关键词:
风电机组叶片
声学检测
排水孔异音
特征提取
分类识别
摘要:
叶片是大型风力发电机组获取风能的关键部件。由于长期运行在严酷的自然环境中,极易造成主梁、表面蒙皮和黏结材料的开裂脱落等故障,造成重大经济损失甚至人员伤亡,对其进行故障在线检测极为重要。相比于声发射、振动、光栅光纤等接触式叶片故障检测方法,将传感器布放于塔筒底部的非接触式声学检测方法具有传感器安装灵活、维护方便等优势。然而实际应用中,叶片排水孔运动随机产生的异音对叶片故障识别造成严重干扰。为此,本文研究提出一种大型风力发电机组叶片排水孔异音识别方法,具体内容及成果如下:(1)研究排水孔异音的主要特性和形成机理。结合排水孔结构特点,探究了排水孔异音成因及复杂工况下异音变化特性;基于叶片几何尺寸与传声器实际位置关系,建立旋转叶片与接收传声器间简化运动模型,据此分析异音频率的时变规律;结合多普勒效应对变速运动排水孔产生的异音实际接收频率进行推导,仿真验证了结论的正确性。(2)针对复杂背景噪声下排水孔异音事件定位问题,研究给出一种基于多频带谱减法的异音事件自适应定位方法。探究复杂背景噪声与目标信号的频谱分布特性,设计基于频谱重心的准周期性指标,对采集连续信号中可能存在排水孔异音的叶片运行声信号进行端点标定;融合实时估计信噪比与多频带策略,自适应更新子带过减因子,建立改进谱减法去除混合信号中强烈干扰。基于实测数据仿真验证了该方法的有效性。(3)针对叶片排水孔异音具有随机性和多样性的问题,提出一种相关经验模态分解(Empirical Mode Decomposition,EMD)与形态学滤波相结合的排水孔异音声纹特征提取方法。采用EMD自适应分解排水孔异音信号,结合本征模态函数(Intrinsic Mode Function,IMF)与原信号间相关性分析构建筛选准则,考虑到异音的频带扩展效应,设计基于相关系数的调控标准重构目标IMF,同时引入形态学滤波优化排水孔异音时频脊线细节,建立基于支持向量机的异音识别模型对排水孔异音事件进行识别。仿真结果表明:该方法能够有效表征和识别排水孔异音事件。(4)针对人工提取特征存在较强的主观性和不完备性问题,提出一种基于卷积神经网络的排水孔异音事件识别方法。融合非正卷积核组结构延展网络深度,提高网络的非线性变换和特征提取能力;引入权重系数指标优化交叉熵损失函数,加强对数量相对较少样本的拟合程度;通过添加批归一化层稳定层间数据分布,提高网络的训练效率。实验结果表明:采用优化的卷积神经网络模型具有更高的排水孔异音事件识别准确率和更快的收敛速度。