(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202210486958.0
(22)申请日 2022.05.06
(71)申请人 国能信控互联技 术有限公司
地址 102209 北京市昌平区未来科技城英
才北二街9号国电新能源院301号楼6
层618、 619号房间
(72)发明人 赵计生 米路中 强保华 陶晓玲
李金洋 萨仁花 张艳萍
(74)专利代理 机构 北京智绘未来专利代理事务
所(普通合伙) 11689
专利代理师 赵卿
(51)Int.Cl.
F03D 17/00(2016.01)
G06N 3/08(2006.01)
G06V 10/40(2022.01)G06V 10/774(2022.01)
G06V 10/80(2022.01)
G06V 10/82(2022.01)
(54)发明名称
一种自动化 风机叶片故障检测方法及系统
(57)摘要
本发明提出了一种自动化风机叶片故障检
测方法及系统。 本发明通过对多个模态数据的采
集、 预处理和特征提取获得每个模态的特征表
示, 并通过采集的监测数据完成多模态特征域的
监督式学习, 完成对多个模态数据的信息融合过
程。 多种模态数据的综合使用和相互补充, 保障
了该方法全天候的实时数据采集与建模能力, 具
有一定的适用性及鲁棒性。 此外, 通过虚警可控
的阈值策略对梯度提升树模型的输出进行判决,
能够对突变性故障及渐变性故障进行及时预警,
利于风机叶片故障的早期发现。
权利要求书4页 说明书11页 附图2页
CN 114992063 A
2022.09.02
CN 114992063 A
1.一种自动化 风叶机片故障检测方法, 其特 征在于, 包括以下步骤:
步骤1, 通过布置在风力发电机上的设备, 从发电机叶片的运行环境中采集数据;
步骤2, 对步骤1采集到的数据分别进行 特征预处理并完成特 征提取;
步骤3, 通过多模态特 征域的学习, 生成多模态特 征域向量映射矩阵;
步骤4, 根据步骤2和步骤3的结果构建多模态特征域数据集用于训练梯度提升树模型,
并获得模型参数;
步骤5, 通过虚警可控的阈值策略对周期性 运作的风机叶片进行实时故障检测。
2.根据权利要求1所述的一种自动化 风叶机片故障检测方法, 其特 征在于:
步骤1中,
通过布置在风力发电机上的联网传感器设备, 获取当前的自然环境状态,
通过发电机的传感器装置及网络设备, 获取发电机的运行状态,
通过麦克风阵列、 无 人机装置和双轴震动传感器采集 风机叶片多模态数据。
3.根据权利要求2所述的一种自动化 风叶机片故障检测方法, 其特 征在于:
步骤1中,
所述自然环境状态包括: 白天、 风力等级、 天气类型;
所述发电机的运行状态是指风机叶片是否 完成一个完整周期运行;
所述多模态数据包括: 声 音数据、 图像数据和传感数据。
4.根据权利要求3所述的一种自动化 风叶机片故障检测方法, 其特 征在于:
步骤2中, 所述预处 理的方法包括: 缺失值 填充和数据降采样。
5.根据权利要求 4所述的一种自动化 风叶机片故障检测方法, 其特 征在于:
步骤2具体包括:
步骤2.1, 采用MFC C提取声音模态数据, 以如下公式表示,
Xi
sound=FE1(rawsound)
式中:
FE1()表示基于 MFCC提取36帧2阶特 征向量的提取 过程,
rawsound表示完成数据预处 理后得到的单个周期声 音模态数据,
i表示数据采集时运行周期的序号,
Xi
sound表示第i个运行周期中声 音模态数据的特 征向量;
步骤2.2, 图像模态数据采用预训练的Resnet ‑50网络进行特征提取, 并将最后一层全
连接网络替换成包含68个神经元的全连接层, 故单张图片将被映射为68维的特征向量, 最
后, 对第i个周期中的τ 张采样图像获得的τ个68维向量进 行向量聚合, 最终得到68维的图像
模态数据特 征向量, 以如下公式表示,
式中:
FE2()表示最后一个全连接层为68个神经 元的预训练Resnet ‑50网络,
表示向量的按位加操作,权 利 要 求 书 1/4 页
2
CN 114992063 A
2表示完成数据预处 理后得到的第k张图像模态数据,
τ表示图像采样的数量,
k表示降采样的图片编号, k =1,2,3, …, τ,
i表示数据采集时运行周期的序号,
xk
image表示第k张图像模态数据得到的特 征向量,
Xi
image表示第i个运行周期中图像模态数据特 征向量。
步骤2.3, 对第i个周期中的单个传感模态数据通过小波分解得到8维特征表示, 然后通
过拼接操作得到72维的传感模态数据的特 征向量, 以如下公式表示,
Xi
sensor=[x1
sensor,x2
sensor,...,x9
sensor]
式中:
FE3()表示基于小 波分解的频率特 征提取操作,
[···]表示向量 拼接聚合操作,
i表示数据采集时运行周期的序号,
表示完成数据预处 理后得到的第j枚传感模态数据,
j表示传感器编号,
xj
sensor表示第j枚传感模态数据得到的特 征向量,
Xi
sensor表示第i个运行周期中传感模态数据特 征向量。
6.根据权利要求5所述的一种自动化 风叶机片故障检测方法, 其特 征在于:
步骤3中, 收集并记录32种自然环境状态下的风机发电机正常运行的监测数据, 并通过
难样本挖掘策略及配对损失函数实现对多模态特征域的监督式学习过程, 该学习过程可描
述为:
FFθ(Xi
sound,Xi
image,Xi
sensor)=Xi
common∈Rd
式中:
FF表示特征融合,
θ表示待学习的参数集,
Xi
common表示第i周期下的多模态特 征域向量,
Rd表示d维的实数空间。
7.根据权利要求6所述的一种自动化 风叶机片故障检测方法, 其特 征在于:
步骤3具体包括:
多模态特征域学习方式, 该特征域的学习过程基于三个可学习的映射矩阵最后, 三种
模态数据的映射向量基于按位加操作获得聚合三种模态数据信息的多模态特征域向量
Xi
common, 如下式所示,
式中:
W1,W2,W3表示三个用于将不同模态数据特 征映射成一个d维向量的可 学习映射矩阵,
Xi
common表示第i周期下的多模态特 征域向量。权 利 要 求 书 2/4 页
3
CN 114992063 A
3
专利 一种自动化风机叶片故障检测方法及系统
安全报告 >
其他 >
文档预览
中文文档
18 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共18页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 07:35:21上传分享