[发明专利]一种风机叶片故障预测方法、系统及存储介质

说明书

本发明涉及风力发电技术领域，具体涉及一种基于深度学习的风机叶片故障预测方法、系统及存储介质。所述方法包括：建立深度学习模型，用风机叶片历史运行数据训练深度学习模型；根据风机叶片历史运行数据确定叶片运行正常判定范围；从风机SCADA系统中采集数据，将采集的数据输入深度学习模型，获得叶片震动当量；判断所述叶片震动当量是否在所述叶片运行正常判定范围内，如果所述叶片震动当量在所述叶片运行正常判定范围内，则判定叶片运行正常；如果所述叶片震动当量超出所述叶片运行正常判定范围，则判定叶片处于故障前状态，在故障发生前对叶片进行维护，可避免叶片折断等故障的发生。本申请提供的基于深度学习的风机叶片故障预测方法能够在不增加额外结构的情况下比较准确地对现有风机叶片的震动情况进行监测从而对叶片故障进行预测，加强了对风机叶片的运行维护，可避免风机叶片折断等恶劣后果的发生。

技术领域

本发明涉及风力发电技术领域，具体涉及一种基于深度学习的风机叶片故障预测方法、系统及存储介质。

背景技术

风力发电机的工作原理是风轮在风力的作用下旋转，把风的动能转变为风轮轴的机械能，发电机在风轮轴的带动下旋转发电。风机叶片是风力发电机组的关键部件，但其工作环境复杂，如果风机叶片异常震动，可能会导致叶片上裂纹的产生，持续的震动异常，可能会发生叶片断裂，从而造成巨大的经济损失。通常对叶片震动的监测是在叶片上设置用于采集震动数据的传感器，然后对传感器采集的数据进行分析来对叶片的震动情况进行日常监测，在发现叶片出现震动异常时对叶片进行维修或者养护。现有风力发电机组一般在叶片上没有设置用于采集叶片性能状况的传感器，后期加装传感器经济、人力投入都比较大，且风机叶片在室外环境下工作，工作环境复杂，传感器采集的数据噪音比较大，并不能准确反映叶片的真实状况；另外，由于叶片正常运行时一直处于震动状态，偶尔的震动异常往往不能反映叶片的损伤状况。

发明内容

为实现上述目的，本发明的技术方案提供了一种基于深度学习的风机叶片故障预测方法，包括如下步骤：

步骤S01：建立深度学习模型，所述深度学习模型的输入量包括机舱x轴震动量和机舱y轴震动量、桨距角、风速和风机有功功率，用风机叶片历史运行数据训练深度学习模型；根据风机叶片历史运行数据确定叶片运行正常判定范围；

步骤S02：从风机SCADA系统中采集数据，所述数据包括机舱x轴震动量和机舱y轴震动量、桨距角、风速和风机有功功率；

步骤S03：将步骤S02中采集的数据输入深度学习模型，获得叶片震动当量；

步骤S04：判断所述叶片震动当量是否在所述叶片运行正常判定范围内，如果所述叶片震动当量在所述叶片运行正常判定范围内，则判定叶片运行正常；如果所述叶片震动当量超出所述叶片运行正常判定范围，则判定叶片处于故障前状态。

优选地，所述深度学习模型为LSTM神经网络。

优选地，所述叶片震动当量包括叶片x轴震动当量和叶片y轴震动当量。

优选地，所述风机叶片历史运行数据包括风机叶片断裂前2-7天的机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率数据以及风机叶片正常运行状态下的机舱x轴震动量、机舱y轴震动量、桨距角、风速和风机有功功率数据。

优选地，从风机SCADA系统中采集数据的步骤包括：

S021：根据配置数据库中的风机SCADA系统的IP地址接收风机SCADA系统发送的数据包，并根据接收的数据包包头内的端口号信息识别风机SCADA系统的通信协议类型，所述配置数据库包括风机SCADA系统的IP地址以及与所述IP地址关联的风机SCADA系统的设备类型；