海上风机叶片故障非接触式监测系统及监测方法

801 编辑：管理员来源：中国海洋大学

2024-03-12 16:50:11

权利要求书： 1.一种海上风机叶片故障非接触式监测方法，使用一种海上风机叶片故障非接触式监测系统，所述的系统包括布置在海上风机基础、塔基或单独平台上的气象信息采集系统，布置在海上风机附近海域的水文信息采集系统，布置在海上风机基础或塔架上的气动声学采集系统，气象信息采集系统、水文信息采集系统和气动声学采集系统所采集的数据实时传输至采集节点，再由采集节点通过无线终端传输至岸上数据中心，数据中心，监测系统和监控设备之间通过工业以太网连接通信；海上风机的数量为两台以上，每台海上风机都配有气象信息采集系统、水文信息采集系统、气动声学采集系统、采集节点和无线终端；所述的气象信息采集系统包括温度传感器、湿度传感器、风传感器、雨量传感器和闪电传感器；所述的水文信息采集系统包括波浪传感器、海流传感器和潮汐传感器；所述的气动声学采集系统包括声学传感器和声学信号处理单元，声学传感器的测量范围为20Hz—20kHz，声学信号处理单元数模转换器的采样频率不低于200kHz，采集位数不低于16位，采集通道不少于4通道；无线终端利用微波通信的方式将数据传输至岸上数据中心；所述的监控设备包括中央监控室计算机监测平台、远程电脑和手持设备，其特征在于，包括如下步骤：（1）通过气象信息采集系统采集气象信息，矫正风噪、极端风暴、雷声、雨声的噪声干扰；通过水文信息采集系统采集水文信息，矫正海上浪、流、潮的噪声干扰；通过气动声学采集系统采集风机叶片的气动声学信息；由采集节点控制采集过程并将采集数据通过无线终端传输至岸上数据中心；

（2）将气象信息、水文信息以及风机叶片的气动声学信息进行决策级信息融合，纠正环境噪声对气动声学信息采集的干扰，通过计算气动声学信息基于变分模态分解的多尺度样本熵，即在不同尺度上提取时间序列的样本熵，以此构建风机叶片的状态特征向量集，通过时频分析工具分析提取构建气动声学信息的时频特征，将以测试样本建立的多尺度样本熵特征向量集输入到神经网络中进行学习和训练，不断更新网络权重和结构，最终收敛得到风机叶片故障识别和分类的神经网络模型；

（3）将该神经网络模型下载至监测系统中，监测系统计算新采集得到气动声学信息的时频特征，输入到该神经网络模型中进行识别和分类，同时该神经网络模型能够根据新特征及时更新权重和神经网络结构，增强神经网络的泛化能力；

（4）由监测系统实时提供各台海上风机叶片的状态和故障信息，在发生故障时向监控设备发出报警信息，同时在监控设备上可以实时查看各台海上风机叶片的状态，并且在故障发生时做出处理。

说明书：一种海上风机叶片故障非接触式监测系统及监测方法技术领域[0001] 本发明属于仪器仪表领域，特别涉及该领域中的一种基于气动声学信号特征的海上风机叶片故障非接触式监测系统及监测方法。

背景技术[0002] 传统能源不能够满足资源和环境的可持续发展要求，风能资源的最终来源为太阳能，取之不尽，用之不竭，越来越受到人们的重视和关注，风力发电技术的进步和成熟使得

海上风电成为风力发电技术发展的重要方向。

[0003] 然而，由于海上风电场一般修建于潮间带或近海海域，建设成本高，复杂的海洋环境加大了海上风机的运行和维护难度。风机叶片作为风能获取的装置，其可靠性直接影响

海上风电机组的发电质量和效率，另外，海上风机叶片较陆上风机叶片尺寸更大、造价更

高，相应地，出现严重故障后破坏性更大、经济损失也更高。然而，目前国内外关于风机叶片

故障检测诊断方法仍然停留在比较低级的阶段。因此，发展一种在风机叶片发生故障的初

期及时检测出故障并准确地识别故障类型，为故障的排除提供支持和依据的实时在线监测

系统及监测方法具有重要的价值。

[0004] 现有风机叶片故障在线检测方式所用到的传感器需要预先安装于风机叶片当中，一方面，这会对风机叶片的结构产生不利影响，降低叶片的强度，增加叶片的制造难度；另

