一种风电机组叶根螺栓位移-倾角协同处理及归一化报警方法与流程

本发明涉及风电机组状态监测与故障预警，具体涉及一种风电机组叶根螺栓位移-倾角协同处理及归一化报警方法，尤其适用于陆上及海上各类兆瓦级风电机组叶根螺栓连接状态的实时监测与运维预警。

背景技术：

1、随着风电行业向大容量、高参数、长寿命方向快速发展，风电机组单机容量不断提升，叶片尺寸持续增大，叶根螺栓作为连接叶片与轮毂的核心承载部件，其服役环境愈发复杂恶劣。该部件长期承受交变气动载荷、离心载荷、重力载荷以及湍流冲击载荷的综合作用，同时面临低温、高湿、盐雾、风沙等多种极端自然环境的侵蚀，在长期循环服役过程中极易出现松动、滑移、疲劳形变、螺纹磨损甚至断裂等安全隐患。叶根螺栓的连接可靠性直接决定了风电机组的整体运行安全，一旦发生失效问题，轻则造成机组振动超标、发电效率大幅下降、现场运维成本急剧增加，重则引发叶片脱落、机舱倾覆等恶性安全事故，带来巨额的经济损失与恶劣的社会影响，因此对叶根螺栓连接状态进行精准实时监测与早期异常预警，已成为当前风电运维领域的核心技术需求。

2、叶根法兰间隙的位移变化是直观反映螺栓连接松紧与结构状态的关键物理量，通过在叶根法兰位置布设应变式位移计，可实时采集螺栓受力变形后的位移响应信号；而轮毂倾角信号能够精准反演轮毂的实时转速与运行姿态，为位移数据的工况划分、有效数据筛选提供重要依据，二者的协同处理与联合分析是提升叶根螺栓状态监测精度的核心技术路径。目前行业内已逐步认识到位移-倾角双数据联动监测的重要价值，但现有叶根螺栓监测技术仍存在诸多难以忽视的缺陷，无法满足风电机组全生命周期安全稳定运维的实际需求：

3、其一，数据协同处理能力薄弱，监测数据有效性不足。现有技术大多仅依靠单一位移信号开展独立分析，未能充分挖掘倾角信号在工况识别与数据筛选中的辅助作用，导致低转速启停、湍流扰动等无效工况数据与有效运行数据相互混杂，难以精准提取螺栓异常特征；部分技术虽尝试引入倾角数据，但位移与倾角两类传感器存在采集时间不同步问题，且原始数据中混杂大量环境噪声、电磁干扰等无用成分，直接分析易造成数据失真；同时，数据处理环节缺少灵活的参数配置机制，滤波强度、时间分段时长等核心参数均为固定值，无法适配不同机型的转速特性、采样频率差异以及各类风场的噪声环境，进一步降低了监测数据的准确性与可靠性。

4、其二，数据评价标准不统一，异常识别精度偏低。受叶片加工工艺偏差、现场安装误差以及材料性能离散性的影响，不同叶片的叶根螺栓初始预紧力存在天然差异，使得相同工况下各叶片的位移响应信号存在固有偏差；同时，轮毂转速的波动会直接改变螺栓所承受的离心载荷与气动载荷大小，进而对位移峰峰值产生显著影响。现有技术并未针对上述影响因素建立标准化的归一化校正机制，缺少统一的多叶片横向对比评价标准，直接开展数据对比极易造成异常误判或漏判；此外，部分方法仅针对额定高转速工况进行数据筛选与分析，忽略了机组启停、低转速运行、变转速过渡等全工况场景，无法实现全运行周期内的螺栓状态覆盖监测，存在明显的异常漏判风险。

5、其三，超限报警机制设计不合理，与现场运维适配性较差。现有异常报警大多采用单一固定阈值进行判定，未充分考虑螺栓异常的渐进发展特性与多时段数据的自然波动规律，无法区分轻微偏差与严重故障，报警等级划分模糊；且报警阈值多为固定不可调参数，无法根据机组机型、运行年限、风场环境等实际工况进行动态整定，导致系统误报率、漏报率长期居高不下。更为关键的是，现有技术普遍仅设置高报、高高报用于判断螺栓松动、形变等结构异常，缺少低报、低低报报警等级用于识别位移传感器失效、数据缺失等采集异常，无法有效区分结构本体故障与传感器采集故障，报警信息维度单一，缺少叶片编号、对应转速区间等关键内容，难以支撑运维人员开展分级处置与快速故障定位，与风电现场实际运维流程严重脱节。

6、其四，工程实用性与场景适配性不足。部分监测方法对输入数据格式要求严苛，仅支持单一格式数据导入，难以兼容行业内广泛使用的.mat、.csv 等主流数据格式；数据处理算法过于复杂，运算效率较低，无法满足风电机组实时在线监测的工程需求；同时，技术方案对不同功率等级、不同叶片类型的风电机组适配能力有限，在陆上、海上等不同应用场景下的通用性较差，极大限制了技术的工程化落地与规模化推广。

