一种风电机组故障诊断方法

1.本发明属于风电机组监测技术领域，具体涉及一种风电机组故障诊断方法。


背景技术：

2.桨叶是风力发电机组吸收风能的主要部件，风电机组的每支桨叶各自有一套液压或电动装置驱动桨叶转动。运行时，每支桨叶的转动方向及桨距角的转动角度应当是一致的。但是，当发生桨叶变桨不同步故障时，每支桨叶的变化角度出现不一致，就会影响机组的出力，严重的甚至对机组造成重大的损伤。因此通过桨叶监测风电机组是否发生故障具有重大意义。


技术实现要素：

3.本发明为了解决以上问题，提出了一种风电机组故障诊断方法。
4.本发明的技术方案是：一种风电机组故障诊断方法包括以下步骤：
5.s1：采集实时风电机组运行图像，并对实时风电机组运行图像进行预处理，生成标准风电机组运行图像；
6.s2：确定标准风电机组运行图像的桨叶区域，生成标准桨叶运行图像；
7.s3：构建风电机组故障诊断模型，将标准桨叶运行图像输入至风电机组故障诊断模型中，确定风电机组的故障诊断结果。
8.进一步地，s1包括以下子步骤：
9.s11、采集实时风电机组运行图像，对实时风电机组运行图像进行灰度校准，得到校准风电机组运行图像；
10.s12、对校准风电机组运行图像进行旋转，得到水平风电机组运行图像；
11.s13、对水平风电机组运行图像进行归一化处理和去噪处理，得到标准风电机组运行图像。
12.上述进一步方案的有益效果是：在本发明中，由于风电机组处于室外，采集的风电机组运行图像的畸变和噪声较大，因此需进行图像预处理。针对风电机组运行图像可能出现曝光不均匀的情况，需进行灰度校准，使整幅图像灰度均匀，生成校准风电机组运行图像。校准风电机组运行图像可能存在方向偏移，后期容易出现将不属于桨叶区域的图像划分为桨叶区域的情况，导致标准桨叶运行图像裁剪不准确，因此需对校准风电机组运行图像进行旋转校正，保持图像水平。
13.进一步地，s11中，校准风电机组运行图像中像素点的灰度值μ的计算公式为：
[0014][0015]
式中，h
rmax
表示实时风电机组运行图像在r通道的像素最大值，h
gmax
表示实时风电机组运行图像在g通道的像素最大值，h
bmax
表示实时风电机组运行图像在b通道的像素最大
值，h1表示实时风电机组运行图像的最大灰度值，h2表示实时风电机组运行图像的最小灰度值，h
ave
表示实时风电机组运行图像的平均灰度值。
[0016]
进一步地，s12包括以下子步骤：
[0017]
s121、将校准风电机组图像中最大灰度值对应的像素点与最小灰度值对应的像素点连线，形成像素点连线；
[0018]
s122、判断像素点连线与水平方向之间的夹角是否小于45
°
，若是则进入s123，否则进入s124；
[0019]
s123、将校准风电机组图像旋转至像素点连线与水平方向之间的夹角为0
°
，生成水平风电机组运行图像；
[0020]
s124、将校准风电机组图像旋转至像素点连线与水平方向之间的夹角为45
°
后，利用裁剪框对校准风电机组图像进行剪裁，并将剪裁后的校准风电机组图像旋转至像素点连线与水平方向之间的夹角为0
°
，生成水平风电机组运行图像。
[0021]
上述进一步方案的有益效果是：在本发明中，在对校准风电机组图像进行水平调整时，需首先判断夹角是否小于45
°
，若小于45
°
则只需进行简单的旋转即可，若大于或等于45
°
则需对校准风电机组图像进行剪裁，避免冗余像素的影响。
[0022]
进一步地，s2包括以下子步骤：
[0023]
s21、从标准风电机组运行图像中随机选择一个像素点作为中心点，计算其余像素点与中心点的特征距离值；
[0024]
s22、根据其余像素点与中心点的特征距离值，确定标准风电机组运行图像的像素特征值；
[0025]
s23、根据标准风电机组运行图像的像素特征值，确定标准风电机组运行图像的桨叶区域，生成标准桨叶运行图像。
