专利名称:一种风力发电机组叶片振动特性在线测试与诊断方法
专利类型:发明专利
专利申请号:CN202410874016.9
专利申请(专利权)人:内蒙古工业大学
权利人地址:内蒙古自治区呼和浩特市新城区爱民路(北)49号
专利发明(设计)人:姜鑫,孙加翼,吕书锋,王国宇
专利摘要:本发明涉及风力发电诊断技术领域,且公开了一种风力发电机组叶片振动特性在线测试与诊断方法,叶片振动测试诊断步骤为:S1:在叶片关键位置安装振动传感器,利用多模态传感器数据,设计自适应数据采集策略,根据实时监测的振动幅度和环境变化自动调整采样率;S2:运用信号处理技术从大量数据中提取反映叶片健康状况的关键特征,评估风速、温度环境因素对振动特性的影响;S3:设计针对风电叶片损伤的定制化深度学习模型,针对时间序列数据和振动信号的特征提取,识别侵蚀、裂纹、撞击不同类型的损伤,并评估损伤程度;S4:基于实时数据流和历史趋势,自动调整预警阈值,基于损伤预测和振动模式分析,制定预防性维护计划。
主权利要求:
1.一种风力发电机组叶片振动特性在线测试与诊断方法,其特征在于,叶片振动测试诊断步骤为:S1:在叶片关键位置安装振动传感器,利用多模态传感器数据,设计自适应数据采集策略,根据实时监测的振动幅度和环境变化自动调整采样率;
S2:运用信号处理技术从数据中提取反映叶片健康状况的关键特征,评估风速、温度环境因素对振动特性的影响;
S3:设计针对风电叶片损伤的定制化深度学习模型,针对时间序列数据和振动信号的特征提取,识别侵蚀、裂纹、撞击不同类型的损伤,并评估损伤程度;
S4:基于实时数据流和历史趋势,自动调整预警阈值,基于损伤预测和振动模式分析,制定预防性维护计划;
在S2中,通过实验或历史数据分析建立特征之间的关系模型,将振动参数和环境参数的实测值代入相应的补偿模型,计算出在当前环境条件下预期的“环境影响振动特征”,设定风速对叶片振动的主要影响通过一个线性关系近似,补偿模型表示为:Vcorr_wind(f)=kv×Vactual
Vcorr_wind(f)是风速影响下的振动幅值校正值,kv是风速影响系数,Vactual是实测风速;
从原始振动特征中减去计算出的“环境影响振动特征”,得到校正后的振动特征,对校正后的振动特征进行深入分析,评估叶片健康状况。
2.根据权利要求1所述的一种风力发电机组叶片振动特性在线测试与诊断方法,其特征在于,在S1中,确定叶片中最易发生损伤的关键区域,叶根、叶尖、叶片中部及已知薄弱点,在这些关键位置安装不同类型的振动传感器以及环境参数传感器,设计一套算法基于振动幅度阈值和环境参数变化来动态调整采样率。
3.根据权利要求1所述的一种风力发电机组叶片振动特性在线测试与诊断方法,其特征在于,在S1中,当前振动幅度Vcurrent大于设定阈值Vth,根据超出门限的比例调整采样率Fadjust,振动幅度调整范围公式为:ΔV为振动幅度阈值范围内的一个调整因子,控制调整的斜率;
环境参数调整基于环境参数变化动态调整采样率,设定当前风速Wcurrent,与前一时刻风速Wprev的变化超过Esens,则按风速变化比例调整采样率:ΔW是风速变化的调整因子;
Fbase表示基础采样率,即没有风速变化影响时的默认采样频率;
Fmax:最大允许的采样率,代表系统能够处理的最高采样频率限制;
当振动幅度超过预设阈值或环境条件变化剧烈时,提高采样率以捕捉更多细节;反之,在平稳运行时降低采样率以节省资源。
4.根据权利要求1所述的一种风力发电机组叶片振动特性在线测试与诊断方法,其特征在于,在S2中,对振动参数和环境参数进行校正,原始振动信号在频率ff处的幅值为Araw(f),通过补偿模型得到的风速和温度校正值分别为Vcorr_wind(f)和Tcorr(f),校正后的振动特征表示为:Acorrected(f)=Araw(f)‑Vcorr_wind(f)‑Tcorr(f)Acorrected(f):表示在频率f下,经过校正后的振动幅值;
Araw(f):是指原始测量得到的,在频率ff下的振动幅值;
Vcorr_wind(f):表示风速对振动影响的校正值;
Tcorr(f):则是温度对振动影响的校正值;
