一种风电叶片连接处细小缺陷的检测方法和装置以及设备

1.本发明涉及风电叶片螺栓处信息化检测技术领域，尤其涉及一种风电叶片连接处细小缺陷的检测方法和装置以及设备。


背景技术：

2.腐蚀性一直被认为是叶片老化过程中的致命威胁。因老化导致叶片结构腐蚀监测能力不足，严重影响了各大风电公司对于风机叶片的安全性管理。叶片老化过程中，由于叶片根部所受应力大，所以对其上螺栓要求较高，一旦螺栓边缘出现缺陷，在长期大应力的作用下将造成严重的损失。当前对叶片的检测多采用涡流传感器阵列结构，该结构不仅能实现传统涡流探测技术在探测空间的微观扩展，而且能提高探测灵敏度，对检测空间进行宏观扩展，提高检测速度。然而，现有的涡流传感器阵列方案，对于叶片根部的微小缺陷的敏感度较低；这是因为微小缺陷的信号较为微弱，单纯利用涡流阵列传感器测得的传感信号检测结果难以判断，因此申请人提出一种风电叶片连接处细小缺陷的检测方法和装置以及设备。


技术实现要素：

3.有鉴于此，本发明的目的在于提出一种风电叶片连接处细小缺陷的检测方法和装置以及设备，能够实现通过涡流传感器阵列来监测风机叶片细小结构缺陷。
4.根据本发明的一个方面，提供一种风电叶片连接处细小缺陷的检测方法，包括：计算涡流阵列传感器的最优工作频率β(v,l1)；通过最优工作频率β(σ,l1)获取不同风电叶片疲劳数据序列，将所述风电叶片疲劳数据序列转换为等距序列，并提取其中点值数据；基于所述不同风电叶片疲劳数据序列构建疲劳寿命监测化模型；采用深度学习网络及中点值数据对构建的疲劳寿命监测化模型进行训练；根据所述训练后的疲劳寿命监测化模型，来对所述风电叶片连接处细小缺陷进行预测。
5.根据本发明的另一个方面，提供一种风电叶片连接处细小缺陷的检测装置，包括：分析模块、数据库模块、构建模块、深度学习模块以及预测模块；分析模块：计算涡流阵列传感器的最优工作频率β(σ,l1)；数据库模块：通过最优工作频率β(σ,l1)获取不同风电叶片疲劳数据序列，将所述风电叶片疲劳数据序列转换为等距序列，并提取其中点值数据；构建模块：基于所述不同风电叶片疲劳数据序列构建疲劳寿命监测化模型；深度学习模块：采用深度学习网络及中点值数据对构建的疲劳寿命监测化模型进行训练；预测模块：根据所述训练后的疲劳寿命监测化模型，来对所述风电叶片连接处细小缺陷进行预测。
6.根据本发明的又一个方面，提供一种风电叶片连接处细小缺陷的检测设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一项所述的风电叶片连接处细小缺陷的检测方法。
7.可以发现，以上方案，计算涡流阵列传感器的最优工作频率β(σ,l1)；通过这样的
计算可以保证收集数据的过程中可以有效检测到微小缺陷的信号，确保数据的有效性，解决由于微小缺陷的信号较为微弱，单纯利用涡流传感器阵列测得的传感信号检测结果难以判断的问题。根据涡流阵列传感器运行机理可知，自动化监测模型精度取决于变换系数，而变换系数取决于区间[gi,g
i 1
]上背景值。在模型训练过程中，背景值取s
(1)
(gi)和s
(1)
(g
g 1
