将所述输出向量输入到所述输出层,并输出振动报警结果。
可选地,在本发明实施例之中,所述卷积神经网络层包括卷积层和丢弃层,所述将所述输入向量输入到所述卷积神经网络层,并对所述输入向量进行特征提取,以筛选出目标特征向量,包括:
将所述输入向量输入到所述卷积层中,获取卷积层提取的输入向量的多个特征向量;
将所述输入向量的多个特征向量输入到所述丢弃层,以从所述多个特征中筛选出目标特征向量。
可选地,在本发明实施例之中,在将所述输出向量输入到所述输出层,并输出振动报警结果之后,还包括:
获取所述振动报警结果,并对所述振动报警结果进行反归一化处理。
可选地,在本发明实施例之中,在所述获取所述振动报警结果,并对所述振动报警结果进行反归一化处理之后,还包括:
所述振动报警结果经过反归一化即可得到实际的振动报警结果:
为达上述目的,本发明第二方面实施例提出了一种风机叶片振动报警装置,包括:
第一获取模块,用于获取风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值;
训练模块,用于根据所述风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值对预先构建的混合模型进行训练,得到训练好的混合模型;
第二获取模块,用于获取风电机组实测频域信号,将所述风电机组实测频域信号输入至所述训练好的混合模型,得到风电机组叶片的振动报警结果。
可选地,在本发明实施例之中,所述训练模块,还用于:
将所述风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值输入到所述输入层,通过所述输入层得到所述训练样本各自对应的输入向量;
将所述输入向量输入到所述卷积神经网络层,并对所述输入向量进行特征提取,以筛选出目标特征向量;
获取所述目标特征向量,将所述目标特征向量输入所述长短期时间记忆网络层,以提取所述目标特征向量各自对应的特征关系;
将所述目标特征向量各自对应的特征关系输入到所述注意力层中,并根据所述注意力层中所述特征关系的注意力权重参数值,对所述特征关系进行筛选,以得到输出向量;
将所述输出向量输入到所述输出层,并输出振动报警结果。
可选地,在本发明实施例之中,所述装置,还用于:
将所述输入向量输入到所述卷积层中,获取卷积层提取的输入向量的多个特征向量;
将所述输入向量的多个特征向量输入到所述丢弃层,以从所述多个特征中筛选出目标特征向量。
综上所述,在本发明所提供的一种风机叶片振动报警方法和装置,先获取风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值;根据风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值对预先构建的混合模型进行训练,得到训练好的混合模型;获取风电机组实测频域信号,将风电机组实测频域信号输入至训练好的混合模型,得到风电机组叶片的振动报警结果。基于此,根据混合模型所建立的输入参数与目标参数之间的逻辑关系更加精确可靠,可以实现对风电机组发电机故障的捕获和对不同故障类型的识别,从而能够减少误报警的次数。
为达上述目的,本发明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,实现本发明第一方面实施例所述的方法。
为达上述目的,本发明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,其上存储有计算机程序,所述计算机程序被处理器执行时实现本发明第一方面实施例所述的方法。
本发明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,或通过本发明的实践了解到。
附图说明
本发明上述的和/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为本发明实施例所提供的一种风机叶片振动报警方法的流程示意图;
图2为本发明实施例所提供的一种丢弃层网络中神经元的示意图;
图3为本发明实施例所提供的一种混合模型的结构示意图;
图4为本发明实施例所提供的一种风机叶片振动报警装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,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,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的一种风机叶片振动报警方法和装置。
图1为本发明实施例所提供的一种风机叶片振动报警方法的流程示意图。
步骤S1:获取风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值。
其中,在本发明实施例之中,该报警阈值可以用于,当报警实测值超过报警阈值时,则触发振动报警。
步骤S2:根据风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值对预先构建的混合模型进行训练,得到训练好的混合模型。
