一种海上风机叶片故障非接触式监测系统及监测方法转让专利
申请号 : CN201910081150.2
文献号 : CN109763944B
文献日 : 2021-03-12
发明人 : 綦声波 , 张亚男
申请人 : 中国海洋大学
摘要 :
权利要求 :
1.一种海上风机叶片故障非接触式监测方法,使用一种海上风机叶片故障非接触式监测系统,所述的系统包括布置在海上风机基础、塔基或单独平台上的气象信息采集系统,布置在海上风机附近海域的水文信息采集系统,布置在海上风机基础或塔架上的气动声学采集系统,气象信息采集系统、水文信息采集系统和气动声学采集系统所采集的数据实时传输至采集节点,再由采集节点通过无线终端传输至岸上数据中心,数据中心,监测系统和监控设备之间通过工业以太网连接通信;海上风机的数量为两台以上,每台海上风机都配有气象信息采集系统、水文信息采集系统、气动声学采集系统、采集节点和无线终端;所述的气象信息采集系统包括温度传感器、湿度传感器、风传感器、雨量传感器和闪电传感器;所述的水文信息采集系统包括波浪传感器、海流传感器和潮汐传感器;所述的气动声学采集系统包括声学传感器和声学信号处理单元,声学传感器的测量范围为20Hz—20kHz,声学信号处理单元数模转换器的采样频率不低于200kHz,采集位数不低于16位,采集通道不少于4通道;无线终端利用微波通信的方式将数据传输至岸上数据中心;所述的监控设备包括中央监控室计算机监测平台、远程电脑和手持设备,其特征在于,包括如下步骤:(1)通过气象信息采集系统采集气象信息,矫正风噪、极端风暴、雷声、雨声的噪声干扰;通过水文信息采集系统采集水文信息,矫正海上浪、流、潮的噪声干扰;通过气动声学采集系统采集风机叶片的气动声学信息;由采集节点控制采集过程并将采集数据通过无线终端传输至岸上数据中心;
(2)将气象信息、水文信息以及风机叶片的气动声学信息进行决策级信息融合,纠正环境噪声对气动声学信息采集的干扰,通过计算气动声学信息基于变分模态分解的多尺度样本熵,即在不同尺度上提取时间序列的样本熵,以此构建风机叶片的状态特征向量集,通过时频分析工具分析提取构建气动声学信息的时频特征,将以测试样本建立的多尺度样本熵特征向量集输入到神经网络中进行学习和训练,不断更新网络权重和结构,最终收敛得到风机叶片故障识别和分类的神经网络模型;
(3)将该神经网络模型下载至监测系统中,监测系统计算新采集得到气动声学信息的时频特征,输入到该神经网络模型中进行识别和分类,同时该神经网络模型能够根据新特征及时更新权重和神经网络结构,增强神经网络的泛化能力;
(4)由监测系统实时提供各台海上风机叶片的状态和故障信息,在发生故障时向监控设备发出报警信息,同时在监控设备上可以实时查看各台海上风机叶片的状态,并且在故障发生时做出处理。
说明书 :
一种海上风机叶片故障非接触式监测系统及监测方法
技术领域
背景技术
海上风电成为风力发电技术发展的重要方向。
海上风电机组的发电质量和效率,另外,海上风机叶片较陆上风机叶片尺寸更大、造价更
高,相应地,出现严重故障后破坏性更大、经济损失也更高。然而,目前国内外关于风机叶片
故障检测诊断方法仍然停留在比较低级的阶段。因此,发展一种在风机叶片发生故障的初
期及时检测出故障并准确地识别故障类型,为故障的排除提供支持和依据的实时在线监测
系统及监测方法具有重要的价值。
一方面,预制式传感器一旦出现故障,维修成本很高。
发明内容
水文信息采集系统,布置在海上风机基础或塔架上的气动声学采集系统,气象信息采集系
统、水文信息采集系统和气动声学采集系统所采集的数据实时传输至采集节点,再由采集
节点通过无线终端传输至岸上数据中心,数据中心,监测系统和监控设备之间通过工业以
太网连接通信。
200kHz,采集位数不低于16位,采集通道不少于4通道。
采集系统采集风机叶片的气动声学信息;由采集节点控制采集过程并将采集数据通过无线
终端传输至岸上数据中心;
度样本熵,即在不同尺度上提取时间序列的样本熵,以此构建风机叶片的状态特征向量集,
通过时频分析工具分析提取构建气动声学信息的时频特征,将以测试样本建立的多尺度样
本熵特征向量集输入到神经网络中进行学习和训练,不断更新网络权重和结构,最终收敛
得到风机叶片故障识别和分类的神经网络模型;
新特征及时更新权重和神经网络结构,增强神经网络的泛化能力;
在故障发生时做出处理。
护。
处理方法建立海上风机叶片气动声学特征向量集,然后通过机器学习方法实现对海上风机
叶片状态监测和故障识别。
附图说明
具体实施方式
不用于限定本发明。
上风机附近海域的水文信息采集系统,布置在海上风机基础或塔架上的气动声学采集系
统,气象信息采集系统、水文信息采集系统和气动声学采集系统所采集的数据实时传输至
采集节点,再由采集节点通过无线终端传输至岸上数据中心,数据中心,监测系统和监控设
备之间通过工业以太网连接通信。
以获得每一台海上风机的数据,从而使监测系统能够通过数据中心随时读取海上风电场每
台海上风机的各项信息。所述的气象信息采集系统包括温度传感器、湿度传感器、风传感
器、雨量传感器和闪电传感器。所述的水文信息采集系统包括波浪传感器、海流传感器和潮
汐传感器。所述的气动声学采集系统包括声学传感器和声学信号处理单元,声学传感器的
测量范围为20Hz—20kHz,声学信号处理单元数模转换器的采样频率不低于200kHz,采集位
数不低于16位,为保证采集声学信号的准确性,采集通道不少于4通道。无线终端利用微波
通信的方式将数据传输至岸上数据中心。所述的监控设备包括中央监控室计算机监测平
台、远程电脑和手持设备,其中手持设备为智能移动电话设备,各种监控设备均能实现风机
叶片状态数据查看、故障监测和报警处理等功能。
采集系统采集风机叶片的气动声学信息,具体地说,在本实施例中气动声学采集系统将信
号进行变分模态分解,通过对比与风机叶片旋转周期的关联性以及子带时频特性,去除海
洋环境背景噪声干扰的子带,得到纯净的风机叶片气动声学信息;由采集节点控制采集过
程并将采集数据通过无线终端传输至岸上数据中心;
度样本熵,即在不同尺度上提取时间序列的样本熵,既可以从整体上度量信号的复杂性,又
可以从不同尺度上挖掘信号深层次的细节特征,以此构建风机叶片的状态特征向量集,风
机叶片发生故障时,气动声学信息的时频特征将随之发生变化,通过时频分析工具分析提
取构建气动声学信息的时频特征,将以测试样本建立的多尺度样本熵特征向量集输入到神
经网络中进行学习和训练,不断更新网络权重和结构,最终收敛得到风机叶片故障识别和
分类的神经网络模型;
新特征及时更新权重和神经网络结构,增强神经网络的泛化能力;
在故障发生时做出处理。