)的中点值，并将中点值与训练结果做差反向传播至网络更新网络参数，可以使该模型在数据序列平稳变化时，监测误差较小，保证该模型不会受到序列变化影响，大大降低监测误差，提高模型自动化监测精度。信号可能会有不同程度的偏移(多项式趋势)，采用最小二乘法取消趋势项可以降噪消除偏移，减小误差。本发明利用最优工作频率β(σ,l1)确保了数据的准确度、中点值在训练过程中用于反向更新深度学习网络确保模型的收敛速度以及准确率、利用最小二乘法解决原始数据噪声问题。从数据、预处理、反向传播方式三种技术手段提高了疲劳寿命监测化模型的预测准确率，使得其能够实现通过涡流传感器阵列来监测风机叶片细小结构缺陷。
附图说明
[0008]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0009]
图1是本发明风电叶片连接处细小缺陷的检测方法一实施例的流程示意图；
[0010]
图2是本发明风电叶片连接处细小缺陷的检测装置一实施例的结构示意图。
具体实施方式
[0011]
下面结合附图和实施例，对本发明作进一步的详细描述。特别指出的是，以下实施例仅用于说明本发明，但不对本发明的范围进行限定。同样的，以下实施例仅为本发明的部分实施例而非全部实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0012]
本发明提供一种风电叶片连接处细小缺陷的检测方法，能够实现通过涡流传感器阵列来监测风机叶片细小结构缺陷。
[0013]
请参见图1，图1是本发明风电叶片连接处细小缺陷的检测方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括如下步骤：
[0014]
s101、计算涡流阵列传感器的最优工作频率β(σ,l1)；
[0015]
在本实施例中，推导出磁矢b的空间扩散方程，基于该空间扩散方程确定磁矢b的解析通解；基于定磁矢b的解析通解在层状介质空间内计算磁场强度q以及p截面处的电磁场量边界条件；利用磁场强度q以及电磁场量边界条件得到最优工作频率β(σ,l1)。具体的，由于涡流阵列传感器半解析模型构建过程十分复杂，因此，需先分析p截面处磁矢b与线电流密度k之间关系。不考虑位移电流变化情况，可推导出磁矢b的空间扩散方程，如下所示：
[0016]
l2＝ωμσ
ꢀꢀꢀ
(1)
[0017]
使用分离变量法在层状介质空间中，确定磁矢b的解析通解，计算公式如下所示：
[0018][0019][0020]ky
＝2πn/λ，n＝1,2...
ꢀꢀꢀ
(4)
[0021]
上述公式中：b
δ,n
、b
0,n
分别表示层状介质空间内磁矢b在上下界面处的变换系数；λ表示励磁在层状介质空间内分布的波长；l表示层状介质空间厚度；μ表示层状介质空间磁导率；σ表示层状介质空间电导率；ω为电流变化周期，k
x
、ky分别表示磁矢的横纵向量，ε表示层状介质空间介电常数。
[0022]
在层状介质空间内由公式(2)可得：
[0023]
q＝b/μ
ꢀꢀꢀ
(5)
[0024]
上述公式中：q表示磁场强度。
[0025]
在层状介质空间厚度无穷大时，磁场强度和磁矢均能实现解耦，由此可得到p截面处的电磁场量边界条件：
[0026]bz
(x＝p