从原始振动幅值中减去由风速和温度变化预计产生的振动影响,基于校正后的特征建立预测模型。
5.根据权利要求1所述的一种风力发电机组叶片振动特性在线测试与诊断方法,其特征在于,在S3中,基于校正后的振动信号和风速校正后的振动幅值整理成时间序列数据格式,每个样本包括一段时序数据以及对应的损伤状态标签,无损伤、侵蚀、裂纹、撞击,根据物理检查、超声波检测、视觉检查手段,对叶片的历史数据进行损伤类型和程度的标注,基于一维卷积神经网络模型进行时间序列分析,卷积层表示为:y=f(b+W*x)f是激活函数,b是偏置项,W是卷积核权重,x是输入信号;
利用时序分析提取时间序列中的周期性、趋势性特征,以及瞬时变化特征。
6.根据权利要求1所述的一种风力发电机组叶片振动特性在线测试与诊断方法,其特征在于,在S3中,基于深度学习模型提取的特征,对于损伤程度评估,修改模型输出层为连续值输出,使用回归任务的损失函数进行训练,预测损伤的严重程度,将损伤程度划分为几个等级,同时预测损伤类型和等级,在分类模型基础上,对每一类损伤进一步建立损伤程度的回归模型,将训练好的模型部署到风电叶片健康监测系统中,实时分析叶片振动数据,自动识别损伤类型和程度。
7.根据权利要求1所述的一种风力发电机组叶片振动特性在线测试与诊断方法,其特征在于,在S4中,基于历史振动数据和已知损伤事件,分析振动特征随时间的趋势,识别不同损伤类型下的振动特征模式,设置动态阈值模型,根据实时数据与预测模型输出,动态调整预警阈值,阈值设置为正常振动特征预测区间的一个标准差,根据损伤预测结果和振动特征的偏离程度,评估叶片的健康状况和潜在风险,根据风险等级,设定不同的维护触发阈值。 说明书 : 一种风力发电机组叶片振动特性在线测试与诊断方法技术领域[0001] 本发明涉及风力发电诊断技术领域,尤其涉及一种风力发电机组叶片振动特性在线测试与诊断方法。背景技术[0002] 随着全球对可再生能源需求的增加,风能作为一种清洁、可再生的能源得到了迅速发展,风力发电机组尤其是大型化趋势明显,叶片作为风力发电系统中的关键部件,其尺寸、重量、材料和设计复杂度都在不断提高,并且,随着叶片尺寸的增大,其在复杂风况下承受的动态载荷显著增加,这对叶片的结构安全和长期可靠性提出了更高要求;[0003] 目前,叶片振动问题是需要关注的一个诊断方向,叶片的振动不仅影响发电效率,还可能导致疲劳损伤、裂纹甚至断裂,严重时可引发整个风力发电机组的故障,增加维护成本,影响风场的安全运行和经济效益,因此,准确监测和诊断叶片振动特性成为风力发电领域亟待解决的问题。[0004] 经检索,中国专利号为CN113029480B的发明专利,公开了一种风力发电机组的叶片疲劳测试方法及叶片疲劳测试系统,与现有技术相比,该中国专利号为CN113029480B的发明专利能够预先准确计算出激振点及配重点的具体位置及重量,因此,在测试阶段无需再进行调整寻优,节省测试资源及时间,使测试载荷更加接近实际载荷,从而使测试结果更准确,并缩短测试周期。[0005] 但是,在缩短测试周期的同时,还需要注意发电机叶片在自然环境中长期运行会遭受侵蚀、裂纹或撞击损伤的情况,目前针对这一现象主要依靠人为观测,在发现时已经对整体风力发电机组产生了影响,叶片损伤会导致气动性能下降,影响风能转换效率,减少发电量,损伤的叶片还会改变原有的振动频率和振型,增加振动幅度,对整个风力发电机组的结构安全构成威胁,所以,在此提出了一种风力发电机组叶片振动特性在线测试与诊断方法。发明内容[0006] 本发明的目的是为了解决现有技术中主要依靠人为预测叶片状态的缺点,而提出的一种风力发电机组叶片振动特性在线测试与诊断方法。[0007] 为了实现上述目的,本发明采用了如下技术方案:[0008] 一种风力发电机组叶片振动特性在线测试与诊断方法,叶片振动测试诊断步骤为:[0009] S1:在叶片关键位置安装振动传感器,利用多模态传感器数据,设计自适应数据采集策略,根据实时监测的振动幅度和环境变化自动调整采样率;[0010] S2:运用信号处理技术从大量数据中提取反映叶片健康状况的关键特征,评估风速、温度环境因素对振动特性的影响;[0011] S3:设计针对风电叶片损伤的定制化深度学习模型,针对时间序列数据和振动信号的特征提取,识别侵蚀、裂纹、撞击不同类型的损伤,并评估损伤程度;[0012] S4:基于实时数据流和历史趋势,自动调整预警阈值,基于损伤预测和振动模式分析,制定预防性维护计划。