【技术实现步骤摘要】
本专利技术涉及风电机组的健康状态监测，尤其涉及一种风电机组远程监测方法及系统。
技术介绍
1、随着新能源发电占比不断增加，风电作为新能源的排头兵，风电的发展具有非常重要的意义。但这也带来了一定的问题，对于风电机组运行的可靠性、稳定性和安全性提出了更高的要求。
2、风电叶片作为风电机组最为重要的一部分，实时监测风电叶片的健康状态对于维持风电机组的稳定运行是必不可少的。由于气候限制，我国的风力发电厂主要分布于东北、西北、华北和沿海地区，风电叶片会长期处于风沙、雨雪、大气氧化与盐雾腐蚀等外界侵蚀的环境中，对其安全工作造成严重威胁。而且叶片工作处于高空，肉眼很难及时发现叶片的损伤。通过监测叶片的工作状态，可以及时发现损伤情况，降低维修成本，保证风电机组稳定运行。
3、现有的风电叶片健康状态监测技术大多都存在一定的缺陷，比如成本较高、效率低下、安装维护困难和使用方法繁琐等问题。目前应用最广的是声发射检测技术，风电叶片的任何物理变化包括磨损、形变、开裂等均会产生不同的声发射波，对声发射波的实时检测可以了解到叶片应力变化、裂纹延展、表面腐蚀等动态变化，以便及时发现叶片损伤情况，但这种方法也存在着一定问题。
4、因此，如何提供一种能够对风电机组叶片状态进行远程监测的方法，采用声像结合的方式，实现在叶片损伤较小的情况时即可发现故障，是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种风电机组远程监测方法及系统，可以达到在叶片损伤较小的
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种风电机组远程监测方法，包括以下步骤：
4、s1、对待测风电叶片进行噪声和图像数据监测；
5、s2、采集待测风电叶片噪声信号；
6、s3、将s2中采集的风电叶片噪声信号进行预处理，输入训练完成的bi-lstm故障识别模型中对叶片故障类型初步判别；
7、s4、采集待测风电叶片图像数据；
8、s5、将s4中采集的风电叶片图像进行预处理，输入训练完成的cnn故障识别模型确认s3中判断的叶片故障类型；
9、s6、远程监测设备接收噪声信号、图像数据和故障类型信息并显示。
10、上述的方法，可选的，s1中的对待测风电叶片进行噪声和图像数据监测，具体为，使用阵列传声器检测风电叶片的气动噪声，使用高清摄像头检测风电叶片的图像数据，其中阵列传声器为噪声采集器、高清摄像头为图像采集器。
11、上述的方法，可选的，s2中的采集待测风电叶片噪声信号，具体为，采用外设噪声传感器定时采集风电叶片转动过程中产生的气动噪声信号。
12、上述的方法，可选的，s3中判断叶片故障类型，包括以下步骤：
13、s301、对风电叶片噪声信号进行预处理，得到预处理后的噪声信号；
14、s302、通过小波包特征提取识别预处理后的噪声信号；
15、s303、将各种故障及正常情况下风电叶片噪声信号作为训练数据对bi-lstm故障识别模型进行训练；
16、s304、将s302中所提取的噪声信号输入训练完成的bi-lstm故障识别模型，实现对风电叶片故障情况与故障类型的判断；
17、s305、若不存在故障情况，则将不存在故障情况传输至图像数据采集及图像数据处理步骤；
18、s306、若存在故障情况，则将存在故障情况以及故障类型传输至图像数据采集及图像数据处理步骤。
19、上述的方法，可选的，预处理包括但不限于信号放大和信号降噪。
20、上述的方法，可选的，s4中采集待测风电叶片图像数据，具体为，采用图像采集器对风电叶片整体进行图像数据定时采集，若存在故障情况，则根据故障情况和故障类型判断风电叶片存在异常部位，使用图像采集器对异常部位进行图像数据采集，将整体图像数据与局部图像数据结合对风电叶片故障情况进行确定；若不存在故障情况，继续采集风电叶片整体图像数据。
21、上述的方法，可选的，s5中的确认叶片故障类型，包括以下步骤：