)＝bz(x＝p-)
ꢀꢀꢀ
(6)
[0027]
qy(x＝p

)-qy(x＝p-)＝ρz(x＝p)
ꢀꢀꢀ
(7)
[0028]
公式(6)、(7)中：bz(x＝p-)表示正向截面处磁矢；qy(x＝p

)表示正向截面处磁场强度；qy(x＝p-)表示反向截面处磁场强度；ρz(x＝p)表示截面处线电流密度bz(x＝p

)表示反向截面处磁矢。依据上述公式及电磁场量边界条件处电磁场量，可以确定这正向截面处磁矢和正向截面处磁场强度在x＝s截面处具体数值。
[0029]
在x＝s截面处，结合截面处线电流密度和反向截面处磁矢，可确定变换系数关系式：
[0030]
ρ
z,n
(x＝p)＝b
z,n
(x＝p)
·
β(σ,l1)
ꢀꢀꢀ
(8)
[0031]
公式(8)中，β(σ,l1)表示定变换系数项，其中l1表示提离距离，即涡流阵列传感器与y叶片之间距离。提离距离大小决定了涡流阵列传感器引发电磁场作用下的最优工作频率，该距离数值越大，则说明自动化监测误差越小。
[0032]
在确定涡流阵列传感器β(σ,l1)表示定变换系数后，可获取大量疲劳数据。虽然这些数据从表面上看是确定的，但实际上只是一种白化值，在同一数据状态下，不同数据间缺乏确定关系信息，因此使用原始方法构建的模型监测精准度不高。由于这些原始数据序列要求必须是光滑的，因此，需构建疲劳寿命自动化监测模型。
[0033]
这样设置的好处在于，由于微小缺陷的信号较为微弱，单纯利用涡流传感器阵列测得的传感信号检测结果难以判断；因此计算涡流阵列传感器的最优工作频率β(σ,l1)；通过这样的计算可以保证收集数据的过程中可以有效检测到微小缺陷的信号，保证数据的有效性。
[0034]
s102、通过最优工作频率β(σ,l1)获取不同风电叶片疲劳数据序列，将所述风电叶片疲劳数据序列转换为等距序列，并提取其中点值数据；
[0035]
具体的利用设定最优工作频率β(σ,l1)的涡流列阵传感器检测不同风电叶片疲劳数据；每一风电叶片疲劳数据形成一序列s
(0)
＝(g1、g1、g1、
…gi
)；并判断该序列是否为等距
序列，若是则提取该序列的中点值数据；若否，则构建微分方程将该序列转换为等距序列再提取该序列的中点值数据。
[0036]
在本实施例中，设s
(0)
＝(g1、g1、g1、
…gi
)为光滑原始数据序列，若δgi＝g
i 1-gi,则说明光滑原始数据序列为等距序列；若δgi≠g
i 1-gi，则说明原始数据序列为非等距序列，所以需将s(0)进行如下变换：
[0037]
其中：
[0038]
将s
(0)
进行一次累加生成s
(1)
：
[0039][0040]
依据公式(9)在[gi,g
i 1
]上进行微分方程构建：
[0041][0042]
依据公式(10)可得：
[0043][0044]
设为s
(1)
(g)在区间[gi,g
i 1
]上背景值，可将(11)变化为：
[0045]s(0)
(g
i 1
)δg
i 1
az
(1)
(g
i 1
)＝bδg
i 1
ꢀꢀꢀ
(12)
[0046]
通过上述转换可将所述风电叶片疲劳数据序列转换为等距序列。这样设置的好处在于，根据涡流阵列传感器运行机理可知，自动化监测模型精度取决于变换系数，而变换系数取决于区间[gi,g
i 1
]上背景值。在模型训练过程中，背景值取s
(1)
(gi)和s
(1)
(g
g 1
)的中点值，并将中点值与训练结果做差反向传播至网络更新网络参数，可以使该模型在数据序列平稳变化时，监测误差较小，保证该模型不会受到序列变化影响，大大降低监测误差，提高模型自动化监测精度。
[0047]
s103、基于所述不同风电叶片疲劳数据序列构建疲劳寿命监测化模型；
[0048]
在本实施中，疲劳寿命监测化模型指的是深度学习模型，构建的方式有多种，此处不再赘述。
[0049]
s104、采用深度学习网络及中点值数据对构建的疲劳寿命监测化模型进行训练；
[0050]
具体的，采用最小二乘法对所述不同风电叶片疲劳数据序列进行消除趋势处理，和采用深度学习网络对所述经消除趋势处理的不同风电叶片疲劳数据序列中的异常序列进行打标，和从所述经消除趋势处理的不同风电叶片疲劳数据序列中提取不同风电叶片疲劳数据序列的序列特征，并从特征向量中提取出均值、方差、峭度以及最大值作为深度学习网络的训练输入的方式，以及采用所述均值、方差、峭度以及最大值作为训练输入的深度学习网络对所述构建的疲劳寿命监测化模型进行训练，以及利用所述中点值数据与所述疲劳寿命监测化模型分析的结果做差反向传播至所述深度学习网络更新深度学习网络参数。
[0051]
在本实施例中，深度学习采用一维信号的异常检测技术，该技术包括前期的信号