其中,在本发明实施例之中,该混合模型包括输入层、卷积神经网络层、长短期时间记忆网络层、注意力层和输出层。
以及,在本发明实施例之中,根据风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值对预先构建的混合模型进行训练,得到训练好的混合模型,还包括:
将风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值输入到输入层,通过输入层得到训练样本各自对应的输入向量;
将输入向量输入到卷积神经网络层,并对输入向量进行特征提取,以筛选出目标特征向量;
获取目标特征向量,将目标特征向量输入长短期时间记忆网络层,以提取目标特征向量各自对应的特征关系;
将目标特征向量各自对应的特征关系输入到注意力层中,并根据注意力层中特征关系的注意力权重参数值,对特征关系进行筛选,以得到输出向量;
将输出向量输入到输出层,并输出振动报警结果。
以及,在本发明实施例之中,卷积神经网络层包括卷积层和丢弃层,将输入向量输入到卷积神经网络层,并对输入向量进行特征提取,以筛选出目标特征向量,包括:
将输入向量输入到卷积层中,获取卷积层提取的输入向量的多个特征向量;
将输入向量的多个特征向量输入到丢弃层,以从多个特征中筛选出目标特征向量。
再将X输入到卷积神经网络层,并对输入向量进行特征提取,以筛选出目标特征向量,此时,为了可以精准筛选出目标特征向量,卷积神经网络层包括卷积层和丢弃层,将输入向量输入到卷积神经网络层,并对输入向量进行特征提取,以筛选出目标特征向量,包括:将输入向量输入到卷积层中,获取卷积层提取的输入向量的多个特征向量,将输入向量的多个特征向量输入到丢弃层,以从多个特征中筛选出目标特征向量。在本发明实施例中,在太阳能发电量的数据维度为1维的情况下,选取卷积层为一维卷积,则此时卷积核的大小为3,并结合使用RELU激活函数,得到输入向量的多个特征向量。此外,在丢弃层设置为0.2的情况下,可以临时随机删掉丢弃层的网络中一半的隐藏神经元,且输入输出神经元保持不变。
其中,需要说明的是,图2为本实施例所提供的一种丢弃层网络中神经元的示意图。如图2所示,图2中圆圈代表没有被删除的神经元,圆圈中带有叉号的代表被删除掉的神经元。然后将输入的神经元通过修改后的网络向前传播,然后把得到的损失结果通过修改的网络反向传播,一小批训练样本执行完这个过程后就按照随机梯度下降法更新没有被删除的神经元对应的参数(w,b)。其中,w为神经网络中的参数权重,b为神经网络中的偏置。
可以理解的是,在得到更新对应的参数(w,b)后,为了避免所训练出的预测模型出现过拟合的问题,在一些实施例中,还可以不断重复这一过程:恢复被删掉的神经元,其中,此时被删除的神经元保持原样,而没有被删除的神经元已经有所更新,并从隐藏神经元中随机选择一个一半大小的子集临时删除掉,且备份被删除神经元的参数,对一小批训练样本,先前向传播然后反向传播损失并根据随机梯度下降法更新参数(w,b),以解决不同的网络过拟合的问题。
此外,在一些实施例之中,在丢其次层设置为0.2的情况下,若神经元个数为n,则可以有0.2n个神经元会被删除,其中,删除神经元的一种实施方式为,将神经元在网络中的激活函数值以概率p变为0。若此时输出向量长度为i,则目标特征向量为Hc=[hc1…hc1…]T,其中,丢弃层的神经元在网络中计算激活函数值的一种计算方式为:
其中,Bernoulli函数生成了概率向量r,也就是随机生成一个0、1的向量。
之后,将获取的目标特征向量输入到长短期记忆人工神经网络层,通过长短期记忆人工神经网络层和双向长短期记忆人工神经网络(Long Short-Term Memory,biLSTM)层结构,以学习风机叶片振动报警行为特性,若第一输出向量的长度为j,则长短期记忆人工神经网络层的第一输出向量为HL=[hL1…hLε…hL]J,计算HL的一种计算方式为:
Hl=max(dropout(L))+br
其中,长短期记忆人工神经网络层需接入到丢弃层以及最大池化层,Max为最大池化层中最大值函数,br为池化层的偏置,L为该长短期记忆人工神经网络层的输出,WC,bc分别为长短期记忆人工神经网络层的权重和偏置。
然后,将目标特征向量各自对应的第一输出向量输入到注意力层后,根据注意力层中的权重分配原则,对第一输出向量的注意力权重参数值进行分配,以得到第一输出向量的注意力权重参数值,并根据第一输出向量的注意力权重参数值,对第一输出向量进行筛选,以得到第二输出向量。当第二输出向量的长度为k,则第二输出向量S'为
Y=f(Wr·s+br)
其中,Wr为输出层权重,br为输出层偏置,f为全连接层激活函数。
以及,在本发明实施例之中,在将输出向量输入到输出层,并输出振动报警结果之后,还包括:
获取振动报警结果,并对振动报警结果进行反归一化处理。
进一步地,在本发明实施例之中,在获取振动报警结果,并对振动报警结果进行反归一化处理之后,还包括:
该振动报警结果经过反归一化即可得到实际的振动报警结果:
归一化处理后的叶片振动报警数据,ymin、ymax分别为归一化处理前历史输出数据中的最小值和最大值。
