海上风电设备的运维方法和系统与流程

本发明涉及海上风电运维，具体涉及一种海上风电设备的运维方法和一种海上风电设备的运维系统。

背景技术：

1、海上风电相对于陆上风电而言，具有不占用土地资源、不受地形地貌和人类活动的影响、风能资源更丰富等优势，因此，目前国内外海上风电产业正在快速发展。

2、然而，由于海上环境的风力较大、恶劣天气多、空气湿度大且多发盐雾等的影响，海上风电设备的易损性和故障率相对于陆上风电设备而言要高，因此对海上风电设备的运维尤其重要。

3、目前对于海上风电设备的运维方式在技术上主要有利用传感器对风力发电机机组相关的设备进行检测和故障诊断、结合大数据和机器学习等技术进行故障预测、利用机器视觉进行外部缺陷检测等，进而针对性地进行故障和缺陷的排除。其中，在利用机器视觉进行外部缺陷检测时，相关技术多是通过无人机携带相机对风机的叶片拍摄照片或视频，由于风机叶片较大且是立体的，想要获取每个风机叶片的表面图像，需要拍摄大量的高清照片或视频，例如申请号为cn201910514880.7的中国专利，其针对每个叶片设置4条巡检路径、每个风机共12条路径进行图像采集，所采集到的大量图像在数据传输和处理分析时均存在较大困难。

技术实现思路

1、本发明为解决上述技术问题，提供了一种海上风电设备的运维方法和系统，能够通过对传感器数据的分析初步获知风机叶片的健康状况，从而针对性地采集有可能存在缺陷的风机叶片的图像进行缺陷分析，大大减小了利用机器视觉进行风机叶片运维时的数据传输和数据分析量，并且便于更加及时地对出现缺陷的风机叶片进行维护。

2、本发明采用的技术方案如下：

3、一种海上风电设备的运维方法，所述海上风电设备包括多个风机，在每个所述风机的每个叶片的叶尖均设置有振动传感器，所述运维方法包括以下步骤：在风机处于运转状态时，通过该风机的n个叶片的叶尖的n个振动传感器采集n个原始振动信号，其中，n为大于2的整数；对所述n个原始振动信号进行处理，得到该风机的n个叶片的自身振动信号；获取所述n个叶片中每两个叶片的自身振动信号的相似度参数，并在所述相似度参数大于预设阈值时，判断该两个叶片的自身振动信号相似，以及在所述相似度参数不大于所述预设阈值时，判断该两个叶片的自身振动信号不相似；如果所述n个叶片的自身振动信号均相似，则将该风机标记为叶片健康风机；如果所述n个叶片中有一个叶片的自身振动信号与其他n-1个叶片的自身振动信号不相似，且其他n-1个叶片的自身振动信号均相似，则将该风机标记为叶片不健康风机，并将该自身振动信号与其他n-1个叶片的自身振动信号不相似的叶片标记为不健康叶片；如果所述n个叶片的自身振动信号各不相似，则将该风机标记为叶片健康状况不明风机；在通过图像采集装置进行图像采集时，将所述叶片健康风机不纳入采集范围，将所述叶片不健康风机和所述叶片健康状况不明风机纳入采集范围，并采集所述叶片不健康风机的不健康叶片的图像和所述叶片健康状况不明风机的所有叶片的图像；根据所述图像采集装置采集到的图像对图像中的叶片进行缺陷分析，并在分析出缺陷时将缺陷分析结果发送至运维终端。

4、对所述n个原始振动信号进行处理，得到该风机的n个叶片的自身振动信号，具体包括：去除所述原始振动信号中的非周期性成分，得到对应的自身振动信号。

5、获取所述n个叶片中每两个叶片的自身振动信号的相似度参数，具体包括：根据每个叶片的自身振动信号的幅值参数计算每个叶片的自身振动信号的波动参数；计算所述n个叶片中每两个叶片的自身振动信号的相关系数；根据每个叶片的自身振动信号的波动参数和所述n个叶片中每两个叶片的自身振动信号的相关系数，计算所述n个叶片中每两个叶片的自身振动信号的相似度参数。

6、根据下式计算所述波动参数：，

7、其中， f表示所述波动参数， a max、 a min分别表示自身振动信号的最大幅值、最小幅值， a i、 a i+1分别表示自身振动信号的第 i个、第 i+1个极值点的幅值， m表示自身振动信号的极值点的总数量， t i、 t i+1分别表示自身振动信号的第 i个、第 i+1个极值点出现的时间。

8、根据下式计算所述相关系数：，

9、其中， x( t)、 y( t)表示两个自身振动信号， ρ x, y表示自身振动信号 x( t)与自身振动信号 y( t)的相关系数，表示在信号采集时间段内的积分。

