一种风电场风机叶片状态检测方法、系统及存储介质与流程

1.本发明属于风电场风机叶片异常检测技术领域，具体涉及一种风电场风机叶片状态检测方法、系统及存储介质。


背景技术：

2.风电场多位于高山地区，自然环境恶劣，风沙、盐雾、雷电等因素会对风机叶片造成不同程度的腐蚀损伤，影响风力发电机的发电质量及性能，甚至导致机组部件失效。风机叶片作为机组中受力最复杂的部件，与空气作用最频繁、最激烈，过大的风速或者空气中砂石、盐雾等侵蚀都会对叶片产生或大或小的伤害，轻者削弱了叶片的能量转化效率，严重者甚至可能导致叶片断裂，酿成重大安全事故。
3.风电场的维护人员会定期巡检，巡检人员需要到各个风机下面，听风机叶片发出的声音，根据工作经验来判断叶片是否异常或损伤，由于每个风电场的各个风机之间相距较远，使得巡检的工作非常耗时，维护人员也非常辛苦，而且容易漏检，效率较低。如果在风机叶片上安装传感器，对风机叶片的结构设计要求十分严格，对已经在运行的风电场，去更改其结构，成本极高，不适用。也有通过提前采集哨声数据提取时频曲线，拟合重构哨声特征信号与当下的声音数据的特征信号做相关，根据其相关系数峰值确定报警阈值来判断叶片故障，由于各个风机都是建在高山区，环境复杂、风的类型不同会严重影响声音信号特征，通过拟合的方法不能很好的提取特征信号，影响阈值，进而影响故障判断，这些极大的阻碍其发展和推广使用。