7、针对现有技术存在的上述诸多缺陷，亟需研发一种具备位移-倾角双数据深度协同处理、全转速工况全覆盖、核心参数可灵活配置、双向分级超限报警功能的叶根螺栓监测方法，通过时间同步对齐、转速区间归一化分析、分级精准报警，同时实现螺栓结构异常与传感器采集异常的可靠识别，全面提升异常判定精度与系统实用性，为风电机组叶根螺栓的全生命周期安全运维提供坚实的技术支撑。

技术实现思路

1、针对现有风电机组叶根螺栓监测技术中数据协同性差、参数固化、评价标准不统一、报警机制不完善等缺陷，本发明提供了一种风电机组叶根螺栓位移-倾角协同处理及归一化报警方法，通过倾角-位移双数据联动预处理、全工况峰峰值提取、精准时间同步、转速分段归一化校正，结合双向分级超限报警，同时实现叶根螺栓结构异常与传感器采集异常的智能判定，提升监测精准度、降低误报漏报率，适配风电现场全场景运维需求。

2、为实现上述技术目的，本发明采取的技术方案为：

3、一种风电机组叶根螺栓位移-倾角协同处理及归一化报警方法，所述方法包括以下步骤：

4、s1，对采集的轮毂倾角数据进行预处理，采用可配置高斯滤波去噪、可配置时间向量化分段及尖峰特征识别计算，将倾角信号转换为轮毂转速数据；

5、s2，对采集的叶根螺栓位移数据进行预处理，通过滤波去噪、周期识别与峰值检测，提取全工况下每一周期的原始位移峰峰值；

6、s3，基于可配置时间匹配窗口，将位移峰峰值特征数据与转速数据进行时间同步匹配，消除双传感器采集不同步误差，并筛选出转速大于等于预设转速阈值的有效工况数据；

7、s4，按轮毂转速区间划分数据，以峰峰值平均值最大的叶片为基准，对a、b、c三叶片的位移峰峰值进行转速分段归一化处理；

8、s5，依据归一化后数据进行分级报警。

9、步骤s1进一步包括：

10、s11，加载倾角采集设备获取的倾角数据，对时间列进行标准化转换，统一为本地时间并剔除时区信息；

11、s12，根据信号噪声强度自适应配置高斯滤波的标准差，对倾角数据进行滤波去噪，在滤除高频干扰的同时保留真实倾角特征；

12、s13，以可配置时间阈值作为分段依据，采用向量化运算结合二分查找，对去噪后的倾角数据进行时间分段并定位分段截止索引；

13、s14，识别每一分段内倾角数据的有效尖峰特征，统计分段内有效尖峰数量并计算首尾尖峰的时间跨度，根据有效尖峰数量与时间跨度的比值计算得到轮毂转速。

14、步骤s13进一步包括：

15、s131，将原始时间列数据转化为统一的秒级标准化时间戳：

16、

17、其中，为时序数据采样点索引，，为倾角数据的采样点总数，表示对进行取整运算；

18、s132，以当前分段的起始索引为基准，计算阈值截止目标时间：

19、

20、式中，为可配置的时间分段阈值；

21、s133，采用二分查找定位分段截止位置，通过函数获取相对结束索引，计算分段结束索引：

22、

23、

24、式中，表示时间戳数组中自至数组末尾的子数组，为二分查找函数；

25、s134，基于所述起始索引与结束索引，截取倾角数据得到分段数据：

26、

27、式中，表示经高斯滤波去噪后的轮毂倾角数据序列；

28、s135，迭代更新分段起始索引，进入下一分段处理：

29、。

30、步骤s14进一步包括：

31、s141，统计单段数据内有效尖峰总数，若单段数据长度小于预设长度阈值，或有效尖峰数量小于预设尖峰数量阈值，则判定该分段数据为无效数据，令轮毂转速；否则，转入步骤s142；

32、s142，确定分段内第一个有效尖峰的时间戳与最后一个有效尖峰的时间戳，计算首尾尖峰的时间跨度；若，则判定该分段数据为无效数据，令轮毂转速；否则，转入步骤s143；

33、s143，按下式计算轮毂转速：

34、

35、式中：为分段内轮毂的有效转动圈数；若计算得到的转速超出预设最大转速阈值，则判定该分段数据为无效数据，令轮毂转速；否则，输出轮毂转速。

36、步骤s2进一步包括：

37、加载位移采集设备输出的位移数据，自动识别数值列并对时间列进行格式统一与无效值过滤；

38、根据信号噪声强度配置高斯滤波标准差，对位移数据进行滤波去噪处理；

39、根据信号采样频率、风机叶片转动周期配置左右采样点的数量，以当前采样点为中心、所述数量的左右采样点为峰值检测范围，识别去噪后位移数据的峰值点和谷值点，并确定数据周期索引；