处理，信号特征提取以及深度学习网络。
[0052]
其中信号(即不同风电叶片疲劳数据序列，下同)前期通过信号采集器(即涡流阵列传感器)输入计算机以一维信号方式呈现，由于信号在产生、传输以及转换过程中会出现不同程度的噪音，所以需要给信号进行降噪处理，处理首先由于信号可能会有不同程度的偏移(多项式趋势)，故此采用最小二乘法取消趋势项，令实测振动信号的采样数据为xk(k＝1,2,3,...,n)，由于采样数据是等时间间隔的，为简化起见，令采样间隔δt＝1，设置一个多项式：
[0053][0054]
其中为拟合数据；ai为待定系数；m为阶数。
[0055]
对所有的采样数据均进行计算，可得：
[0056][0057]
其中：
[0058][0059][0060]at
＝[a0,a1,...,am]
[0061]
结合上述计算公式(14)，求e对ai的偏导，则有：
[0062][0063]
令偏导数为0，则可得到消除趋势公式：
[0064][0065]
之后采用fft(快速傅立叶变换)使收集到的信号x(n)由时域信号转变为频域信号x(k)，其转换公式如下所示：
[0066][0067]
之后通过提取该处理信号的均值、方差、峭度以及最大值作为该信号的特征向量，并且为异常信号打上标签，有问题的信号标记为1，没有问题的标记为0。将该训练集放入神经网络中进行训练，训练过程中，利用所述中点值数据与所述疲劳寿命监测化模型的结果做差反向传播至所述深度学习网络更新深度学习网络参数，经过有限次数迭代更新从而生成疲劳寿命监测化模型。这样设置的好处在于，信号可能会有不同程度的偏移(多项式趋势)，采用最小二乘法取消趋势项可以降噪消除偏移，减小误差。将中点值与训练结果做差反向传播至网络更新网络参数，可以使该模型在数据序列平稳变化时，监测误差较小，保证该模型不会受到序列变化影响，大大降低监测误差，提高模型自动化监测精度。
[0068]
s105、根据所述训练后的疲劳寿命监测化模型，来对所述风电叶片连接处细小缺
陷进行预测。
[0069]
在本实施例中，具体的，根据该经训练后的疲劳寿命监测化模型，从涡流传感器阵列测得的数据中提取出对关联该数据的均值、方差、峭度以及最大值，将该提取出的关联该数据的均值、方差、峭度以及最大值输入该经训练后的疲劳寿命监测化模型，来对叶片根部进行对应该叶片根部的微小缺陷进行预测，通过该经训练后的疲劳寿命监测化模型得到预测的微小缺陷。这样设置的好处在于，最优工作频率β(σ,l1)确保了数据的准确度；中点值在训练过程中用于反向更新深度学习网络；利用最小二乘法解决噪声问题。从数据、预处理、反向传播方式三种技术手段提高了疲劳寿命监测化模型的预测准确率，使得其能够实现通过涡流传感器阵列来监测风机叶片细小结构缺陷。
[0070]
可以发现，在本实施例中，计算涡流阵列传感器的最优工作频率β(σ,l1)，通过这样的计算可以保证收集数据的过程中可以有效检测到微小缺陷的信号，确保数据的有效性，解决由于微小缺陷的信号较为微弱，单纯利用涡流传感器阵列测得的传感信号检测结果难以判断的问题。根据涡流阵列传感器运行机理可知，自动化监测模型精度取决于变换系数，而变换系数取决于区间[gi,g
i 1
]上背景值。在模型训练过程中，背景值取s
(1)
(gi)和s
(1)
(g
g 1
)的中点值，并将中点值与训练结果做差反向传播至网络更新网络参数，可以使该模型在数据序列平稳变化时，监测误差较小，保证该模型不会受到序列变化影响，大大降低监测误差，提高模型自动化监测精度。信号可能会有不同程度的偏移(多项式趋势)，采用最小二乘法取消趋势项可以降噪消除偏移，减小误差。本发明利用最优工作频率β(σ,l1)确保了数据的准确度、中点值在训练过程中用于反向更新深度学习网络确保模型的收敛速度以及准确率、利用最小二乘法解决原始数据噪声问题。从数据、预处理、反向传播方式三种技术手段提高了疲劳寿命监测化模型的预测准确率，使得其能够实现通过涡流传感器阵列来监测风机叶片细小结构缺陷。
[0071]
本发明还提供一种风电叶片连接处细小缺陷的检测装置，能够实现通过涡流传感器阵列来监测风机叶片细小结构缺陷。
[0072]
请参见图2，图2是本发明风电叶片连接处细小缺陷的检测装置一实施例的结构示意图。本实施例中，该风电叶片连接处细小缺陷的检测装置包括分析模块、数据库模块、构建模块、深度学习模块以及预测模块；
[0073]
分析模块：计算涡流阵列传感器的最优工作频率β(σ,l1)；
[0074]
数据库模块：通过最优工作频率β(σ,l1)获取不同风电叶片疲劳数据序列，将所述风电叶片疲劳数据序列转换为等距序列，并提取其中点值数据；
[0075]