技术实现要素：

4.本发明的目的在于克服现有技术之缺陷，提供了一种智能运维、无人值守的模式、成本较低、长期监测风电场风机叶片状态并在发现异常时及时向维护人员发出报警信号进行处理的风机叶片状态检测方法、装置及系统，该方法通过风机叶片声音的响度时频图结合深度学习的方法来判断是否存在异常，可实现精准而全面的检测，提高了检测效率。
5.本发明的技术方案是这样实现的：本发明公开了一种风电场风机叶片状态检测方法，包括：
6.预先采集风机叶片运行时的声音数据并建立样本数据库；
7.将采集的声音数据进行样本分类标记；
8.计算分类标记后的所有样本的响度时频图，采用多尺度卷积神经网络并融合多尺度特征进行训练，以获取模型；
9.采集实时的风机叶片运行时的声音数据，计算声音数据的响度时频图，将该声音数据的响度时频图导入模型中以判断出风机叶片状态。
10.进一步地，对预先采集的声音数据进行去噪处理后存储到样本数据库中。
11.进一步地，所述样本分类标记分为正常样本和哨声样本。
12.进一步地，计算分类标记后的所有样本的响度时频图具体包括：先利用sottek听
觉模型得到信号的时频谱，再利用filter倍频程法来提取突变的特征以得到响度时频图。
13.进一步地，采用多尺度卷积神经网络并融合多尺度特征进行训练，以获取模型具体包括：将样本的响度时频图输入卷积神经网络，选择不同尺寸的卷积核，进行卷积和下采样操作，依次得到不同尺度的特征图，执行完前面的操作后，再从当前层开始进行上采样操作得到不同尺度的特征图，叠加下采样和上采样的特征图得到融合特征，进而训练得到模型。
14.本发明还公开了一种风电场风机叶片状态检测系统，包括：
15.声音采集模块，用于采集风机叶片运行时的声音数据，对声音数据进行去噪处理；
16.数据传输模块，用于将声音数据传输到风电场服务器；
17.风电场服务器，用于建立样本数据库并存储声音数据；
18.模型训练模块，用于计算分类标记后的所有样本的响度时频图，采用多尺度卷积神经网络并融合多尺度特征进行训练，以获取模型；
19.异常声音检测模块，用于采集实时的风机叶片运行时的声音数据，计算声音数据的响度时频图，将该声音数据的响度时频图导入模型中以判断出风机叶片状态；
20.人机交互模块，用于实现报告检测结果、异常报警、运行数据查询、录音回放、人工确认、声音数据的声谱图可视化、信息推送功能。
21.进一步地，所述声音采集模块外面裹有外壳，所述外壳内安装有机组终端和声音采集器，所述声音采集器与机组终端连接，所述机组终端包括控制模块、通讯模块和电源模块，所述控制模块控制声音采集器采集声音数据以及通讯模块与风电场服务器的上位机软件之间的通讯，所述电源模块为声音采集器、控制模块、通讯模块供电，所述通讯模块负责其他模块之间的信息传递。
22.进一步地，所述外壳安装在立杆上，所述立杆安装在以风机立柱为圆心、以风机叶片长度的二分之一为半径的地面上。
23.进一步地，当检测出异常声音时，则启动异常报警功能，系统将报警信息推送到用户端，工作人员根据报警信息进行录音回放操作并进行二次确认，最终实现远程运维。
24.本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质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如上述任一项所述的风电场风机叶片状态检测方法的步骤。
25.与现有技术相比，本发明主要具有以下有益效果：本发明公开了一种风电场风机叶片状态检测方法、系统及存储介质，该检测方法包括以风机叶片受损后在运行过程中会发出周期性的哨声为依据，首先采集风机叶片运行时的声音数据，然后进行去噪处理，并传输到风电场服务器的样本数据库中进行存储，再依次将声音数据进行分类标记，一般分为正常样本和哨声样本，接着通过sottek听觉模型和filter倍频程法提取突变的特征得到响度时频图，将响度时频图输入多尺度卷积神经网络中训练得到模型权重。实时采集风机叶片运行时的声音，计算其响度时频图输入训练好的模型中进行检测。该检测系统包括声音采集模块、数据传输模块、模型训练模块、异常声音检测模块、人机交互模块、风电场服务器，该检测系统可长期监测风电场风机叶片状态并在发现异常时及时向维护人员发出报警信号进行处理，可实现远程运维，且安装简单，减轻了运维人员的工作量，运维成本远低于在风机叶片上安装传感器和人工定期巡检的成本，有利于智能运维、无人值守模式的发展。
附图说明
26.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
27.图1是本发明实施例提供的一种风电场风机叶片状态检测方法的流程图；
28.图2是本发明实施例提供的一种风电场风机叶片状态检测系统的流程图；
29.图3是本发明实施例提供的一种风电场风机叶片状态检测系统的结构示意图。
具体实施方式
30.以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。在下列段落中参照附图以举例方式更具体地描述本发明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
31.需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。