40、根据周期索引划分原始位移数据的运行周期，提取每一运行周期内位移数据的峰峰值，剔除无效峰峰值数据并保留全转速工况下的有效峰峰值数据。

41、步骤s3进一步包括：

42、s31，根据传感器采集延时、风机运行特性自适应配置时间匹配窗口，以位移数据采集时间为基准，构建向前追溯时间匹配约束条件：

43、

44、式中，为位移峰峰值时间戳；为轮毂转速时间戳；

45、s32，基于向前追溯时间匹配约束条件，采用最优最近邻匹配算法，在时间窗口内检索与时间差最小的有效转速数据，并将其与位移峰峰值进行绑定，完成时间同步匹配；

46、s33，对时间同步匹配完成后的位移-转速配对数据集进行有效性判定，筛选并保留大于预设最小转速阈值的有效工况数据，过滤无匹配转速的无效位移数据。

47、步骤s4进一步包括：

48、按预设转速步长对轮毂转速进行区间划分，获取多个不同转速区间；

49、分别计算各待监测叶片在每个转速区间内的峰峰值平均值，选取峰峰值平均值最大的叶片作为基准叶片；

50、计算基准叶片在各转速区间的峰峰值平均值，作为对应转速区间的归一化基准值；

51、将各叶片在每个转速区间内的峰峰值分别除以对应转速区间的归一化基准值，得到各叶片在各转速区间的无量纲归一化数据；

52、按可配置固定时间窗口对峰峰值的归一化数据进行分段，生成多时段归一化数据序列；将存在时间交叠或包含关系的时段，均判定为有效共同时段。

53、步骤s5进一步包括：

54、将峰峰值归一化数据数值增大的方向定义为正向超限方向，将数值减小的方向定义为负向超限方向；

55、根据风机结构状态与运维需求，配置可动态调整的多级正向超限阈值，将正向值域划分为多个正向报警区间，用于判定叶根螺栓包括松动、滑移、断裂在内的不同严重程度的结构异常；

56、根据传感器运行状态与运维需求，配置可动态调整的多级负向超限阈值，将负向值域划分为多个负向报警区间，用于判定位移传感器包括信号减弱、无有效采集信号、传感器失效在内的不同严重程度的采集异常。

57、步骤s5进一步包括：

58、根据风机机型、运行年限、风场环境及运维管控需求动态配置高报倍数、高高报倍数、低报倍数和低低报倍数；

59、以各叶片的峰峰值有效归一化数据的最大值为基准，结合高报倍数和高高报倍数，计算得到用于判定叶根螺栓松动的高报阈值和用于判定断裂结构异常高高报阈值；

60、以各叶片的峰峰值有效归一化数据的最小值为基准，结合低报倍数和低低报倍数，计算得到用于判定无有效采集信号的低报阈值和用于判定位移传感器失效的低低报阈值。

61、与现有技术相比，本发明的有益效果如下：

62、本发明的风电机组叶根螺栓位移-倾角协同处理及归一化报警方法，实现倾角-位移双数据协同，通过可配置滤波、向量化分段、转速换算、精准时间同步，彻底解决传感器采集不同步、噪声干扰大、无效数据混杂的问题，大幅提升监测数据的有效性与可靠性，相较于单一数据监测，异常特征识别精度显著提升。

63、第二，本发明的风电机组叶根螺栓位移-倾角协同处理及归一化报警方法，采用全工况峰峰值提取+转速区间归一化处理，既保留了全转速段的有效监测数据，又通过基准叶片校正消除了叶片个体差异、转速波动带来的评价偏差，建立了统一的多叶片横向对比标准，解决了传统方法评价标准混乱、异常误判漏判的难题，实现叶根螺栓全运行周期的监测。

64、第三，本发明的风电机组叶根螺栓位移-倾角协同处理及归一化报警方法，采用两级双向分级报警机制，不仅通过高报、高高报实现螺栓结构异常的分级预警，还通过低报、低低报实现传感器故障的精准识别，有效区分结构本体故障与采集端故障，报警维度更全面；且核心参数、报警阈值均可灵活配置，适配不同机型、不同风场的运维需求，与风电现场实操流程高度契合。

65、第四，本发明的风电机组叶根螺栓位移-倾角协同处理及归一化报警方法，兼容.mat、.csv等行业主流数据格式，算法简洁高效，兼顾离线分析与实时在线监测需求，无需复杂硬件改造，安装部署便捷，工程实用性强，可广泛适配陆上、海上各类兆瓦级风电机组，具备规模化推广价值。

66、第五，本发明的风电机组叶根螺栓位移-倾角协同处理及归一化报警方法，通过智能异常判定与分级报警，替代传统人工巡检，大幅降低定期巡检成本，能够实现叶根螺栓隐患的早期预警，避免恶性安全事故发生，保障风电机组长周期稳定运行，兼具经济效益与安全效益。