一种风机叶片故障检测方法、装置、设备及可读存储介质与流程

本发明涉及风机叶片检测、叶片状态监测，特别涉及一种风机叶片故障检测方法、装置、设备及可读存储介质。

背景技术：

1、风力机叶片作为风电机组能量转换的关键部件，叶片的可靠性对于风电机组的发电效率和安全运行起着至关重要的作用。目前该领域尚未有一种成熟有效的叶片在线监测技术，近年来，学者和专家们提出了多种检测方法，都难以实现在线监测，还有学者提出利用scada(数据采集与监视控制系统)系统监测叶片变桨角度、功率，通过监测的叶片变桨角度、功率的监测值与理论值进行偏差分析，并设置相对应的预、报警阈值，来进行叶片情况检测。但由于风电机组工作状态复杂，工况受多方面因素的影响，叶片变桨角度、功率的离散性较大，因此难以准确计算上述物理量的理论值，因此该方法针对性不强，准确度不高。

2、因此，目前对风机叶片进行故障检测的方法存在准确度不高的技术问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种风机叶片故障检测方法、装置、设备及可读存储介质，解决了现有技术中风机叶片故障检测准确度低的技术问题。

2、为解决上述技术问题，本发明提供了一种风机叶片故障检测方法，包括：

3、采集叶片振动加速度，并利用所述叶片振动加速度进行快速傅氏变换确定实际叶片振动模态频率；

4、采集主轴轴向振动加速度，并利用所述主轴轴向振动加速度进行所述快速傅氏变换确定主轴轴向实际转频和主轴轴向实际转频幅值；

5、利用所述实际叶片振动模态频率和所述主轴轴向实际转频及其幅值确定所述风机叶片是否存在故障。

6、可选的，所述采集叶片振动加速度，并利用所述叶片振动加速度进行快速傅氏变换确定实际叶片振动模态频率，包括：

7、对所述叶片振动加速度进行积分运算，确定叶片振动位移；

8、对所述叶片振动位移进行所述快速傅氏变换运算后，利用理论叶片振动模态频率确定第一预设搜索范围，在所述第一预设搜索范围内搜索最大频谱幅值，将所述最大频谱幅值所对应的叶片振动模态频率确定为所述实际叶片振动模态频率。

9、可选的，所述利用所述实际叶片振动模态频率和所述主轴轴向实际转频及其幅值确定所述风机叶片是否存在故障，包括：

10、利用所述实际叶片振动模态频率和理论叶片振动模态频率的差值，除以所述理论叶片模态频率，得到叶片模态频率偏差；

11、利用所述叶片模态频率偏差和模态频率偏差门限值确定是否存在叶片模态频率偏差。

12、可选的，所述采集主轴轴向振动加速度，并利用所述主轴轴向振动加速度进行所述快速傅氏变换确定主轴轴向实际转频和主轴轴向实际转频幅值，包括：

13、对所述主轴轴向振动加速度进行积分运算，得到主轴轴向振动位移；

14、对所述主轴轴向振动位移进行所述快速傅氏变换运算，利用风轮平均转频确定第二预设搜索范围，在所述第二预设搜索范围内搜索最大频谱幅值，将所述最大频谱幅值所对应的主轴轴向转频及其幅值确定为所述主轴轴向实际转频及主轴轴向实际转频幅值。

15、可选的，所述利用所述实际叶片振动模态频率和所述主轴轴向实际转频及其幅值确定所述风机叶片是否存在故障，包括：

16、利用所述主轴轴向实际转频与叶片数的乘积，确定叶片振动参考频率，利用所述叶片振动参考频率确定第三预设搜索范围，在所述第三预设搜索范围内搜索最大频谱幅值，确定主轴轴向振动位移频谱最大频谱幅值；

17、利用所述主轴轴向实际转频幅值和所述主轴轴向振动位移频谱最大频谱幅值的比值，确定转频-叶频幅度比；

18、根据所述转频-叶频幅度比与转频-叶频幅度门限值，确定是否满足风轮不平衡振动条件。

19、可选的，上述风机叶片故障检测方法，还包括：

20、确定符合叶片覆冰气象条件时，判断在所述叶片覆冰气象条件下，所述叶片模态频率偏差是否超门限，以及所述转频-叶频幅度是否超门限，以及所述转频-叶频幅度比的趋势曲线中是否存在突变；

21、若所述叶片模态频率偏差超门限，以及所述转频-叶频幅度比超门限，且所述转频-叶频幅度比的趋势曲线中存在突变，则确定为叶片覆冰故障。

22、可选的，在所述确定符合叶片覆冰气象条件时之前，还包括：

23、获取叶片工作环境下的气象因素；其中，所述气象因素包括空气温度、空气湿度和气压；

24、根据预设温度阈值、预设湿度阈值和预设气压阈值，确定所述空气温度是否小于或等于所述预设温度阈值，以及所述空气湿度是否大于或等于所述预设湿度阈值，以及气压是否小于或等于所述预设气压阈值；

25、当确定所述空气温度小于或等于所述预设温度阈值，以及所述空气湿度大于或等于所述预设湿度阈值，以及所述气压小于或等于所述预设气压阈值时，确定符合所述叶片覆冰气象条件。