[0026]
上述进一步方案的有益效果是：在本发明中，随机选择标准风电机组运行图像的一个像素点作为中心点，可以真实反映各个像素点的特征情况，再根据特征距离值和像素特征值的数学运算，提取桨叶区域的轮廓，由此生成的标准桨叶运行图像可以充分考虑像素点的分布情况，其轮廓提取准确，无多余空白区域。
[0027]
进一步地，像素点与中心点的特征距离值s的计算公式为：
[0028][0029]
式中，a0表示中心点在标准风电机组运行图像所占面积，ai表示第i个像素点在标准风电机组运行图像所占面积，a表示标准风电机组运行图像的长，b表示标准风电机组运行图像的宽，li0表示第i个像素点与中心点的欧式距离。
[0030]
进一步地，s22中，标准风电机组运行图像的像素特征值z的计算公式为：
[0031][0032]
式中，n表示标准风电机组运行图像的像素点个数，si表示标准风电机组运行图像中第i个像素点与中心点的特征距离值，s
ave
表示标准风电机组运行图像中所有特征距离值的均值。
[0033]
进一步地，s23中，确定标准风电机组运行图像的桨叶区域的具体方法为：将大于像素特征值的灰度值对应的像素点集合作为桨叶区域。
[0034]
进一步地，风电机组故障诊断模型包括输入层、第一编码块、第二编码块、第一解码块、第二解码块、第一卷积块、第二卷积块、第一拼接块、第二拼接块、全连接块和输出层；
[0035]
输入层用于将标准桨叶运行图像输入至风电机组故障诊断模型中；输入层的第一输出端与第一编码块的输入端连接，其第二输出端与第二编码块的输入端连接；
[0036]
第一编码块的输出端和第一解码块的输入端连接；第二编码块的输出端和第二解码块的输入端连接；
[0037]
第一解码块的输出端和第一卷积块的输出端分别与第一拼接块的第一输入端和第二输入端一一对应连接；第二解码块的输出端和第二卷积块的输出端分别与第二拼接块的第一输入端和第二输入端一一对应连接；
[0038]
第一拼接块的输出端和第二拼接块的输出端分别与全连接块的第一输入端和第二输入端一一对应连接；
[0039]
全连接块的输出端和输出层的输入端连接；输出层用于输出风电机组的故障诊断结果。
[0040]
上述进一步方案的有益效果是：在本发明中，输入层将标准桨叶运行图像输入至多个编码块中进行编码，得到编码特征图，再将编码特征图与卷积块进行跳跃连接，对编码特征图进行处理再拼接；全连接块将各个拼接块拼接的结果进行综合，输出结果。
[0041]
进一步地，全连接层的损失函数x的表达式为：
[0042][0043]
式中，y1表示第一拼接块的输出特征，y2表示第二拼接块的输出特征，b表示全连接层的权重系数，sigmoid(
·
)表示s型激活函数，k表示全连接层的神经元个数，λk表示全连接层中第k个神经元的权值。
[0044]
本发明的有益效果是：该风电机组故障诊断方法采集并预处理风电机组运行图像，保证图像的清晰度高且无噪声干扰；提取风电机组运行图像的桨叶区域，在后续步骤中只对桨叶区域进行处理，可大幅减少算法复杂度和算法流程；另一方面，通过神经网络构建风电机组故障诊断模型，可以提高该方法的适用性，其诊断准确率高，具有较强的容错能力，可以及时发现风电机组的运行故障，保证风电机组安全运行。
附图说明
[0045]
图1为风电机组故障诊断方法的流程图；
[0046]
图2为风电机组故障诊断模型的结构图。
具体实施方式
[0047]
下面结合附图对本发明的实施例作进一步的说明。
[0048]
如图1所示，本发明提供了一种风电机组故障诊断方法，包括以下步骤：
[0049]
s1：采集实时风电机组运行图像，并对实时风电机组运行图像进行预处理，生成标准风电机组运行图像；
[0050]
s2：确定标准风电机组运行图像的桨叶区域，生成标准桨叶运行图像；
