[发明专利]风机叶片光纤载荷应变特征提取及裂纹监测方法

说明书

本发明公开了一种风机叶片光纤载荷应变特征提取及裂纹监测方法，其包括建立风机叶片光纤载荷数据库，构建深度降噪自编码器模型并进行训练，对风机叶片健康状态下光纤载荷数据进行处理得到重构误差数据并设置其最大值为阈值，对风机叶片检测状态下光纤载荷数据进行处理得到重构误差数据，并与阈值进行比较完成诊断。本发明能够自适应地从信号中过滤掉噪音的干扰，提取鲁棒性高的表征，用于后续的故障诊断，并且采用无监督的学习模式，利用大量无故障的健康信号训练模型，使其用于后续的在线诊断中；还能够适应复杂工况中，同时能够避免数据不平衡给模型带来的偏差。

技术领域

本发明属于机械设备故障监测技术领域，具体涉及一种风机叶片光纤载荷应变特征提取及裂纹监测方法。

背景技术

近年来我国风电行业发展迅速，装机容量逐年递增。大型风机长期在野外工作，工况恶劣，这种环境也造成了风电机组的故障率较高，其故障发生的原因也是多种多样的，风机叶片出现裂纹在风电机组的故障中所占比例相当高，严重影响风电企业的经济效益。其出现严重故障时，维修困难且维修成本极高,因此对大型风机叶片进行故障检测，进行预知维护维修，对企业降低运行维护成本，提高经济效益具有重要意义。

常用的风机叶片裂纹检测的方法存在两个有待克服的难点：1.风机叶片工况复杂，同时噪音干扰严重，难以提取到鲁棒性强的故障表征，由于材料复杂性和结构不对称性,其振动信号表现出时变特点，总过研究将短时傅里叶变换(STFT)应用于风机叶片裂纹检测中,运用短时傅里叶变换分析叶片在健康状态及不同裂纹损伤状态下自由振动信号及其变化规律,为叶片裂纹检测提供一种合理方法，然而振动信号非常容易守噪音干扰，故障信息容易被淹没，该方法难度较大；2.常用分类器要求训练数据中风机叶片正常数据和故障数据平衡，而风机在实际运行过程中长时间处于正常状态，故障发生时设备停机维修，故障数据量少，故障标签不完备，故常见的分类模型，比如BP神经网络、卷积神经网络以及支持向量机等都不适用于风机诊断的实际情况。因此，在数据严重不平衡的情况下提出一种鲁棒的特征提取方式并有效的训练诊断模型是风机叶片裂纹监测领域一项重要且有意义的研究方向。

发明内容

本发明的发明目的是：为了解决现有技术中存在的以上问题，本发明提出了一种实现在工况恶劣、噪音干扰大以及数据不平衡的情况下进行风机叶片裂纹故障诊断的风机叶片光纤载荷应变特征提取及裂纹监测方法。

本发明的技术方案是：一种风机叶片光纤载荷应变特征提取及裂纹监测方法，包括以下步骤：

A、将贴片式光纤载荷传感器分布式安装在风机叶片上，采集风机叶片健康状态下光纤载荷数据，建立风机叶片光纤载荷数据库；

B、构建深度降噪自编码器模型，利用步骤A中风机叶片健康状态下光纤载荷数据对深度降噪自编码器模型进行训练；

C、利用步骤B训练得到的深度降噪自编码器模型对风机叶片健康状态下光纤载荷数据进行处理，得到重构误差数据，并设置重构误差数据中最大值为阈值；

D、采集风机叶片检测状态下光纤载荷数据，利用步骤B训练得到的深度降噪自编码器模型对风机叶片检测状态下光纤载荷数据进行处理，得到重构误差数据；判断重构误差是否大于步骤C中阈值，若是，则风机叶片检测状态为故障状态，若否，则风机叶片检测状态为正常状态。

进一步地，所述步骤A将贴片式光纤载荷传感器分布式安装在风机叶片上具体包括将贴片式光纤载荷传感器分布式安装在风机叶片迎风面、背风面的叶缘和叶根部位。

进一步地，所述步骤B中深度降噪自编码器模型具体采用多层降噪自编码的堆叠结构，将前一层降噪自编码器的隐藏层作为下一层降噪自编码器的输入。

进一步地，所述步骤B中利用步骤A中风机叶片健康状态下光纤载荷数据对深度降噪自编码器模型进行训练具体为：对风机叶片健康状态下光纤载荷数据采用滑动平移窗处理，得到一系列短时时间序列，再将短时时间序列按顺序拼接得到一定长度的数据序列，作为深度降噪自编码器的输入。