一方面，预制式传感器一旦出现故障，维修成本很高。

发明内容[0005] 本发明所要解决的技术问题就是提供一种基于气动声学信号特征的海上风机叶片故障非接触式监测系统及监测方法。

[0006] 本发明采用如下技术方案：[0007] 一种海上风机叶片故障非接触式监测系统，其改进之处在于：所述的系统包括布置在海上风机基础、塔基或单独平台上的气象信息采集系统，布置在海上风机附近海域的

水文信息采集系统，布置在海上风机基础或塔架上的气动声学采集系统，气象信息采集系

统、水文信息采集系统和气动声学采集系统所采集的数据实时传输至采集节点，再由采集

节点通过无线终端传输至岸上数据中心，数据中心，监测系统和监控设备之间通过工业以

太网连接通信。

[0008] 进一步的，海上风机的数量为两台以上，每台海上风机都配有气象信息采集系统、水文信息采集系统、气动声学采集系统、采集节点和无线终端。

[0009] 进一步的，所述的气象信息采集系统包括温度传感器、湿度传感器、风传感器、雨量传感器和闪电传感器。

[0010] 进一步的，所述的水文信息采集系统包括波浪传感器、海流传感器和潮汐传感器。[0011] 进一步的，所述的气动声学采集系统包括声学传感器和声学信号处理单元，声学传感器的测量范围为20Hz—20kHz，声学信号处理单元数模转换器的采样频率不低于

200kHz，采集位数不低于16位，采集通道不少于4通道。

[0012] 进一步的，无线终端利用微波通信的方式将数据传输至岸上数据中心。[0013] 进一步的，所述的监控设备包括中央监控室计算机监测平台、远程电脑和手持设备。

[0014] 一种海上风机叶片故障非接触式监测方法，使用上述的监测系统，其改进之处在于，包括如下步骤：

[0015] （1）通过气象信息采集系统采集气象信息，矫正风噪、极端风暴、雷声、雨声的噪声干扰；通过水文信息采集系统采集水文信息，矫正海上浪、流、潮的噪声干扰；通过气动声学

采集系统采集风机叶片的气动声学信息；由采集节点控制采集过程并将采集数据通过无线

终端传输至岸上数据中心；

[0016] （2）将气象信息、水文信息以及风机叶片的气动声学信息进行决策级信息融合，纠正环境噪声对气动声学信息采集的干扰，通过计算气动声学信息基于变分模态分解的多尺

度样本熵，即在不同尺度上提取时间序列的样本熵，以此构建风机叶片的状态特征向量集，

通过时频分析工具分析提取构建气动声学信息的时频特征，将以测试样本建立的多尺度样

本熵特征向量集输入到神经网络中进行学习和训练，不断更新网络权重和结构，最终收敛

得到风机叶片故障识别和分类的神经网络模型；

[0017] （3）将该神经网络模型下载至监测系统中，监测系统计算新采集得到气动声学信息的时频特征，输入到该神经网络模型中进行识别和分类，同时该神经网络模型能够根据

新特征及时更新权重和神经网络结构，增强神经网络的泛化能力；

[0018] （4）由监测系统实时提供各台海上风机叶片的状态和故障信息，在发生故障时向监控设备发出报警信息，同时在监控设备上可以实时查看各台海上风机叶片的状态，并且

在故障发生时做出处理。

[0019] 进一步的，气动声学采集系统根据信号的时频特性利用自适应滤波方法去除海洋环境背景噪声干扰，得到纯净的风机叶片气动声学信息。

[0020] 本发明的有益效果是：[0021] 本发明所公开的监测系统，不需要破坏风机叶片的原有结构，同时也方便检测设备的维护。既能满足传统监控室监测要求，同时还有远程电脑和手持设备可以方便现场维

护。

[0022] 本发明所公开的监测方法，通过多传感器信息融合技术，全面、准确的描述风机气动噪声信号和环境背景噪声，纠正环境噪声对气动声学信息采集的干扰。通过自适应信号

