风电机组叶片异音与表面缺陷关联性分析方法及相关装置与流程

本发明属于风力发电机组状态监测与故障诊断，涉及一种风电机组叶片异音与表面缺陷关联性分析方法及相关装置。

背景技术：

1、风能作为一种清洁、可再生的能源，在全球能源结构转型中扮演着至关重要的角色。风电机组作为捕获风能的核心设备，其长期稳定、高效运行是保障风电场经济效益的关键。风电机组叶片是能量捕获的第一道关口，也是整个机组中最为昂贵和脆弱的部件之一，长期暴露在复杂多变、甚至恶劣的自然环境中，承受着巨大的气动载荷、惯性载荷和重力载荷的交变作用，极易产生各类表面缺陷，如前缘腐蚀、雷击损伤、涂层脱落、裂纹、穿孔等。

2、这些表面缺陷若不能被及时发现和处理，会在运行过程中迅速扩展，不仅导致机组气动性能下降、发电量损失、噪音增大，更可能引发叶片断裂、倒塔等灾难性事故，造成巨大的经济损失和安全隐患。因此，对风电机组叶片状态进行实时监测与早期预警，是现代风电场智能化运维（om）的核心需求。

3、目前，针对风电机组叶片状态的监测与检测技术主要分为以下几种：

4、1.传统定期人工巡检；

5、操作人员借助望远镜、高倍相机、无人机航拍等设备，对叶片表面进行远距离观测或近距离检查。这种方式是目前最普遍的方法，但存在显著缺点：首先，其依赖于巡检人员的经验和责任心，漏检率较高；其次，巡检周期较长（通常为半年或一年），无法及时发现两次巡检之间发生的缺陷；再者，人工登塔或使用无人机进行近距离检查成本高昂、风险大，且受天气条件制约严重。

6、2.基于机器视觉的自动检测系统；

7、该系统通过在塔筒或机舱上安装高清摄像头，持续对叶片进行图像采集，并利用图像处理算法（如图像分割、特征提取、模式识别等）自动识别表面的裂纹、污垢、雷击点等缺陷。该技术较人工巡检是一大进步，但其缺点亦十分明显：首先，其监测效果严重依赖光照、天气、能见度等环境条件，在夜晚、雨、雾、雪等恶劣天气下几乎失效；其次，对于叶片背面以及被遮挡区域的缺陷难以捕捉，存在监测盲区；最后，该方法主要针对“已形成并可见”的宏观缺陷，难以感知缺陷萌生初期阶段的微观变化或内部损伤，预警滞后性明显。

8、3.基于振动分析的状态监测；

9、该系统通过在叶片根部或主体结构上安装振动传感器（如加速度计），采集叶片运行过程中的振动信号，通过分析振动频率、幅值、模态等特征的变化来判断结构健康状态（shm）。该技术是状态监测的主流手段之一，但其应用于叶片监测存在局限性：首先，振动信号对叶片根部等安装位置的损伤较为敏感，但对远端的、轻微的叶片表面缺陷（如前缘小范围腐蚀）响应微弱，信噪比低，难以实现早期预警；其次，振动分析易受到机组启停、变桨、风速变化等正常运行工况的强烈干扰，特征提取与故障甄别难度大，误报率较高。

10、4.基于声学/噪音的监测方法；

11、近年来，有研究开始关注叶片运行过程中产生的声信号。一种方式是通过分析机组发出的异常噪音，间接判断其运行状态。然而，现有的声学监测方法大多停留在“异常噪音检测”的层面，即仅能判断噪音水平是否超标或是否存在异常，属于一种事后报警机制。其核心缺点在于：无法精准识别异常声源（是来自齿轮箱、发电机还是叶片？）；更无法将特定的“异音”特征（如声纹、频谱、调制边带等）与叶片表面具体的缺陷类型、严重程度和地理位置建立定量化的关联模型。这使得运维人员即使收到噪音报警，仍需要耗费大量时间和资源进行排查，无法实现精准的故障定位与诊断，预警的指导意义有限。

12、综上所述，现有技术存在以下共同的核心缺点：

13、预警滞后性：多数方法在缺陷发展到宏观可见或对结构强度产生显著影响时才能报警，错过了最佳维护窗口期。

14、抗干扰能力差：易受环境、工况等因素影响，导致误报、漏报率高，可靠性不足。

15、无法关联与精准诊断：缺乏将“声学特征”这一早期敏感指标与“表面缺陷”这一具体故障形态相关联的模型与方法，无法实现从“报警”到“诊断”的跨越。

16、智能化程度低：缺乏基于多源数据融合与人工智能的深度分析能力，系统智能化预警和决策支持功能薄弱。

17、因此，本领域迫切需要一种能够克服上述缺点的创新性解决方案，能够利用声学信号灵敏度高的特点，实现对叶片缺陷的极早期感知，并建立异音与缺陷之间的精确关联，最终形成一个能够提供精准、早期、智能化预警的系统。