26、可选的，所述转频-叶频幅度比的趋势曲线中存在突变的确定过程，包括：

27、确定两个时间点对应的趋势突变因子；其中，所述趋势突变因子的公式为其中，i和k分别表示不同的时间点，w2(i)表示i点的转频-叶频幅度比，w2(k)表示k点的转频-叶频幅度比；

28、确定所述趋势突变因子是否大于趋势突变门限值；

29、当大于时，确定存在突变。

30、可选的，所述利用所述实际叶片振动模态频率和所述主轴轴向实际转频及其幅值确定所述风机叶片是否存在故障，包括：

31、利用所述实际叶片振动模态频率和理论叶片模态频率之差与所述理论叶片模态频率的比值，确定叶片模态频率偏差，并将所述叶片模态频率偏差作为第一类特征量；

32、利用所述主轴轴向实际转频的主轴轴向实际转频幅值和主轴轴向振动位移频谱最大频谱幅值的比值，确定转频-叶频幅度比，并将所述转频-叶频幅度比作为第二类特征量；

33、利用连续多条样本对应的多个所述第一类特征量和多个所述第二类特征量构造第一特征矩阵；其中，所述第一特征矩阵中的元素表示第m个样本第n类特征量的值；

34、对所述第一特征矩阵进行超阈值计算后得到第二特征矩阵；

35、采用熵值法计算所述第二特征矩阵中各特征量的权重，并基于线性加权模型和各个特征阈值实现对叶片故障状态的综合决策。

36、可选的，所述采用熵值法计算所述第二特征矩阵中各特征量的权重，并基于线性加权模型和各个特征阈值实现对叶片故障状态的综合决策，包括：

37、对所述第二特征矩阵的各个样本的所有特征量的值进行归一化处理；

38、利用熵值法计算所有特征量的熵值，利用所述熵值确定偏差度；

39、对所述偏差度进行归一化处理，得到各类特征量的权重值，

40、将所述权重值构建得到决策矩阵；

41、利用所述线性加权模型对所述决策矩阵中的各个权重值进行综合决策，确定综合决策值，通过判断各个样本的综合决策值与对应的综合决策限制门限值的大小，输出综合决策结果。

42、可选的，所述利用所述线性加权模型对所述决策矩阵中的各个权重值进行综合决策，确定综合决策值，通过判断各个样本的综合决策值与对应的综合决策限制门限值的大小，输出综合决策结果，包括：

43、利用所述线性加权模型对所述各个权重值进行综合决策，确定综合决策值，所述线性加权模型为：yi为第i个样本的综合决策值，xij为第i条样本的第j个特征量的值，wj为第j类特征的权重值。

44、可选的，通过风机叶片上的传感器获取所述叶片振动加速度；通过风机主轴下方的振动传感器采集所述主轴轴向振动加速度。

45、本技术还提供了一种风机叶片故障检测装置，包括：

46、实际叶片振动模态频率确定模块，用于采集叶片振动加速度，并利用所述叶片振动加速度进行快速傅氏变换确定实际叶片振动模态频率；

47、主轴轴向实际转频确定模块，用于采集主轴轴向振动加速度，并利用所述主轴轴向振动加速度进行所述快速傅氏变换确定主轴轴向实际转频和主轴轴向实际转频幅值；

48、叶片故障确定模块，用于利用所述实际叶片振动模态频率和所述主轴轴向实际转频及其幅值确定所述风机叶片是否存在故障。

49、本技术还提供了一种风机叶片故障检测设备，包括：

50、存储器，用于存储计算机程序；

51、处理器，用于执行所述计算机程序时实现如上述的风机叶片故障检测方法。

52、本技术还提供了一种可读存储介质，所述可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上述的风机叶片故障检测方法。

53、可见，本发明通过获取预设时间段的叶片振动加速度，并利用叶片振动加速度进行快速傅氏变换确定实际叶片振动模态频率；采集预设时间段的主轴轴向振动加速度，并利用主轴轴向振动加速度进行所述快速傅氏变换确定主轴轴向实际转频及其幅值；利用实际叶片振动模态频率和主轴轴向实际转频及其幅值确定所述风机叶片是否存在故障。和现有技术相比，本技术提出了一种基于多振动特征联合诊断的方法实现风力机叶片故障的识别，首先通过提取风机叶片的叶片振动加速度和主轴轴向振动加速度两个振动特征对风机叶片故障进行识别，由于叶片振动加速度和主轴轴向振动加速度的异常判断指标是通过故障机理分析得到的不依赖大量历史数据的指标，故可以实现风力机叶片故障的精确诊断；并且采用多样本、多特征的熵值加权综合决策方法，进一步实现对故障可信度大小的定量分析和精准诊断，避免了异常单样本导致的错误决策，整体实现了对风力机叶片故障的精确诊断；并且，提出通过振动数据指标来进行叶片覆冰判断的具体方法，在结合温度等气象因素特征上，能够进一步识别叶片覆冰故障；并且，该检测系统可以实现风机叶片故障的实时监测，监测系统安装方便，数据处理流程简单、易实现，诊断效果较好，具有良好的工程应用价值。

54、此外，本发明还提供了一种风机叶片故障检测装置、设备及可读存储介质，同样具有上述有益效果。