【技术实现步骤摘要】
本专利技术主要涉及风电，具体涉及一种运行状态下的风电叶片损伤检测方法及系统。
技术介绍
1、风电在未来具有长期高增长预期和规模化发展的前景，未来陆上风电千万千瓦级规模化项目均在沙戈荒地区、同时集群式海上风电朝深远海发展，无论是陆上风电还是海上风电，均要求极高产品可靠性，对少人化、无人化值守提出要显著要求。而目前并没有对风电叶片在运行状态的损伤检测方案。
技术实现思路
1、本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一种检测精度高的运行状态下的风电叶片损伤检测方法及系统。
2、为解决上述技术问题，本专利技术提出的技术方案为：
3、一种运行状态下的风电叶片损伤检测方法，包括步骤：
4、获取叶片在风电机组正常运行时的叶根载荷和振动信号；
5、采用s变换对叶根载荷和振动信号进行时频转换，获得时频数据；再从时频数据中提取统计特征，并对统计特征降维，提取与叶片损伤相关度最高的n个统计特征；
6、将时频数据和n个统计特征输入至预先构建并训练好的叶片损伤隐马尔可夫数据模型库中，得到叶片的损伤类型；其中叶片损伤隐马尔可夫数据模型库中包括多个不同叶片损伤类型的隐马尔可夫数据模型，各个不同叶片损伤类型的隐马尔可夫数据模型中配置有统计特征与损伤类型之间的映射关系。
7、优选地，构建并训练好叶片损伤隐马尔可夫数据模型库的具体过程为：
8、在陆上全尺寸测试平台上，分别对一批带有不同损伤标记的风电
9、对先验特征库中的载荷信号和振动信号进行时频转换，获得时频数据；再从时频数据中提取统计特征，并对统计特征降维，提取与叶片损伤相关度最高的n个统计特征；
10、将时频数据和n个统计特征作为训练集，对隐马尔可夫模型进行训练，获得不同叶片损伤类型的隐马尔可夫数据模型，得到叶片损伤隐马尔可夫数据模型库。
11、优选地，在隐马尔可夫模型训练中，得到隐马尔可夫模型的三个参数，分别为状态转移矩阵a、观测概率矩阵b以及初始状态概率向量π；其中状态转移矩阵a记录当前叶片隐状态到下一隐状态的概率；观测概率矩阵b记录当前叶片所有隐状态与对应各种统计特征间的关系；初始状态概率向量π记录任意时刻叶片单个隐状态与统计特征间的关系概率值。
12、优选地，状态转移矩阵a的公式为：
13、
14、其中，n为隐状态数量，即叶片不同类型时频数据，即当前叶片隐状态到下一隐状态的概率；
15、观测概率矩阵b的公式为：
16、
17、其中，m为统计特征数量，即当前叶片隐状态i下出现第j个统计特征的概率；
18、初始状态概率向量π的公式为：
19、
20、其中，表示当前叶片状态下出现第i个统计特征的概率。
21、优选地，在将时频数据和n个统计特征输入至各个不同叶片损伤类型的隐马尔可夫数据模型中，计算最大似然概率值，再比较所有各个模型对应的最大似然概率值，取最大似然概率值最大的模型类型为该叶片的损伤状态。
22、优选地，时频数据包括时频幅值矩阵、时频相位矩阵、幅值矩阵等高线轮廓、时间最大幅值曲线、时间最大相位曲线、频率最大幅值曲线以及频率最大相位曲线共七种类型。
23、优选地，统计特征包括标准差、峰值、能量值、偏度、峰度、均方根和振幅因子中的一个或多个。
24、优选地，通过埋入叶片多个位置的力矩传感器和无线振动传感器来获取叶片在风电机组正常运行时的叶根载荷和振动信号；或者通过在叶片内壁加装的应变传感器和加速度传感器来获取叶片在风电机组正常运行时的叶根载荷和振动信号。
25、本专利技术还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述方法的步骤。
26、本专利技术进一步公开了一种计算机设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述方法的步骤。
27、与现有技术相比，本专利技术的优点在于：
28、本专利技术通过构建风电机组叶片具有损伤状态的先验模型特征库，并根据特征值进行叶片损伤类型分类；利用预埋在叶片结构中的传感器获取叶片实时的力矩信号和振动信号，基于时频幅值矩阵、时频相位矩阵、幅值矩阵等高线轮廓、时间最大幅值曲线、时间最大相位曲线、频率最大幅值曲线以及频率最大相位曲线7种类型时频数据特征值提取并实时与先验模型分类特征库对照识别叶片是否发生开裂，检测精度高；叶片实时检测数据将同步更新到叶片状态数据库中，通过机器学习定期对隐马尔可夫模型进行自动更新，丰富真实数据样本，提高叶片损伤检测的精确性。
29、本专利技术的运行状态下叶片状态的实时监测方法，实现风电叶片状态远程判别，通过较早发现叶片开裂问题，从而能够及时对叶片进行修复，有效提高海上风电机组寿命，完善“无人值守”风场设计。
本文档来自技高网...【技术保护点】
1.一种运行状态下的风电叶片损伤检测方法，其特征在于，包括步骤：
2.根据权利要求1所述的运行状态下的风电叶片损伤检测方法，其特征在于，构建并训练好叶片损伤隐马尔可夫数据模型库的具体过程为：
3.根据权利要求2所述的运行状态下的风电叶片损伤检测方法，其特征在于，在隐马尔可夫模型训练中，得到隐马尔可夫模型的三个参数，分别为状态转移矩阵A、观测概率矩阵B以及初始状态概率向量π；其中状态转移矩阵A记录当前叶片隐状态到下一隐状态的概率；观测概率矩阵B记录当前叶片所有隐状态与对应各种统计特征间的关系；初始状态概率向量π记录任意时刻叶片单个隐状态与统计特征间的关系概率值。
4.根据权利要求3所述的运行状态下的风电叶片损伤检测方法，其特征在于，状态转移矩阵A的公式为：
5.根据权利要求1-4中任意一项所述的运行状态下的风电叶片损伤检测方法，其特征在于，在将时频数据和n个统计特征输入至各个不同叶片损伤类型的隐马尔可夫数据模型中，计算最大似然概率值，再比较所有各个模型对应的最大似然概率值，取最大似然概率值最大的模型类型为该叶片的损伤状态。
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。