处理方法建立海上风机叶片气动声学特征向量集，然后通过机器学习方法实现对海上风机

叶片状态监测和故障识别。

附图说明[0023] 图1是本发明实施例1所公开监测系统的组成示意图；[0024] 图2是本发明实施例1所公开监测方法的流程示意图。具体实施方式[0025] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并

不用于限定本发明。

[0026] 实施例1，如图1所示，本实施例公开了一种海上风机叶片故障非接触式监测系统，所述的系统包括布置在海上风机基础、塔基或单独平台上的气象信息采集系统，布置在海

上风机附近海域的水文信息采集系统，布置在海上风机基础或塔架上的气动声学采集系

统，气象信息采集系统、水文信息采集系统和气动声学采集系统所采集的数据实时传输至

采集节点，再由采集节点通过无线终端传输至岸上数据中心，数据中心，监测系统和监控设

备之间通过工业以太网连接通信。

[0027] 在本实施例中，海上风机的数量为两台以上，每台海上风机都配有气象信息采集系统、水文信息采集系统、气动声学采集系统、采集节点和无线终端，以便岸上数据中心可

以获得每一台海上风机的数据，从而使监测系统能够通过数据中心随时读取海上风电场每

台海上风机的各项信息。所述的气象信息采集系统包括温度传感器、湿度传感器、风传感

器、雨量传感器和闪电传感器。所述的水文信息采集系统包括波浪传感器、海流传感器和潮

汐传感器。所述的气动声学采集系统包括声学传感器和声学信号处理单元，声学传感器的

测量范围为20Hz—20kHz，声学信号处理单元数模转换器的采样频率不低于200kHz，采集位

数不低于16位，为保证采集声学信号的准确性，采集通道不少于4通道。无线终端利用微波

通信的方式将数据传输至岸上数据中心。所述的监控设备包括中央监控室计算机监测平

台、远程电脑和手持设备，其中手持设备为智能移动电话设备，各种监控设备均能实现风机

叶片状态数据查看、故障监测和报警处理等功能。

[0028] 如图2所示，本实施例还公开了一种海上风机叶片故障非接触式监测方法，使用上述的监测系统，包括如下步骤：

[0029] （1）通过气象信息采集系统采集气象信息，矫正风噪、极端风暴、雷声、雨声的噪声干扰；通过水文信息采集系统采集水文信息，矫正海上浪、流、潮的噪声干扰；通过气动声学

采集系统采集风机叶片的气动声学信息，具体地说，在本实施例中气动声学采集系统将信

号进行变分模态分解，通过对比与风机叶片旋转周期的关联性以及子带时频特性，去除海

洋环境背景噪声干扰的子带，得到纯净的风机叶片气动声学信息；由采集节点控制采集过

程并将采集数据通过无线终端传输至岸上数据中心；

[0030] （2）将气象信息、水文信息以及风机叶片的气动声学信息进行决策级信息融合，纠正环境噪声对气动声学信息采集的干扰，通过计算气动声学信息基于变分模态分解的多尺

度样本熵，即在不同尺度上提取时间序列的样本熵，既可以从整体上度量信号的复杂性，又

可以从不同尺度上挖掘信号深层次的细节特征，以此构建风机叶片的状态特征向量集，风

机叶片发生故障时，气动声学信息的时频特征将随之发生变化，通过时频分析工具分析提

取构建气动声学信息的时频特征，将以测试样本建立的多尺度样本熵特征向量集输入到神

经网络中进行学习和训练，不断更新网络权重和结构，最终收敛得到风机叶片故障识别和

分类的神经网络模型；

[0031] （3）将该神经网络模型下载至监测系统中，监测系统计算新采集得到气动声学信息的时频特征，输入到该神经网络模型中进行识别和分类，同时该神经网络模型能够根据

新特征及时更新权重和神经网络结构，增强神经网络的泛化能力；

[0032] （4）由监测系统实时提供各台海上风机叶片的状态和故障信息，在发生故障时向监控设备发出报警信息，同时在监控设备上可以实时查看各台海上风机叶片的状态，并且

在故障发生时做出处理。

[0033] 在本实施例中，气动声学采集系统根据信号的时频特性利用自适应滤波方法去除海洋环境背景噪声干扰，得到纯净的风机叶片气动声学信息。