基于上述实施例,图3为本发明实施例所提供的一种混合模型的结构示意图。如图3所示,混合模型包括输入层,卷积神经网络层,长短期记忆人工神经网络层,注意力层和输出层,通过混合模型计算风电机组叶片的振动报警结果的一种实施方式为:将采集的训练样本,输入到输入层,转换为输入向量,在输入到卷积神经网络层进行特征提取,生成目标特征向量,并将目标特征向量输入到长短期记忆人工神经网络层,长短期记忆人工神经网络层与注意力层通过学习卷积神经网络层提取的目标特征向量中的规律,预测风电机组叶片的振动报警结果的预测值,并通过输出层输出预测值。
步骤S3:获取风电机组实测频域信号,将风电机组实测频域信号输入至训练好的混合模型,得到风电机组叶片的振动报警结果。
综上所述,在本发明所提供的一种风机叶片振动报警方法,先获取风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值;根据风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值对预先构建的混合模型进行训练,得到训练好的混合模型;获取风电机组实测频域信号,将风电机组实测频域信号输入至训练好的混合模型,得到风电机组叶片的振动报警结果。基于此,根据混合模型所建立的输入参数与目标参数之间的逻辑关系更加精确可靠,可以实现对风电机组发电机故障的捕获和对不同故障类型的识别,从而能够减少误报警的次数。
图4为本发明实施例所提供的一种风机叶片振动报警装置的结构示意图。
如图4所示,风机叶片振动报警装置包括:
第一获取模块100,用于获取风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值;
训练模块200,用于根据风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值对预先构建的混合模型进行训练,得到训练好的混合模型;
第二获取模块300,用于获取风电机组实测频域信号,将风电机组实测频域信号输入至训练好的混合模型,得到风电机组叶片的振动报警结果。
其中,在本发明实施例之中,该训练模块200,还用于:
将风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值输入到输入层,通过输入层得到训练样本各自对应的输入向量;
将输入向量输入到卷积神经网络层,并对输入向量进行特征提取,以筛选出目标特征向量;
获取目标特征向量,将目标特征向量输入长短期时间记忆网络层,以提取目标特征向量各自对应的特征关系;
将目标特征向量各自对应的特征关系输入到注意力层中,并根据注意力层中特征关系的注意力权重参数值,对特征关系进行筛选,以得到输出向量;
将输出向量输入到输出层,并输出振动报警结果。
以及,在本发明实施例之中,该风机叶片振动报警装置,还用于:
将输入向量输入到卷积层中,获取卷积层提取的输入向量的多个特征向量;
将输入向量的多个特征向量输入到丢弃层,以从多个特征中筛选出目标特征向量。
需要说明的是,前述对风机叶片振动报警方法的实施例的解释说明也适用于该实施例的装置,可以参照上述实施例的相关描述,此处不再赘述。
综上所述,在本发明所提供的一种风机叶片振动报警装置,先获取风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值;根据风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值对预先构建的混合模型进行训练,得到训练好的混合模型;获取风电机组实测频域信号,将风电机组实测频域信号输入至训练好的混合模型,得到风电机组叶片的振动报警结果。基于此,根据混合模型所建立的输入参数与目标参数之间的逻辑关系更加精确可靠,可以实现对风电机组发电机故障的捕获和对不同故障类型的识别,从而能够减少误报警的次数。
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发明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。在本发明的描述中,“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,并且本发明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,这应被本发明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,本发明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,在本发明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发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种风机叶片振动报警方法,其特征在于,包括:
