【技术实现步骤摘要】
本专利技术属于风力机故障诊断领域，具体涉及一种非接触式的风力机叶片覆冰状态监测方法。
技术介绍
1、覆冰已经成为寒冷地区影响风力发电损耗的一个重要因素。在气温极低的环境下，雨雪天气容易导致风力机叶片覆冰。风力机叶片覆冰会改变叶片的几何外形、影响叶片的空气动力学特性和机械结构特性、影响风力发电机的气动噪声性能，导致噪声发生明显变化，同时也会导致风力机发电机机组发电效率降低，影响风力机部件预期寿命，严重时甚至会导致叶片折断和风力机倒塌，为保证风力发电机机组和电网系统的安全运行，对风力机叶片覆冰检测就显得尤为重要。
2、覆冰监测技术主要采用接触式测量，即将传感器安装在叶片上或叶片内进行监测。这种监测方式不仅难以实现对现有风力机覆冰状态的实时监测，而且监测成本也很高。由于覆冰对风力机噪声的演变机理产生影响，所以可以提取覆冰后声谱的稳定特征，并建立覆冰形态、位置等因素与其声谱稳定特征的相关关系，就可以通过监测风力机噪声声谱的变化来实现覆冰状态的监测。
技术实现思路
1、为解决以上现有技术的问题，本专利技术提出了一种非接触式的风力机叶片覆冰状态监测方法，该方法包括：实时获取风力机叶片的噪声信号和图片数据；将噪声信号和图片数据输入到训练后的风力机叶片覆冰状态监测模型中，得到监测结果；
2、对风力机叶片覆冰状态监测模型进行训练包括：
3、s1、获取风力机图像；采用声阵列对覆冰叶片组成的风轮进行噪声测试，得到覆冰状态下风力机噪声信号；
4、s2、采用特
5、s3、根据声压级频谱特征构建不同位置覆冰、不同质量覆冰以及不同来流攻角覆冰状态与风力机总声压级增加量之间的正向关系，将所有的正向关系进行集合，得到正向关系数据集；
6、s4、将正向关系数据集中的正向关系输入到bp神经网络模型中，得到第一覆冰状态监测结果；
7、s5、将正向关系数据集中的正向关系输入到局域线性小波神经网络模型中，得到第二覆冰状态监测结果；
8、s6、根据噪声源与不同覆冰状态之间的关系、第一覆冰状态监测结果以及第二覆冰状态监测结果确定最优的覆冰状态；
9、s7、根据最优的覆冰状态计算模型的损失函数，不断调整模型，当损失函数收敛时，完成模型的训练。
10、本专利技术的有益效果：
11、本专利技术通过利用声阵列技术实现非接触测量水平轴覆冰风力机噪声进而监测其覆冰状态，实现了对不同覆冰状态下风力机叶片噪声的监测，提取覆冰后声谱的稳定特征，建立覆冰形态、位置等因素与其声谱稳定特征的相关关系；本专利技术建立了叶片覆冰预测的神经网络模型，通过后续监测风力机噪声声压级的稳定频谱特征变化，进而监测风力机叶片覆冰状态，为风力机叶片结冰的非接触快速监测提供了新方法。
本文档来自技高网...【技术保护点】
1.一种非接触式的风力机叶片覆冰状态监测方法，其特征在于，包括：实时获取风力机叶片的噪声信号和图片数据；将噪声信号和图片数据输入到训练后的风力机叶片覆冰状态监测模型中，得到监测结果；
2.根据权利要求1所述的一种非接触式的风力机叶片覆冰状态监测方法，其特征在于，采用特征值优化波束成形算法对风力机噪声信号进行处理包括：采用时域加权求和公式对风机噪声信号进行处理，得到噪声源和噪声频谱特性；采用特征值优化波束成形算法对噪声源和噪声频谱特性进行处理，得到声压级频谱特征。
3.根据权利要求2所述的一种非接触式的风力机叶片覆冰状态监测方法，其特征在于，时域加权求和公式包括：
4.根据权利要求1所述的一种非接触式的风力机叶片覆冰状态监测方法，其特征在于，BP神经网络模型对正向关系进行处理包括：建立3层BP神经网络，输入层节点数ni为3，分别是0.63kHz-1.25kHz、1.25kHz-3.15kHz和3.15kHz-8kHz三个不同频率段内总声压级的增加量；输出层节点数no为1，对应的覆冰质量；训练样本的隐含层和输出层之间分别采用logsig和purel
5.根据权利要求1所述的一种非接触式的风力机叶片覆冰状态监测方法，其特征在于，局域线性小波神经网络模型对正向关系进行处理包括：采用Morlet函数建立了LLWNN神经网络结构，其中输入层节点数ni为3，输出层节点数no为1，目标均方根误差为0.001；采用训练后的LLWNN神经网络对正向关系进行处理，得到第二覆冰状态监测结果。
6.根据权利要求5所述的一种非接触式的风力机叶片覆冰状态监测方法，其特征在于，局域线性小波神经网络模型处理数据的公式为：
7.根据权利要求1所述的一种非接触式的风力机叶片覆冰状态监测方法，其特征在于，根据噪声源与不同覆冰状态之间的关系、第一覆冰状态监测结果以及第二覆冰状态监测结果确定最优的覆冰状态包括：根据噪声源与不同覆冰状态之间的关系对第一覆冰状态监测结果和第二覆冰状态监测结果进行分析，由于不同覆冰位置下，噪声源位置与覆冰质量的正向关系不同；即噪声源随着覆冰质量的增加沿着叶展方向向叶尖方向移动；不同的风力机叶片通过非接触覆冰状态监测方法建立不同覆冰条件与风力机组总声压级以及噪声源位置的相关关系，得到最优的覆冰状态。
8.根据权利要求1所述的一种非接触式的风力机叶片覆冰状态监测方法，其特征在于，模型的损失函数表达式为：
...【技术特征摘要】
1.一种非接触式的风力机叶片覆冰状态监测方法，其特征在于，包括：实时获取风力机叶片的噪声信号和图片数据；将噪声信号和图片数据输入到训练后的风力机叶片覆冰状态监测模型中，得到监测结果；
2.根据权利要求1所述的一种非接触式的风力机叶片覆冰状态监测方法，其特征在于，采用特征值优化波束成形算法对风力机噪声信号进行处理包括：采用时域加权求和公式对风机噪声信号进行处理，得到噪声源和噪声频谱特性；采用特征值优化波束成形算法对噪声源和噪声频谱特性进行处理，得到声压级频谱特征。
3.根据权利要求2所述的一种非接触式的风力机叶片覆冰状态监测方法，其特征在于，时域加权求和公式包括：
4.根据权利要求1所述的一种非接触式的风力机叶片覆冰状态监测方法，其特征在于，bp神经网络模型对正向关系进行处理包括：建立3层bp神经网络，输入层节点数ni为3，分别是0.63khz-1.25khz、1.25khz-3.15khz和3.15khz-8khz三个不同频率段内总声压级的增加量；输出层节点数no为1，对应的覆冰质量；训练样本的隐含层和输出层之间分别采用logsig和purelin作为激活函数；将训练样本输入到bp神经网络模型中进行训练，并使用learngdm学习函数和levenberg-marquardt训练函数作为训练目标，当目标均方根误差为0.001时，完成bp神经网络...
【专利技术属性】
技术研发人员：崔红梅，符杨旭，孙兵川，李永浩，王心楷，苏麟超，张永，范斌，王健，王贺，崔志礼，杨涛，
申请(专利权)人：内蒙古农业大学，
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。