32.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
33.实施例1
34.图1所示为一种风电场风机叶片状态检测方法的流程图。优选的实施例，所述方法可由一种风电场风机叶片状态检测装置或者系统来实现，也可以完全通过计算机程序来实现。
35.本发明公开了一种风电场风机叶片状态检测的方法，包括：
36.预先采集风机叶片运行时的声音数据，对声音数据进行去噪处理，所述去噪处理可采用滤波处理等；然后将声音数据传输到风电场服务器的样本数据库中进行保存。其中，可设置间隔固定时间采集声音数据，每次采集预设时长的数据，例如，每次采集30秒数据。
37.将采集的声音数据进行样本分类标记，采用人工分类标记，具体可以通过人的耳朵依次听取保存的声音数据并进行样本分类标记；一般将样本分为正常样本和哨声样本。
38.计算分类标记后的所有样本的响度时频图，且将其采用多尺度卷积神经网络进行训练，以获取模型。所述计算分类标记后的所有样本的响度时频图具体包括：先利用sottek听觉模型得到信号的时频谱，再利用filter倍频程法来提取突变的特征以得到响度时频图。所述采用多尺度卷积神经网络并融合多尺度特征进行训练，以获取模型具体包括：将样本的响度时频图输入卷积神经网络，选择不同尺寸的卷积核，进行卷积和下采样操作，依次得到不同尺度的特征图，执行完前面的操作后，再从当前层开始进行上采样操作得到不同尺度的特征图，叠加下采样和上采样的特征图得到融合特征，进而训练得到模型。其中，卷
积操作和下采样操作一般进行多次，上采样操作一般进行三次。
39.采集实时的风机叶片运行时的声音数据，计算声音数据的响度时频图，将该声音数据的响度时频图导入模型中以判断出风机叶片状态。
40.如图2、图3所示，本发明还公开了一种风电场风机叶片状态检测系统，包括：
41.声音采集模块，用于采集风机叶片运行时的声音数据，对声音数据进行去噪处理；所述声音采集模块包括声音采集器及机组终端，所述声音采集器与机组终端连接，所述机组终端包括控制模块、通讯模块和电源模块；所述控制模块是整个机组终端的核心部分，用于控制数据采集和通讯模块与上位机软件之间的通讯，保证硬件部分功能实现；所述电源模块为声音采集器、控制模块、通讯模块供电；所述通讯模块连接控制模块和上位机软件，用于在其他模块之间的传递信息；机组终端控制声音采集器采集数据，声音采集器将采集的声音数据传输给机组终端，机组终端通过光纤环网将声音数据传输给风电场服务器进行存储。所述声音采集器和机组终端一起安装在外壳内构成一个采集装置，所述外壳安装在立杆上，所述立杆安装在以风机的立柱为圆心、以风机叶片长度的二分之一为半径的地面上，以提高哨声采集信噪比，且不影响风机叶片的正常运行，所述立柱的高度为3～4米。所述控制模块，还能够进行滤波处理去除声音数据的噪声。可设置间隔固定时间进行数据采集，每次采集预设时长的数据进行去噪处理，例如，一般每次采集30秒数据。
42.数据传输模块，用于将声音数据传输到风电场服务器；
43.风电场服务器，用于建立样本数据库并存储声音数据；
44.模型训练模块，用于计算分类标记后的所有样本的响度时频图，采用多尺度卷积神经网络并融合多尺度特征进行训练，以获取模型；将采集的声音数据进行样本分类标记，采用人工分类标记，具体可以通过人的耳朵依次听取保存的声音数据并进行样本分类标记；一般将样本分为正常样本和哨声样本。所述计算分类标记后的所有样本的响度时频图具体包括：先利用sottek听觉模型得到信号的时频谱，再利用filter倍频程法来提取突变的特征以得到响度时频图。所述采用多尺度卷积神经网络并融合多尺度特征进行训练，以获取模型具体包括：将样本的响度时频图输入卷积神经网络，选择不同尺寸的卷积核，进行卷积和下采样操作，依次得到不同尺度的特征图，执行完前面的操作后，再从当前层开始进行上采样操作得到不同尺度的特征图，叠加下采样和上采样的特征图得到融合特征，进而训练得到模型。其中，卷积操作和下采样操作一般进行多次，上采样操作一般进行三次。
45.异常声音检测模块，用于采集实时的风机叶片运行时的声音数据，计算声音数据的响度时频图，将该声音数据的响度时频图导入模型中以判断出风机叶片状态。
46.人机交互模块，用于实现检测结果报告、异常报警、运行数据查询、录音回放、人工确认、声音数据的声谱图可视化、信息推送功能。当检测出异常声音时，则启动异常报警功能，系统将报警信息推送到用户端，工作人员根据报警信息进行录音回放操作，然后进行二次确认以实现远程运维。
47.实施例3
48.本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质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如上述任一项所述的风电场风机叶片状态检测方法的步骤。
49.以上所述，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡
本行业的普通技术人员均可按说明书附图所示和以上所述而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。