获取风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值;
根据所述风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值对预先构建的混合模型进行训练,得到训练好的混合模型;
获取风电机组实测频域信号,将所述风电机组实测频域信号输入至所述训练好的混合模型,得到风电机组叶片的振动报警结果。
2.如权利要求1所述的报警方法,其特征在于,所述混合模型包括输入层、卷积神经网络层、长短期时间记忆网络层、注意力层和输出层,所述根据所述风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值对预先构建的混合模型进行训练,得到训练好的混合模型,还包括:
将所述风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值输入到所述输入层,通过所述输入层得到所述训练样本各自对应的输入向量;
将所述输入向量输入到所述卷积神经网络层,并对所述输入向量进行特征提取,以筛选出目标特征向量;
获取所述目标特征向量,将所述目标特征向量输入所述长短期时间记忆网络层,以提取所述目标特征向量各自对应的特征关系;
将所述目标特征向量各自对应的特征关系输入到所述注意力层中,并根据所述注意力层中所述特征关系的注意力权重参数值,对所述特征关系进行筛选,以得到输出向量;
将所述输出向量输入到所述输出层,并输出振动报警结果。
3.如权利要求2所述的报警方法,其特征在于,所述卷积神经网络层包括卷积层和丢弃层,所述将所述输入向量输入到所述卷积神经网络层,并对所述输入向量进行特征提取,以筛选出目标特征向量,包括:
将所述输入向量输入到所述卷积层中,获取卷积层提取的输入向量的多个特征向量;
将所述输入向量的多个特征向量输入到所述丢弃层,以从所述多个特征中筛选出目标特征向量。
4.如权利要求2所述的报警方法,其特征在于,在将所述输出向量输入到所述输出层,并输出振动报警结果之后,还包括:
获取所述振动报警结果,并对所述振动报警结果进行反归一化处理。
6.一种风机叶片振动报警装置,其特征在于,包括:
第一获取模块,用于获取风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值;
训练模块,用于根据所述风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值对预先构建的混合模型进行训练,得到训练好的混合模型;
第二获取模块,用于获取风电机组实测频域信号,将所述风电机组实测频域信号输入至所述训练好的混合模型,得到风电机组叶片的振动报警结果。
7.如权利要求6所述的报警装置,其特征在于,所述训练模块,还用于:
将所述风机叶片振动的频域曲线以及固有频率幅值指标报警实测值和报警阈值输入到所述输入层,通过所述输入层得到所述训练样本各自对应的输入向量;
将所述输入向量输入到所述卷积神经网络层,并对所述输入向量进行特征提取,以筛选出目标特征向量;
获取所述目标特征向量,将所述目标特征向量输入所述长短期时间记忆网络层,以提取所述目标特征向量各自对应的特征关系;
将所述目标特征向量各自对应的特征关系输入到所述注意力层中,并根据所述注意力层中所述特征关系的注意力权重参数值,对所述特征关系进行筛选,以得到输出向量;
将所述输出向量输入到所述输出层,并输出振动报警结果。
8.如权利要求7所述的报警装置,其特征在于,所述装置,还用于:
将所述输入向量输入到所述卷积层中,获取卷积层提取的输入向量的多个特征向量;
将所述输入向量的多个特征向量输入到所述丢弃层,以从所述多个特征中筛选出目标特征向量。
9.一种计算机设备,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1-5中任一所述的方法。
10.一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1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211472043.0A CN115712860A (zh) | 2022-11-23 | 2022-11-23 | 风机叶片振动报警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211472043.0A CN115712860A (zh) | 2022-11-23 | 2022-11-23 | 风机叶片振动报警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115712860A true CN115712860A (zh) | 2023-02-24 |
Family
