基于透光率与异响的风机叶片异常评估方法与流程
本发明涉及风力发电,尤其涉及基于透光率与异响的风机叶片异常评估方法。
背景技术:
1、风机叶片是风力发电机组实现风能捕获和机械能转换的关键部件,其运行状态直接影响风电机组的发电效率、载荷稳定性和运行安全。风机叶片长期暴露于强风、沙尘、雨蚀、盐雾、温差循环和气动交变载荷环境中,容易出现裂纹、分层、胶接失效、前缘磨损、内部材料疲劳等缺陷。随着风电场向大容量、长叶片和复杂地形方向发展,叶片局部损伤可能在持续载荷作用下快速扩展,并进一步引起气动效率下降、振动增强和结构安全风险,因此需要对叶片异常状态进行及时、准确和可量化的评估。
2、现有风机叶片异常检测通常依赖单一监测数据源。例如,部分方案通过无人机或地面长焦相机获取叶片表面图像,再利用图像识别算法判断裂纹、破损或涂层脱落;部分方案通过声学传感器或振动传感器采集风机运行过程中的异响和振动信号,再通过频谱分析或阈值报警方式判断叶片运行异常。基于光学图像的方式能够较直观地识别表面宏观缺陷,但对叶片内部结构损伤、夹层分离、材料疲劳等早期劣化状态不敏感;基于声学监测的方式能够捕捉结构异常引起的动态响应变化,但容易受到风速、转速、机舱噪声、塔筒反射以及环境噪声影响,难以准确定位缺陷物理形态和严重程度。
3、现有技术在融合叶片静态结构完整性信息与动态运行稳定性信息方面仍存在不足,难以建立从物理损伤到运行风险的综合评估模型。单一光学图像识别容易把低风险表面瑕疵误判为高风险缺陷,单一异响监测又可能把强风或高转速工况下的正常声学增强误判为异常。由于缺少统一的多维劣化状态表征,运维决策仍主要依赖运维人员经验,容易出现延迟处理、过度维护或停机窗口安排不合理等问题。因此,亟需提供一种能够融合透光率特征与异响特征,并结合风机运行工况生成量化评估结果的风机叶片异常评估方法及系统。
技术实现思路
1、为解决上述问题,本发明提供了一种基于透光率与异响的风机叶片异常评估方法及系统,通过融合静态透光率异常与动态异响响应,实现了风机叶片异常状态的综合量化评估,提高了维护决策的准确性和经济性。
2、上述目标可以通过如下方案实现:
3、基于透光率与异响的风机叶片异常评估方法,包括获取待评估风机叶片的光学图像数据以及对应风机运行时的声学信号数据;处理所述光学图像数据,计算得到表征叶片物理结构状态的叶片结构透光率特征;分析所述声学信号数据,提取得到表征叶片动态响应的运行状态异响特征;融合所述叶片结构透光率特征与所述运行状态异响特征,构建综合反映叶片健康状况的叶片多维劣化状态向量;基于所述叶片多维劣化状态向量,评估并生成风机叶片异常评估结果。
4、可选地,所述处理所述光学图像数据,计算得到表征叶片物理结构状态的叶片结构透光率特征包括:识别所述光学图像数据中的叶片主体区域,生成叶片掩膜图像;应用所述叶片掩膜图像于所述光学图像数据,提取叶片主体区域的像素信息,并构建灰度分布模型;将所述灰度分布模型与通过分析健康叶片图像数据建立的基准灰度分布模型进行差异化比较,量化该差异以生成所述叶片结构透光率特征。
5、可选地,所述分析所述声学信号数据,提取得到表征叶片动态响应的运行状态异响特征包括:对所述声学信号数据执行时频变换处理,生成包含时间和频率维度信息的时频谱图;在所述时频谱图中识别能量异常集中的区域,并提取能量异常集中区域的谱峰参数,生成异响频谱特征集;将所述异响频谱特征集与从正常运行状态的声学信号数据中提取的基准频谱特征集进行对比分析,识别并输出所述运行状态异响特征。
6、可选地,所述融合所述叶片结构透光率特征与所述运行状态异响特征,构建综合反映叶片健康状况的叶片多维劣化状态向量包括:对所述叶片结构透光率特征与所述运行状态异响特征分别进行数据标准化处理,得到标准化的结构特征数据与动态特征数据;构建加权融合模型,输入所述标准化的结构特征数据与动态特征数据,并计算得到融合权重参数;根据所述融合权重参数,对所述标准化的结构特征数据与动态特征数据进行加权组合,构建并输出所述叶片多维劣化状态向量。