构建模块：基于所述不同风电叶片疲劳数据序列构建疲劳寿命监测化模型；
[0076]
深度学习模块：采用深度学习网络及中点值数据对构建的疲劳寿命监测化模型进行训练；
[0077]
预测模块：根据所述训练后的疲劳寿命监测化模型，来对所述风电叶片连接处细小缺陷进行预测。
[0078]
可选地，该分析模块，可以具体用于：推导出磁矢b的空间扩散方程，基于该空间扩散方程确定磁矢b的解析通解；基于定磁矢b的解析通解在层状介质空间内计算磁场强度q以及p截面处的电磁场量边界条件；利用磁场强度q以及电磁场量边界条件得到最优工作频率β(σ,l1)。
[0079]
可选地，该数据库模块，可以具体用于：利用设定最优工作频率β(σ,l1)的涡流列阵传感器检测不同风电叶片疲劳数据；每一风电叶片疲劳数据形成一序列s
(0)
＝(g1、g1、g1、
…gi
)；并判断该序列是否为等距序列，若是则提取该序列的中点值数据；若否，则构建微分方程将该序列转换为等距序列再提取该序列的中点值数据。
[0080]
可选地，该深度学习模块，可以具体用于：采用最小二乘法对所述不同风电叶片疲劳数据序列进行消除趋势处理，和采用深度学习网络对所述经消除趋势处理的不同风电叶片疲劳数据序列中的异常序列进行打标，和从所述经消除趋势处理的不同风电叶片疲劳数据序列中提取不同风电叶片疲劳数据序列的序列特征，并从特征向量中提取出均值、方差、峭度以及最大值作为深度学习网络的训练输入的方式，以及采用所述均值、方差、峭度以及最大值作为训练输入的深度学习网络对所述构建的疲劳寿命监测化模型进行训练，以及利用所述中点值数据与所述疲劳寿命监测化模型分析的结果做差反向传播至所述深度学习网络更新深度学习网络参数，经过有限次数迭代更新从而生成疲劳寿命监测化模型。
[0081]
该风电叶片连接处细小缺陷的检测装置的各个单元模块可分别执行上述方法实施例中对应步骤，故在此不对各单元模块进行赘述，详细请参见以上对应步骤的说明。
[0082]
本发明又提供一种风电叶片连接处细小缺陷的检测设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的风电叶片连接处细小缺陷的检测方法。
[0083]
其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。
[0084]
处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
[0085]
本发明再提供一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
[0086]
可以发现，以上方案，由于微小缺陷的信号较为微弱，单纯利用涡流传感器阵列测得的传感信号检测结果难以判断；因此计算涡流阵列传感器的最优工作频率β(σ,l1)；通过这样的计算可以保证收集数据的过程中可以有效检测到微小缺陷的信号，保证数据的有效性。根据涡流阵列传感器运行机理可知，自动化监测模型精度取决于变换系数，而变换系数取决于区间[gi,g
i 1
]上背景值。在模型训练过程中，背景值取s
(1)
(gi)和s
(1)
(g
g 1
)的中点值，并将中点值与训练结果做差反向传播至网络更新网络参数，可以使该模型在数据序列平稳变化时，监测误差较小，保证该模型不会受到序列变化影响，大大降低监测误差，提高模型自动化监测精度。信号可能会有不同程度的偏移(多项式趋势)，采用最小二乘法取消趋势项可以降噪消除偏移，减小误差。本发明利用最优工作频率β(σ,l1)确保了数据的准确度、
中点值在训练过程中用于反向更新深度学习网络确保模型的收敛速度以及准确率、利用最小二乘法解决原始数据噪声问题。从数据、预处理、反向传播方式三种技术手段提高了疲劳寿命监测化模型的预测准确率，使得其能够实现通过涡流传感器阵列来监测风机叶片细小结构缺陷。
[0087]
在本发明所提供的几个实施方式中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0088]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
[0089]
另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0090]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0091]
以上所述仅为本发明的部分实施例，并非因此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。