22、s501、对风电叶片图像数据基于傅里叶变换采用低通滤波去掉图片噪声，采用高通滤波增强图片边缘清晰度；
23、s502、若不存在故障情况，将处理后的噪声信号、整体图像数据通过物联网传输至远程监测设备；
24、s503、若存在故障情况，将处理后的图像数据输入训练完成的cnn故障识别模型中，对风电叶片进行故障类型的再判断，确定最终故障类型，将噪声数据、图像数据和故障类型通过物联网传输至远程监测设备。
25、上述的方法，可选的，s6中远程监测设备显示定时采集的叶片状态信息，若风电叶片存在故障情况，远程监测设备结合叶片故障类型，显示故障原因。
26、一种风电机组远程监测系统，执行上述的任一项所述的一种风电机组远程监测方法，
27、包括噪声采集模块、噪声处理模块、图像采集模块、图像处理模块、数据传输模块和远程监测设备；
28、噪声采集模块，与噪声处理模块的输入端连接，用于采集待测风电叶片噪声信号；
29、噪声处理模块，与图像处理模块的第一输入端连接，用于对噪声信号进行预处理，输入训练完成的bi-lstm故障识别模型中对叶片故障类型初步判别，并将初步判断的故障类型发送至图像处理模块；
30、图像采集模块，与图像处理模块的第二输入端连接，用于采集待测风电叶片图像数据；
31、图像处理模块，与数据传输模块的输入端连接，用于对图像数据进行预处理，输入训练完成的cnn故障识别模型确认初步判断的叶片故障类型；
32、远程监测设备，与数据传输模块通信连接，用于接收数据传输模块发送的噪声信号、图像数据和故障类型并进行显示。
33、经由上述的技术方案可知，与现有技术相比，本专利技术提供了一种风电机组远程监测方法及系统，具有以下有益效果：本专利技术采用声像结合的方式，利用噪声采集器采集叶片运行过程中出现的噪声信号，再利用图像采集器采集图片数据，相比常用的声发射检测技术，无需破坏叶片的原有结构安装声发射传感器，就能在叶片损伤较小的情况下发现故障，对风电机组叶片状态进行远程监测。本专利技术综合应用声像结合、物联网和信号处理等多项技术，实现对风电叶片状态的远程监测和故障诊断技术研究。本专利技术的各项工作围绕对风电叶片状态信息的检测、采集、处理和监测等环节进行，结构合理、可操作性强，能够有效解决当前风电机组运行过程中叶片健康监测问题，降低运行风险和检修成本，有利于保障风电设备的稳定运行。
本文档来自技高网...【技术保护点】
1.一种风电机组远程监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种风电机组远程监测方法，其特征在于，
3.根据权利要求1所述的一种风电机组远程监测方法，其特征在于，
4.根据权利要求1所述的一种风电机组远程监测方法，其特征在于，
5.根据权利要求4所述的一种风电机组远程监测方法，其特征在于，
6.根据权利要求1所述的一种风电机组远程监测方法，其特征在于，
7.根据权利要求1所述的一种风电机组远程监测方法，其特征在于，
8.根据权利要求1所述的一种风电机组远程监测方法，其特征在于，
9.一种风电机组远程监测系统，其特征在于，执行权利要求1-8任一项所述的一种风电机组远程监测方法，
【技术特征摘要】
1.一种风电机组远程监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种风电机组远程监测方法，其特征在于，
3.根据权利要求1所述的一种风电机组远程监测方法，其特征在于，
4.根据权利要求1所述的一种风电机组远程监测方法，其特征在于，
5.根据权利要求4所述的一种风电机组远程监测方法，其...
【专利技术属性】
技术研发人员：汪显博，李真鸣，王震宇，闫云凤，陈郁林，齐冬莲，
申请(专利权)人：浙江大学海南研究院，
类型：发明
国别省市：
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。