7、可选地,在所述基于所述叶片多维劣化状态向量,评估并生成风机叶片异常评估结果之前,还包括:获取与所述声学信号数据采集时间点同步的风机运行工况数据;所述基于所述叶片多维劣化状态向量,评估并生成风机叶片异常评估结果具体为:结合所述叶片多维劣化状态向量与所述风机运行工况数据,进行关联性分析,以生成所述风机叶片异常评估结果。
8、可选地,所述风机运行工况数据包括风速数据、发电机功率数据和叶片转速数据中的至少一种;所述关联性分析用于消除特定工况对异响的干扰,并校准劣化状态评估的准确性。
9、可选地,所述结合所述叶片多维劣化状态向量与所述风机运行工况数据,进行关联性分析,以生成所述风机叶片异常评估结果包括:建立从劣化状态到风险等级的映射关系模型;将所述叶片多维劣化状态向量输入至所述映射关系模型,并利用所述风机运行工况数据对模型的输出进行动态修正,得到量化的叶片风险等级;依据所述叶片风险等级,从维护策略知识库中匹配并生成包含具体操作建议的维护策略建议,并将所述叶片风险等级与所述维护策略建议共同作为所述风机叶片异常评估结果。
10、可选地,还包括模型优化步骤:在生成所述风机叶片异常评估结果之后,接收外部输入的针对该评估结果的人工核验结果;利用所述人工核验结果,采用机器学习算法对所述加权融合模型或所述映射关系模型的内部参数进行反馈更新,以迭代提升后续评估的准确性。
11、可选地,还包括经济性分析步骤:获取与所述风机叶片相关的发电效率模型和维护成本模型;基于所述叶片多维劣化状态向量和所述发电效率模型,预测因叶片异常导致的未来发电量损失,得到预期经济损失报告;结合所述预期经济损失报告、所述维护成本模型以及所述维护策略建议,生成包含成本效益分析的决策导向型的所述风机叶片异常评估结果。
12、基于相同的发明构思,本发明还提供了基于透光率与异响的风机叶片异常评估系统,所述系统包括:数据获取模块,用于获取待评估风机叶片的光学图像数据以及对应风机运行时的声学信号数据;特征提取模块,用于处理所述光学图像数据以计算得到叶片结构透光率特征,并分析所述声学信号数据以提取得到运行状态异响特征;状态构建模块,用于融合所述叶片结构透光率特征与所述运行状态异响特征,构建叶片多维劣化状态向量;评估生成模块,用于基于所述叶片多维劣化状态向量,评估并生成风机叶片异常评估结果。
13、与现有技术相比,本发明具有如下优点:
14、本发明通过将叶片结构透光率特征与运行状态异响特征融合到叶片多维劣化状态向量中,使叶片表层及近表层结构异常与运行过程中的动态声学响应能够在同一评估空间内表达,避免单一图像识别或单一声学监测造成的信息缺失,提高早期复合型故障识别能力。
15、本发明通过将灰度分布模型与健康叶片图像数据形成的基准灰度分布模型进行差异化比较,能够把裂纹、分层、材料不均匀和局部透光异常转化为可计算的结构透光率特征,使叶片物理结构状态由人工观察转变为量化特征表达。
16、本发明通过对声学信号数据进行时频变换并与正常运行状态的基准频谱特征集进行对比,能够识别特定频段、持续时间和能量峰值异常,减少环境噪声和随机声学扰动对叶片异常判断的影响。
17、本发明通过引入风机运行工况数据对叶片多维劣化状态向量的风险映射结果进行动态修正,能够降低高风速、高功率或高转速等正常工况对异响判断的干扰,使异常评估结果更接近真实叶片劣化状态。
18、本发明通过风险等级、维护策略建议、预期经济损失报告和成本效益分析共同构成风机叶片异常评估结果,使运维人员能够基于量化风险和经济影响确定维修时机,减少不必要停机和延迟维护造成的安全隐患。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com