[发明专利]一种风机叶片状态监测方法及系统

说明书

本发明涉及一种风机叶片状态监测方法，该方法包括以下步骤：步骤S1：构建风机叶片图像的训练数据集和测试数据集；步骤S2：构建卷积神经网络；步骤S3：利用训练数据集训练卷积神经网络，得到训练好的卷积神经网络；步骤S4：利用测试数据集测试训练好的神经网络，若满足条件，则执行步骤S5，否则，执行步骤S3；步骤S5：使用交替方向乘子法对训练好的卷积神经网络进行压缩，得到压缩卷积神经网络；步骤S6：采集待测风机叶片图像，将待测风机叶片图像输入压缩卷积神经网络，得到风机叶片状态。与现有技术相比，本发明对风电机组的安全稳定运行和风电领域的设备维护领域是具有重要意义。

技术领域

本发明涉及风机叶片故障诊断领域，尤其是涉及一种风机叶片状态监测方法及系统。

背景技术

风机叶片是风力发电机的核心部件之一，约占风机总成本的15％-20％，风机叶片状态的好坏将直接关系到风机的性能以及效益。

风机叶片状态监测目前所有的研究主要集中于传感器信号的处理上，通过在风机叶片上安装不同的传感器以获取相应的信号(包括振动信号、张力信号、声发射信号、超声波信号等等)，再通过对应的信号处理以达到故障诊断的目的。另外，在正常运行的风电场中，现场通过望远镜、“蜘蛛人”进行直接目视检查居多。

首先，传感器的信号获取存在不稳定性，其易受周围环境的影响，又由于风机叶片的材质是高阻尼材料，信号的传播等极易受到影响，为保证诊断的准确性，多种且多个传感器是需要在风机叶片上安装的，由此便带来传感器的安装与叶片制作成本的问题；其次，在风电机组20年到30年的运行时间内，获取得到的大量信号数据(传感器的采样频率较高)的处理与存储同样是个问题。人工目视检查则存在工作效率的问题，这将导致机组长时间停机，影响风电场的经济效益。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种风机叶片状态监测方法及系统。

本发明的目的可以通过以下技术方案来实现：

一种风机叶片状态监测方法，该方法包括以下步骤：

步骤S1：构建风机叶片图像的训练数据集和测试数据集；

步骤S2：构建卷积神经网络；

步骤S3：利用训练数据集训练卷积神经网络，得到训练好的卷积神经网络；

步骤S4：利用测试数据集测试训练好的神经网络，若满足条件，则执行步骤S5，否则，执行步骤S3；

步骤S5：使用交替方向乘子法对训练好的卷积神经网络进行压缩，得到压缩卷积神经网络；

步骤S6：采集待测风机叶片图像，将待测风机叶片图像输入压缩卷积神经网络，得到风机叶片状态。

所述的风机叶片图像分为正常情况、导航漆脱落、胶衣脱落、裂纹、表面腐蚀和表面油污6类。

所述的步骤S2卷积神经网络为VGG-11卷积神经网络。

所述的步骤S3中训练好的卷积神经网络卷积层采用3×3卷积核。

所述的步骤S4中条件为准确率达到75％。

所述的步骤S5交替方向乘子法通过限制权重并使损失函数最小对训练好的卷积神经网络进行压缩。

所述的损失函数为：

其中，y是真值，是实际输出值。

一种可执行所述的风机叶片状态监测方法的风机叶片状态监测系统，包括计算机和无人机，所述无人机采集待测风机叶片图像并传递给计算机，所述计算机利用存储的压缩卷积神经网络进行分析并得到风机叶片状态。

与现有技术相比，本发明具有以下优点：