[发明专利]风力发电机组叶片故障判断方法及装置

说明书

本发明公开了风力发电机组叶片故障判断方法，包括：采集风力发电机组叶片的第一运行声音信号和第二运行声音信号，并根据所述第一运行声音信号和所述第二运行声音信号提取运行声音特征值；采集风力发电机组叶片上设定区域的图像，并对采集的图像进行识别分析，提取表观特征值；采集风力发电机组的外部环境参数；获取待测风力发电机组叶片的运行声音特征值，输入神经网络预测模型，将输出的下一时刻的运行声音特征值与实际的运行声音特征值进行比较，若误差大于设定阈值，则判断待测风力发电机组叶片存在故障。本发明还提供了风力发电机组叶片故障判断装置。本发明能够持续对风力发电机组叶片进行监测，并较快给出判断结果，成本较低。

技术领域

本发明涉及风力发电领域。更具体地说，本发明涉及一种风力发电机组叶片故障判断方法及装置。

背景技术

叶片是风力发电机组的重要部件。在强风负荷、沙粒冲击、水气腐蚀等因素影响下，容易出现裂缝、磨损、腐蚀等缺陷，如不能及时发现，将对风力发电造成较严重的影响。由于叶片实时在运行，停机检测比较麻烦，成本较高。因此，亟需设计一种能够一定程度克服上述缺陷的技术方案。

发明内容

本发明的一个目的是提供一种风力发电机组叶片故障判断方法及装置，其能够持续对风力发电机组叶片进行监测，并较快给出判断结果，成本较低。

为了实现根据本发明的这些目的和其它优点，提供了风力发电机组叶片故障判断方法，包括：

采集风力发电机组叶片的第一运行声音信号和第二运行声音信号，并根据所述第一运行声音信号和所述第二运行声音信号提取运行声音特征值，所述第一运行声音信号和所述第二运行声音信号分别来源于风力发电机组的内部声音和外部声音；

采集风力发电机组叶片上设定区域的图像，并对采集的图像进行识别分析，提取表观特征值；

采集风力发电机组的外部环境参数；

以上一时刻的运行声音特征值、上一时刻的表观特征值以及上一时刻的外部环境参数作为输入，以下一时刻的运行声音特征值为输出，训练获得神经网络预测模型；

获取待测风力发电机组叶片的运行声音信号及运行声音特征值，输入神经网络预测模型，将输出的下一时刻的运行声音特征值与实际的运行声音特征值进行比较，若误差大于设定阈值，则判断待测风力发电机组叶片存在故障。

优选的是，所述的风力发电机组叶片故障判断方法，所述第一运行声音信号采集至轮毂内部，所述第二运行声音信号采集至轮毂外部。

优选的是，所述的风力发电机组叶片故障判断方法，对于设定区域的图像采集，每次的采集角度相同。

优选的是，所述的风力发电机组叶片故障判断方法，所述声音特征值至少包括频率、幅值或相位。

优选的是，所述的风力发电机组叶片故障判断方法，所述表观特征值为纹理特征值。

优选的是，所述的风力发电机组叶片故障判断方法，所述外部环境参数至少包括环境温度、环境湿度、环境风力、环境风速。

优选的是，所述的风力发电机组叶片故障判断方法，采用的神经网络为LSTM神经网络。

本发明还提供了风力发电机组叶片故障判断装置，包括：

处理器；

存储器，其存储有可执行指令；

其中，所述处理器被配置为执行所述可执行指令，以执行所述的风力发电机组叶片故障判断方法。

本发明至少包括以下有益效果：