技术特征：
1.一种风电场风机叶片状态检测方法，其特征在于，包括：预先采集风机叶片运行时的声音数据并建立样本数据库；将采集的声音数据进行样本分类标记；计算分类标记后的所有样本的响度时频图，采用多尺度卷积神经网络并融合多尺度特征进行训练，以获取模型；采集实时的风机叶片运行时的声音数据，计算声音数据的响度时频图，将该声音数据的响度时频图导入模型中以判断出风机叶片状态。2.如权利要求1所述的一种风电场风机叶片状态检测方法，其特征在于，对预先采集的声音数据进行去噪处理后存储到样本数据库中。3.如权利要求1所述的一种风电场风机叶片状态检测方法，其特征在于，所述样本分类标记分为正常样本和哨声样本。4.如权利要求1所述的一种风电场风机叶片状态检测方法，其特征在于，计算分类标记后的所有样本的响度时频图具体包括：先利用sottek听觉模型得到信号的时频谱，再利用filter倍频程法来提取突变的特征以得到响度时频图。5.如权利要求1所述的一种风电场风机叶片状态检测方法，其特征在于，采用多尺度卷积神经网络并融合多尺度特征进行训练，以获取模型具体包括：将样本的响度时频图输入卷积神经网络，选择不同尺寸的卷积核，进行卷积和下采样操作，依次得到不同尺度的特征图，执行完前面的操作后，再从当前层开始依次进行上采样操作得到不同尺度的特征图，叠加下采样和上采样的特征图得到融合特征，进而训练得到模型。6.一种风电场风机叶片状态检测系统，其特征在于，包括：声音采集模块，用于采集风机叶片运行时的声音数据，对声音数据进行去噪处理；数据传输模块，用于将声音数据传输到风电场服务器；风电场服务器，用于建立样本数据库并存储声音数据；模型训练模块，用于计算分类标记后的所有样本的响度时频图，采用多尺度卷积神经网络并融合多尺度特征进行训练，以获取模型；异常声音检测模块，用于采集实时的风机叶片运行时的声音数据，计算声音数据的响度时频图，将该声音数据的响度时频图导入模型中以判断出风机叶片状态；人机交互模块，用于实现报告检测结果、异常报警、运行数据查询、录音回放、人工确认、声音数据的声谱图可视化、信息推送功能。7.如权利要求6所述的一种风电场风机叶片状态检测系统，其特征在于，所述声音采集模块外面裹有外壳，所述外壳内安装有机组终端和声音采集器，所述声音采集器与机组终端连接，所述机组终端包括控制模块、通讯模块和电源模块，所述控制模块控制声音采集器采集声音数据以及通讯模块与风电场服务器的上位机软件之间的通讯，所述电源模块为声音采集器、控制模块、通讯模块供电，所述通讯模块负责其他模块之间的信息传递。8.如权利要求6所述的一种风电场风机叶片状态检测系统，其特征在于，所述外壳安装在立杆上，所述立杆安装在以风机立柱为圆心，以风机叶片长度的二分之一为半径的地面上。9.如权利要求7所述的一种风电场风机叶片状态检测系统，其特征在于，当检测出异常声音时，则启动异常报警功能，系统将报警信息推送到用户端，工作人员根据报警信息进行
录音回放操作并进行二次确认，最终实现远程运维。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1-5任一项所述的风电场风机叶片状态检测方法的步骤。

技术总结
本发明公开了一种风电场风机叶片状态检测方法，包括：预先采集风机叶片运行时的声音数据并建立样本数据库；将采集的声音数据进行样本分类标记；计算分类标记后的所有样本的响度时频图，采用多尺度卷积神经网络并融合多尺度特征进行训练，以获取模型；采集实时的风机叶片运行时的声音数据，计算声音数据的响度时频图，将该声音数据的响度时频图导入模型中以判断出风机叶片状态。本发明还公开了一种风电场风机叶片状态检测系统，包括声音采集模块、数据传输模块、模型训练模块、异常声音检测模块、人机交互模块、风电场服务器。本发明可实现精准而全面的风电场风机叶片状态检测，有助于远程运维，提高了检测效率，降低了运维成本。降低了运维成本。降低了运维成本。


技术研发人员：向未林 司楚 周万长 彭玲 刘仁军
受保护的技术使用者：武汉华中数控股份有限公司
技术研发日：2022.12.27
技术公布日：2023/5/25