技术新讯 > 发动机及配件附件的制造及其应用技术 > 一种基于振动的风电机组桨叶异常检测方法及装置与流程  >  正文

一种基于振动的风电机组桨叶异常检测方法及装置与流程

  • 国知局
  • 2024-07-27 13:15:10

本说明书的一个或多个实施例涉及风电,具体涉及一种基于振动的风电机组桨叶异常检测方法及装置。

背景技术:

1、风电机组是利用风能转换为电能的设备,主要由塔筒、机舱、桨叶、发电机、控制系统等部分组成。其中,塔筒用于支撑整个风电机组,机舱内包含发电机等核心组件,桨叶则是捕获风能的关键部件,通过旋转产生力量,驱动发电机转动,最终通过控制系统将电能输出。

2、随着风电建设的稳步推进,近年来越来越多的风机部署在山区和近海等偏远地区,以更好地利用风资源,与此同时风电机组需要面临更为恶劣的运维条件和更为复杂的天气状况,导致风机桨叶结冰、扫塔、断桨等事故愈加频繁。根据现有研究,叶片故障主要源于应力疲劳载荷导致叶片变形和结构松动,最终致使叶片断裂。风机的监控和数据采集(scada)数据可提供风速、偏航角、桨距角等影响叶片受风荷载特性的相关参数,深度学习作为数据驱动方法中的主要方法,在近年来在使用scada数据进行风机故障检测方面变得越来越受欢迎。因此,实时智能监测风电机组桨叶叶片状态,并及时发出异常警报,在减少运营停机时间、降低风电场运营成本方面具有重要价值。

3、相关技术中,通过部署于风电机组上的传感器捕获scada数据(包括风速、有功功率、转子转速、主轴承温度、齿轮箱油温、齿轮箱轴承温度、发电机前轴承温度、发电机后轴承温度、发电机绕组温度、发电机转速、油液压力、环境温度等参数),并根据scada数据推断桨叶是否出现异常。然而,该方法检测的准确度不够高,时常出现漏检、错检现象。上述相关方法抛开了风力机组叶片故障的振动学特性,缺乏可解释性,难以工程落地。

技术实现思路

1、本说明书实施例提供了一种基于振动的风电机组桨叶异常检测方法、装置、电子设备、存储介质,其技术方案如下:

2、第一方面,本说明书实施例提供了一种基于振动的风电机组桨叶异常检测方法,包括:

3、获取风电机组在目标时段内的scada数据和机舱振动数据;

4、将获取到的数据输入至预先训练得到的桨叶异常检测模型中,以使所述桨叶异常检测模型输出检测结果;其中,所述桨叶异常检测模型包括振动特征提取层、scada特征提取层以及异常检测层,所述振动特征提取层用于基于变分模态分解技术和核主成分分析技术提取所述机舱振动数据中的振动特征,所述scada特征提取层用于根据abt网络提取所述scada数据中的scada特征,所述异常检测层用于根据目标残差值和预先训练得到的正常残差值范围的对比结果输出检测结果,所述目标残差值根据提取的振动特征和scada特征计算得到;

5、根据所述桨叶异常识别模型输出的检测结果确定所述风电机组的桨叶在所述目标时段内是否出现异常。

6、第二方面,本说明书实施例提供了一种桨叶异常检测模型的训练方法,包括:

7、获取训练数据集,所述训练数据集中的每一训练样本包括:风电机组在同一时间段内的scada数据和机舱振动数据,以及所述风电机组的桨叶在该时段内的真实检测结果;

8、将所述训练数据集输入至待训练模型,以使所述待训练模型输出所述风电机组的桨叶在该时段内的预测检测结果;

9、对比所述真实检测结果和所述预测检测结果,并根据对比结果对所述待训练模型进行优化。

10、第三方面,本说明书实施例提供了一种基于振动的风电机组桨叶异常检测装置,包括:

11、获取单元,用于获取风电机组在目标时段内的scada数据和机舱振动数据;