[0013] 在S1中,确定叶片中最易发生损伤的关键区域,叶根、叶尖、叶片中部及已知薄弱点,在这些关键位置安装不同类型的振动传感器以及环境参数传感器,设计一套算法基于振动幅度阈值和环境参数变化来动态调整采样率。[0014] 在S1中,当前振动幅度 大于设定阈值 ,根据超出门限的比例调整采样率,振动幅度调整范围公式为:[0015][0016] 为振动幅度阈值范围内的一个调整因子,控制调整的斜率;[0017] 环境参数调整基于环境参数变化动态调整采样率,设定当前风速 与前一时刻风速 的变化超过 ,则按风速变化比例调整采样率:[0018][0019] 是风速变化的调整因子;[0020] 表示基础采样率,即没有风速变化影响时的默认采样频率;[0021] :最大允许的采样率,代表系统能够处理的最高采样频率限制;[0022] 当振动幅度超过预设阈值或环境条件变化剧烈时,提高采样率以捕捉更多细节;反之,在平稳运行时降低采样率以节省资源。[0023] 在S2中,通过实验或历史数据分析建立特征之间的关系模型,将振动参数和环境参数的实测值代入相应的补偿模型,计算出在当前环境条件下预期的“环境影响振动特征”,设定风速对叶片振动的主要影响可以通过一个线性关系近似,补偿模型可以表示为:[0024][0025] 是风速影响下的振动幅值校正值, 是风速影响系数, 是实测风速;[0026] 从原始振动特征中减去计算出的“环境影响振动特征”,得到校正后的振动特征,对校正后的振动特征进行深入分析,评估叶片健康状况。[0027] 在S2中,对振动参数和环境参数进行校正,原始振动信号在频率ff处的幅值为,通过补偿模型得到的风速和温度校正值分别为和,校正后的振动特征表示为:[0028][0029] :表示在频率 下,经过校正后的振动幅值;[0030] :是指原始测量得到的,在频率ff下的振动幅值;[0031] :表示风速对振动影响的校正值;[0032] :则是温度对振动影响的校正值;[0033] 从原始振动幅值中减去由风速和温度变化预计产生的振动影响,基于校正后的特征建立预测模型。[0034] 在S3中,基于校正后的振动信号和风速校正后的振动幅值整理成时间序列数据格式,每个样本包括一段时序数据以及对应的损伤状态标签,无损伤、侵蚀、裂纹、撞击,根据物理检查、超声波检测、视觉检查手段,对叶片的历史数据进行损伤类型和程度的标注,基于一维卷积神经网络模型进行时间序列分析,卷积层表示为:[0035] 是激活函数,是偏置项, 是卷积核权重, 是输入信号;[0036] 利用时序分析提取时间序列中的周期性、趋势性特征,以及瞬时变化特征。[0037] 在S3中,基于深度学习模型提取的特征,对于损伤程度评估,修改模型输出层为连续值输出,使用回归任务的损失函数进行训练,预测损伤的严重程度,将损伤程度划分为几个等级,同时预测损伤类型和等级,在分类模型基础上,对每一类损伤进一步建立损伤程度的回归模型,将训练好的模型部署到风电叶片健康监测系统中,实时分析叶片振动数据,自动识别损伤类型和程度。[0038] 在S4中,基于历史振动数据和已知损伤事件,分析振动特征随时间的趋势,识别不同损伤类型下的振动特征模式,设置动态阈值模型,根据实时数据与预测模型输出,动态调整预警阈值,阈值设置为正常振动特征预测区间的一个标准差或特定百分位数之外,根据损伤预测结果和振动特征的偏离程度,评估叶片的健康状况和潜在风险,根据风险等级,设定不同的维护触发阈值,轻微偏离正常范围可能仅需加强监测,而严重偏离则需立即安排检查或维修。[0039] 本发明具备以下有益效果:[0040] 本发明中,通过对叶片振动特性的实时监测,能够在损伤形成初期即发出预警,从而采取预防性维护措施,避免突发故障导致的高昂维修费用和长时间停机损失,实现提前预警与预防。