ID=85234264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211472043.0A Pending CN115712860A (zh) | 2022-11-23 | 2022-11-23 | 风机叶片振动报警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115712860A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116136206A (zh) * | 2023-03-23 | 2023-05-19 | 中国华能集团清洁能源技术研究院有限公司 | 风电机组的特征振荡频率预警方法及*** |
-
2022
- 2022-11-23 CN CN202211472043.0A patent/CN115712860A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116136206A (zh) * | 2023-03-23 | 2023-05-19 | 中国华能集团清洁能源技术研究院有限公司 | 风电机组的特征振荡频率预警方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341349B (zh) | 风机健康评估的方法、***、存储器及控制器 | |
CN115859148A (zh) | 风机叶片振动报警方法及装置 | |
CN106779200A (zh) | 基于在历史数据中进行相似搜索的风电机组状态预测方法 | |
CN111400961B (zh) | 风力发电机组叶片故障判断方法及装置 | |
Joshuva et al. | A comparative study of Bayes classifiers for blade fault diagnosis in wind turbines through vibration signals | |
Khan et al. | Fault detection of wind turbines using SCADA data and genetic algorithm-based ensemble learning | |
Joshuva et al. | Comparative study on tree classifiers for application to condition monitoring of wind turbine blade through histogram features using vibration signals: a data-mining approach | |
CN113822418A (zh) | 一种风电场功率预测方法、***、设备和存储介质 | |
CN108847679B (zh) | 风力发电机组及用于其的次同步振荡识别方法、装置及*** | |
CN115712860A (zh) | 风机叶片振动报警方法及装置 | |
CN111881159A (zh) | 一种基于代价敏感极端随机森林的故障检测方法及装置 | |
Afrasiabi et al. | Two-stage deep learning-based wind turbine condition monitoring using SCADA data | |
CN115314235A (zh) | 用于风力涡轮控制***中的网络攻击检测的***和方法 | |
Chen et al. | Prediction of icing fault of wind turbine blades based on deep learning | |
CN116306139A (zh) | 一种风力机叶片寿命智能监测方法及*** | |
CN114415056A (zh) | 一种分布式电源孤岛故障的检测方法 | |
CN115878992A (zh) | 综合管廊供电***的监控方法和监控*** | |
CN112855458B (zh) | 一种风力发电机组的风速仪故障诊断方法、***及介质 | |
CN116244581A (zh) | 一种基于人工智能平台的风电叶片故障预警方法及*** | |
CN115791180A (zh) | 风机轴承振动的报警方法及其装置 | |
CN116610996A (zh) | 线缆的状态检测方法、装置和计算机设备 | |
CN114753980B (zh) | 一种风机叶片结冰监测方法及*** | |
Li et al. | Short-term load forecasting using support vector regression-based local predictor | |
CN117150705A (zh) | 一种基于特征解构的海上风电场短期风速预测方法 | |
Joshuva et al. | Implementation of rule based classifiers for wind turbine blade fault diagnosis using vibration signals |
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 |