技术实现思路

1、本发明的目的在于克服上述现有技术的缺点，提供了一种风电机组叶片异音与表面缺陷关联性分析方法及相关装置，该方法及相关装置能够解决现有技术中存在的预警滞后、抗干扰能力差、无法实现声学特征与表面缺陷精准关联以及智能化程度低的问题。

2、为达到上述目的，本发明公开了一种风电机组叶片异音与表面缺陷关联性分析系统，包括：

3、多源传感采集模块，用于同步采集风机叶片的异常声学信号、表面图像以及机组运行工况参数；

4、信号预处理与特征提取模块，用于对所述异常声学信号和表面图像进行预处理，并提取声学特征及视觉缺陷特征；

5、多模态数据融合与关联分析模块，用于将所述声学特征及视觉缺陷特征输入到预训练的关联模型中进行分析，得到表征异音与缺陷关联关系的分析结果；

6、智能诊断与预警模块，用于根据所述分析结果进行健康状态评估并生成分级预警信息；

7、人机交互与可视化模块，用于展示所述分析结果及预警信息。

8、进一步的，所述多源传感采集模块包括：

9、声学传感器阵列，布置于机舱顶部，用于采集叶片气动噪声信号；

10、高速视觉采集单元，布置于机舱底部，用于触发式捕获叶片表面的图像序列；

11、多源同步采集单元，用于为异常声学信号和图像数据提供统一的时间同步标定；

12、工况参数采集单元，用于从风机scada系统获取实时运行工况参数。

13、进一步的，声学特征包括频谱特征、时频特征和调制特征。

14、进一步的，所述视觉缺陷特征包括缺陷的几何特征和纹理特征。

15、进一步的，关联模型为基于注意力机制的深度学习网络模型，其通过历史数据训练学习声学特征与视觉缺陷特征之间的非线性映射关系，输出一个关联概率矩阵，其中每个元素表示某一声学特征与某一类缺陷的关联概率。

16、进一步的，所述智能诊断与预警模块的分级预警策略包括：

17、根据关联模型输出的缺陷概率计算综合健康指数chi；

18、根据chi值范围划分为正常、注意、预警、报警四个预警等级；

19、针对不同等级生成包含缺陷类型、位置和处置建议的预警信息。

20、进一步的，所述人机交互与可视化模块提供声-视觉关联图谱、多模态数据看板及移动终端预警推送功能。

21、本发明公开了一种风电机组叶片异音与表面缺陷关联性分析方法，包括：

22、通过多源传感采集模块同步采集风机叶片的异常声学信号、表面图像以及机组运行工况参数；

23、通过信号预处理与特征提取模块对所述异常声学信号和表面图像进行预处理，并提取声学特征及视觉缺陷特征；

24、通过多模态数据融合与关联分析模块将所述声学特征及视觉缺陷特征输入到预训练的关联模型中进行分析，得到表征异音与缺陷关联关系的分析结果；

25、通过智能诊断与预警模块根据所述分析结果进行健康状态评估并生成分级预警信息；

26、通过人机交互与可视化模块展示所述分析结果及预警信息。

27、本发明公开了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述风电机组叶片异音与表面缺陷关联性分析方法的步骤。

28、本发明公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述风电机组叶片异音与表面缺陷关联性分析方法的步骤。

29、本发明具有以下有益效果：

30、本发明所述风电机组叶片异音与表面缺陷关联性分析方法及相关装置在具体操作时，利用声学信号对叶片表面微观气动特性变化的高度敏感性，能够在缺陷肉眼可见或引发明显振动之前实现极早期 detection，大大提前了预警时间窗口。通过建立的关联性分析模型，实现了从“异常噪音”到“具体缺陷”的跨越，能够准确诊断出缺陷的类型（如裂纹、腐蚀）、严重程度（尺寸）和大致方位，极大提升了故障诊断的精准度，指导运维人员高效排查。通过融合scada工况参数，能够在分析中剔除风速、载荷等正常工况变化对声学信号的干扰，并结合声传感器阵列的指向性分析，有效区分叶片异音与其他来源的噪音，显著降低了误报率和漏报率。需要说明的是，本发明的整个流程从数据采集、特征提取、智能分析到预警生成完全自动化，减少了对人力的依赖，提升了风电场运维的智能化水平，为实现预测性维护提供了坚实的数据基础和决策支持。 本发明通过早期精准预警，避免了缺陷扩大导致的严重损坏和灾难性事故，减少了非计划停机时间和昂贵的维修成本，同时保障了风电机组的运行安全，提升了发电量和经济效益。