10、根据下式计算所述相似度参数：，

11、其中， s x, y表示自身振动信号 x( t)与自身振动信号 y( t)的相似度参数， e为自然常数， f x、 f y分别表示自身振动信号 x( t)的波动参数和自身振动信号 y( t)的波动参数， m x、 m y分别表示自身振动信号 x( t)的极值点的总数量和自身振动信号 y( t)的极值点的总数量。

12、所述图像采集装置设置于无人机上，所述缺陷分析结果包括缺陷类型、叶片所属的风机的编号和叶片编号。

13、一种海上风电设备的运维系统，所述海上风电设备包括多个风机，所述运维系统包括振动传感器、第一计算机、图像采集装置、第二计算机和运维终端，其中，在每个所述风机的每个叶片的叶尖均设置所述振动传感器，在风机处于运转状态时，通过该风机的n个叶片的叶尖的n个振动传感器采集n个原始振动信号，其中，n为大于2的整数；所述第一计算机用于：对所述n个原始振动信号进行处理，得到该风机的n个叶片的自身振动信号，获取所述n个叶片中每两个叶片的自身振动信号的相似度参数，并在所述相似度参数大于预设阈值时，判断该两个叶片的自身振动信号相似，以及在所述相似度参数不大于所述预设阈值时，判断该两个叶片的自身振动信号不相似，在所述n个叶片的自身振动信号均相似时，将该风机标记为叶片健康风机，在所述n个叶片中有一个叶片的自身振动信号与其他n-1个叶片的自身振动信号不相似，且其他n-1个叶片的自身振动信号均相似时，将该风机标记为叶片不健康风机，并将该自身振动信号与其他n-1个叶片的自身振动信号不相似的叶片标记为不健康叶片，在所述n个叶片的自身振动信号各不相似时，将该风机标记为叶片健康状况不明风机；所述图像采集装置在进行图像采集时，将所述叶片健康风机不纳入采集范围，将所述叶片不健康风机和所述叶片健康状况不明风机纳入采集范围，并采集所述叶片不健康风机的不健康叶片的图像和所述叶片健康状况不明风机的所有叶片的图像；所述第二计算机用于根据所述图像采集装置采集到的图像对图像中的叶片进行缺陷分析，并在分析出缺陷时将缺陷分析结果发送至所述运维终端。

14、所述第一计算机具体用于去除所述原始振动信号中的非周期性成分，得到对应的自身振动信号。

15、所述第一计算机具体用于：根据每个叶片的自身振动信号的幅值参数计算每个叶片的自身振动信号的波动参数；计算所述n个叶片中每两个叶片的自身振动信号的相关系数；根据每个叶片的自身振动信号的波动参数和所述n个叶片中每两个叶片的自身振动信号的相关系数，计算所述n个叶片中每两个叶片的自身振动信号的相似度参数。

16、所述第一计算机根据下式计算所述波动参数：

17、，

18、其中， f表示所述波动参数， a max、 a min分别表示自身振动信号的最大幅值、最小幅值， a i、 a i+1分别表示自身振动信号的第 i个、第 i+1个极值点的幅值， m表示自身振动信号的极值点的总数量， t i、 t i+1分别表示自身振动信号的第 i个、第 i+1个极值点出现的时间。

19、所述第一计算机根据下式计算所述相关系数：，

20、其中， x( t)、 y( t)表示两个自身振动信号， ρ x, y表示自身振动信号 x( t)与自身振动信号 y( t)的相关系数，表示在信号采集时间段内的积分。

21、所述第一计算机根据下式计算所述相似度参数：，

22、其中， s x, y表示自身振动信号 x( t)与自身振动信号 y( t)的相似度参数， e为自然常数， f x、 f y分别表示自身振动信号 x( t)的波动参数和自身振动信号 y( t)的波动参数， m x、 m y分别表示自身振动信号 x( t)的极值点的总数量和自身振动信号 y( t)的极值点的总数量。

23、所述图像采集装置设置于无人机上，所述缺陷分析结果包括缺陷类型、叶片所属的风机的编号和叶片编号。

24、本发明的有益效果：

25、本发明通过获取风机叶片叶尖的振动信号，并通过比较多个叶片的振动信号的相似度来为风机及其叶片的健康状况做标记，以及通过图像采集装置仅采集疑似不健康的叶片的图像来进行缺陷分析，并在分析出缺陷时告知运维终端，由此，能够通过对传感器数据的分析初步获知风机叶片的健康状况，从而针对性地采集有可能存在缺陷的风机叶片的图像进行缺陷分析，大大减小了利用机器视觉进行风机叶片运维时的数据传输和数据分析量，并且便于更加及时地对出现缺陷的风机叶片进行维护。