[0041] 本发明中,通过引入深度学习模型进行测试与诊断,能够从海量数据中学习复杂的叶片振动模式,识别微小的异常变化,并且能够适应不同的风场环境和风机类型,即使在环境条件变化时也能保持较高的诊断效能,实现预防性维护,减少非计划停机时间,提高风场运营效率。附图说明[0042] 图1为本发明提出的一种风力发电机组叶片振动特性在线测试与诊断方法的方法步骤图。[0043] S1:在叶片关键位置安装振动传感器,利用多模态传感器数据,设计自适应数据采集策略,根据实时监测的振动幅度和环境变化自动调整采样率;[0044] S2:运用信号处理技术从大量数据中提取反映叶片健康状况的关键特征,评估风速、温度环境因素对振动特性的影响;[0045] S3:设计针对风电叶片损伤的定制化深度学习模型,针对时间序列数据和振动信号的特征提取,识别侵蚀、裂纹、撞击不同类型的损伤,并评估损伤程度;[0046] S4:基于实时数据流和历史趋势,自动调整预警阈值,基于损伤预测和振动模式分析,制定预防性维护计划。具体实施方式[0047] 下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。[0048] 实施例一[0049] 如图1所示,本发明提出的一种风力发电机组叶片振动特性在线测试与诊断方法,叶片振动测试诊断步骤为:[0050] S1:在叶片关键位置安装振动传感器,利用多模态传感器数据,设计自适应数据采集策略,根据实时监测的振动幅度和环境变化自动调整采样率;[0051] S2:运用信号处理技术从大量数据中提取反映叶片健康状况的关键特征,评估风速、温度环境因素对振动特性的影响;[0052] S3:设计针对风电叶片损伤的定制化深度学习模型,针对时间序列数据和振动信号的特征提取,识别侵蚀、裂纹、撞击不同类型的损伤,并评估损伤程度;[0053] S4:基于实时数据流和历史趋势,自动调整预警阈值,基于损伤预测和振动模式分析,制定预防性维护计划。[0054] 在S1中,确定叶片中最易发生损伤的关键区域,叶根、叶尖、叶片中部及已知薄弱点,在这些关键位置安装不同类型的振动传感器以及环境参数传感器,设计一套算法基于振动幅度阈值和环境参数变化来动态调整采样率。[0055] 在S1中,当前振动幅度 大于设定阈值 ,根据超出门限的比例调整采样率,振动幅度调整范围公式为:[0056][0057] 为振动幅度阈值范围内的一个调整因子,控制调整的斜率;[0058] 环境参数调整基于环境参数变化动态调整采样率,设定当前风速 ,与前一时刻风速 的变化超过 ,则按风速变化比例调整采样率:[0059][0060] 是风速变化的调整因子;[0061] 表示基础采样率,即没有风速变化影响时的默认采样频率;[0062] :最大允许的采样率,代表系统能够处理的最高采样频率限制;[0063] 当振动幅度超过预设阈值或环境条件变化剧烈时,提高采样率以捕捉更多细节;反之,在平稳运行时降低采样率以节省资源。[0064] 在S2中,通过实验或历史数据分析建立特征之间的关系模型,将振动参数和环境参数的实测值代入相应的补偿模型,计算出在当前环境条件下预期的“环境影响振动特征”,设定风速对叶片振动的主要影响可以通过一个线性关系近似,补偿模型可以表示为:[0065][0066] 是风速影响下的振动幅值校正值, 是风速影响系数, 是实测风速;[0067] 从原始振动特征中减去计算出的“环境影响振动特征”,得到校正后的振动特征,对校正后的振动特征进行深入分析,评估叶片健康状况。[0068] 在S2中,对振动参数和环境参数进行校正,原始振动信号在频率ff处的幅值为,通过补偿模型得到的风速和温度校正值分别为和,校正后的振动特征表示为:[0069][0070] :表示在频率 下,经过校正后的振动幅值;[0071] :是指原始测量得到的,在频率ff下的振动幅值;[0072] :表示风速对振动影响的校正值;[0073] :则是温度对振动影响的校正值;[0074] 从原始振动幅值中减去由风速和温度变化预计产生的振动影响,基于校正后的特征建立预测模型。