12、输入单元,用于将获取到的数据输入至预先训练得到的桨叶异常检测模型中,以使所述桨叶异常检测模型输出检测结果;其中,所述桨叶异常检测模型包括振动特征提取层、scada特征提取层以及异常检测层,所述振动特征提取层用于基于变分模态分解技术和核主成分分析技术提取所述机舱振动数据中的振动特征,所述scada特征提取层用于根据abt网络提取所述scada数据中的scada特征,所述异常检测层用于根据目标残差值和预先训练得到的正常残差值范围的对比结果输出检测结果,所述目标残差值根据提取的振动特征和scada特征计算得到;

13、确定单元,用于根据所述桨叶异常识别模型输出的检测结果确定所述风电机组的桨叶在所述目标时段内是否出现异常。

14、第四方面,本说明书实施例提供了一种桨叶异常检测模型的训练装置,包括:

15、获取单元,用于获取训练数据集,所述训练数据集中的每一训练样本包括:风电机组在同一时间段内的scada数据和机舱振动数据,以及所述风电机组的桨叶在该时段内的真实检测结果;

16、输入单元,用于将所述训练数据集输入至待训练模型,以使所述待训练模型输出所述风电机组的桨叶在该时段内的预测检测结果;

17、优化单元,用于对比所述真实检测结果和所述预测检测结果,并根据对比结果对所述待训练模型进行优化。

18、第五方面,本说明书实施例提供了一种电子设备,包括处理器以及存储器;所述处理器与所述存储器相连;所述存储器,用于存储可执行程序代码;所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于执行上述实施例第一方面或第二方面所述的步骤。

19、第六方面,本说明书实施例提供了一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行上述实施例第一方面或第二方面所述的步骤。

20、本说明书一些实施例提供的技术方案带来的有益效果至少包括:

21、一方面,不再拘泥于单一的scada数据,而是基于scada数据和机舱振动数据两种数据对风电机组的桨叶异常进行检测,增加了异常检测的准确度;另一方面,不仅基于变分模态分解技术和核主成分分析技术提取所述机舱振动数据中的振动特征,解决了振动信号形式难以判断的问题,还根据abt网络提取所述scada数据中的scada特征,实现对于复杂多变、模式混杂的scada数据的特征提取。

技术特征:

1.一种基于振动的风电机组桨叶异常检测方法,包括:

2.根据权利要求1所述的一种基于振动的风电机组桨叶异常检测方法,所述振动特征提取层提取的振动特征的过程包括:

3.根据权利要求1所述的一种基于振动的风电机组桨叶异常检测方法,所述abt网络基于动态卷积核机制构建。

4.根据权利要求1所述的一种基于振动的风电机组桨叶异常检测方法,所述目标残差值的计算过程包括:

5.根据权利要求1所述的一种基于振动的风电机组桨叶异常检测方法,所述异常检测层根据对比结果输出检测结果的过程包括:

6.一种桨叶异常检测模型的训练方法,包括:

7.一种基于振动的风电机组桨叶异常检测装置,包括:

8.一种桨叶异常检测模型的训练装置,包括:

9.一种电子设备,包括处理器以及存储器;

10.一种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1~6任一项所述的方法。

技术总结本说明书实施例公开了一种基于振动的风电机组桨叶异常检测方法及装置。所述方法包括:获取风电机组在目标时段内的SCADA数据和机舱振动数据;将获取到的数据输入至预先训练得到的桨叶异常检测模型中,所述桨叶异常检测模型包括振动特征提取层、SCADA特征提取层以及异常检测层,所述振动特征提取层用于基于变分模态分解技术和核主成分分析技术提取所述机舱振动数据中的振动特征,所述SCADA特征提取层用于根据ABT网络提取所述SCADA数据中的SCADA特征,所述异常检测层用于根据目标残差值和预先训练得到的正常残差值范围的对比结果输出检测结果;根据所述桨叶异常识别模型输出的检测结果确定所述风电机组的桨叶在所述目标时段内是否出现异常。技术研发人员:王卿,刘强,王博特,占晓明,郑淑倩,邓宜为,徐哲能,徐景涛受保护的技术使用者:浙江华东测绘与工程安全技术有限公司技术研发日:技术公布日:2024/6/13

本文地址:https://www.jishuxx.com/zhuanli/20240726/125583.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。