[0075] 本实施例中,在S1中,将振动幅度和环境参数的影响综合考虑,取两者调整结果的较大值或加权平均值作为最终调整后的采样率:[0076][0077] 设计一个风力发电机叶片健康监测系统,需要根据叶片振动频率和环境因素调整预警阈值,以预防叶片损伤,[0078] 代表基于叶片振动特征分析的调整频率。例如,通过分析叶片振动数据发现,当振动频率超过某一阈值(基于历史数据和损伤案例)时,预示着可能存在损伤风险,这个阈值可能随着振动特征的细微变化(如振幅、频率成分的变化)而调整;[0079] 是基于环境因素调整的频率。考虑风速增加会导致叶片振动加剧,但这种加剧是正常的物理反应,不是损伤的标志。为了排除这种正常变化的影响,我们根据当前风速和温度条件计算一个调整后的阈值,以反映在特定环境条件下的“正常”振动上限;[0080] ,基于叶片振动数据分析后设定的初始预警阈值;[0081] ,当前风速20m/s和温度25°C条件下的环境影响调整后,认为在这个环境条件下叶片振动频率不应超过此值;[0082] 根据公式 ,最终的预警阈值 将是两者中的较大值,意味着在当前环境条件下,即使基于振动特征分析的阈值较低,也应以环境因素调整后的阈值为准,以避免误判和保证叶片在恶劣环境下的安全运行。[0083] 实施例二[0084] 如图1所示,基于实施例一的基础上,在S3中,基于校正后的振动信号和风速校正后的振动幅值整理成时间序列数据格式,每个样本包括一段时序数据以及对应的损伤状态标签,无损伤、侵蚀、裂纹、撞击,根据物理检查、超声波检测、视觉检查手段,对叶片的历史数据进行损伤类型和程度的标注,基于一维卷积神经网络模型进行时间序列分析,卷积层表示为:[0085][0086] 是激活函数,是偏置项, 是卷积核权重, 是输入信号;[0087] 利用时序分析提取时间序列中的周期性、趋势性特征,以及瞬时变化特征。[0088] 在S3中,基于深度学习模型提取的特征,对于损伤程度评估,修改模型输出层为连续值输出,使用回归任务的损失函数进行训练,预测损伤的严重程度,将损伤程度划分为几个等级,同时预测损伤类型和等级,在分类模型基础上,对每一类损伤进一步建立损伤程度的回归模型,将训练好的模型部署到风电叶片健康监测系统中,实时分析叶片振动数据,自动识别损伤类型和程度。[0089] 在S4中,基于历史振动数据和已知损伤事件,分析振动特征随时间的趋势,识别不同损伤类型下的振动特征模式,设置动态阈值模型,根据实时数据与预测模型输出,动态调整预警阈值,阈值设置为正常振动特征预测区间的一个标准差或特定百分位数之外,根据损伤预测结果和振动特征的偏离程度,评估叶片的健康状况和潜在风险,根据风险等级,设定不同的维护触发阈值,轻微偏离正常范围可能仅需加强监测,而严重偏离则需立即安排检查或维修。[0090] 本实施例中,一维卷积神经网络(1DCNN)模型的构建过程为:[0091] 首先将振动信号和环境参数的数值范围统一缩放,将振动幅值归一化到[0,1]之间,然后进行序列切片,将连续的振动信号切分成固定长度的序列,作为模型的输入;[0092] 输入层:形状为序列长度,通道数,通道数取决于是否加入环境参数作为额外的输入维度;[0093] 卷积层:使用一维卷积核;[0094] 激活函数: ,用于增加模型的非线性;[0095] 全连接层:用于将卷积层输出的特征映射到分类或回归问题的空间,例如128个神经元;[0096] 输出层:根据任务决定,如果是分类任务,使用Softmax函数输出各类概率;如果是回归任务,则直接输出损伤程度的预测值;[0097] 损失函数:分类任务用交叉熵损失,回归任务用均方误差(MSE)或均方根误差(RMSE);[0098] 优化器:Adam,用于更新网络权重;[0099] 将数据分为训练集、验证集和测试集,然后进行编译模型,指定损失函数、优化器和评价指标,通过反向传播和梯度下降算法优化模型参数,完成模型基础框架设计。[0100] 尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
专利地区:内蒙古
专利申请日期:2024-07-02
专利公开日期:2024-09-03
专利公告号:CN118407884B