[0051]
s3：构建风电机组故障诊断模型，将标准桨叶运行图像输入至风电机组故障诊断模型中，确定风电机组的故障诊断结果。
[0052]
在本发明实施例中，s1包括以下子步骤：
[0053]
s11、采集实时风电机组运行图像，对实时风电机组运行图像进行灰度校准，得到校准风电机组运行图像；
[0054]
s12、对校准风电机组运行图像进行旋转，得到水平风电机组运行图像；
[0055]
s13、对水平风电机组运行图像进行归一化处理和去噪处理，得到标准风电机组运行图像。
[0056]
由于风电机组处于室外，采集的风电机组运行图像的畸变和噪声较大，因此需进行图像预处理。针对风电机组运行图像可能出现曝光不均匀的情况，需进行灰度校准，使整幅图像灰度均匀，生成校准风电机组运行图像。校准风电机组运行图像可能存在方向偏移，后期容易出现将不属于桨叶区域的图像划分为桨叶区域的情况，导致标准桨叶运行图像裁剪不准确，因此需对校准风电机组运行图像进行旋转校正，保持图像水平。
[0057]
在本发明实施例中，s11中，校准风电机组运行图像中像素点的灰度值μ的计算公式为：
[0058][0059]
式中，h
rmax
表示实时风电机组运行图像在r通道的像素最大值，h
gmax
表示实时风电机组运行图像在g通道的像素最大值，h
bmax
表示实时风电机组运行图像在b通道的像素最大值，h1表示实时风电机组运行图像的最大灰度值，h2表示实时风电机组运行图像的最小灰度值，h
ave
表示实时风电机组运行图像的平均灰度值。
[0060]
在本发明实施例中，s12包括以下子步骤：
[0061]
s121、将校准风电机组图像中最大灰度值对应的像素点与最小灰度值对应的像素点连线，形成像素点连线；
[0062]
s122、判断像素点连线与水平方向之间的夹角是否小于45
°
，若是则进入s123，否则进入s124；
[0063]
s123、将校准风电机组图像旋转至像素点连线与水平方向之间的夹角为0
°
，生成水平风电机组运行图像；
[0064]
s124、将校准风电机组图像旋转至像素点连线与水平方向之间的夹角为45
°
后，利用裁剪框对校准风电机组图像进行剪裁，并将剪裁后的校准风电机组图像旋转至像素点连线与水平方向之间的夹角为0
°
，生成水平风电机组运行图像。
[0065]
在对校准风电机组图像进行水平调整时，需首先判断夹角是否小于45
°
，若小于45
°
则只需进行简单的旋转即可，若大于或等于45
°
则需对校准风电机组图像进行剪裁，避免冗余像素的影响。
[0066]
在本发明实施例中，s2包括以下子步骤：
[0067]
s21、从标准风电机组运行图像中随机选择一个像素点作为中心点，计算其余像素点与中心点的特征距离值；
[0068]
s22、根据其余像素点与中心点的特征距离值，确定标准风电机组运行图像的像素特征值；
[0069]
s23、根据标准风电机组运行图像的像素特征值，确定标准风电机组运行图像的桨叶区域，生成标准桨叶运行图像。
[0070]
随机选择标准风电机组运行图像的一个像素点作为中心点，可以真实反映各个像素点的特征情况，再根据特征距离值和像素特征值的数学运算，提取桨叶区域的轮廓，由此生成的标准桨叶运行图像可以充分考虑像素点的分布情况，其轮廓提取准确，无多余空白区域。
[0071]
在本发明实施例中，像素点与中心点的特征距离值s的计算公式为：
[0072][0073]
式中，a0表示中心点在标准风电机组运行图像所占面积，ai表示第i个像素点在标准风电机组运行图像所占面积，a表示标准风电机组运行图像的长，b表示标准风电机组运行图像的宽，li0表示第i个像素点与中心点的欧式距离。
[0074]
在本发明实施例中，s22中，标准风电机组运行图像的像素特征值z的计算公式为：
[0075][0076]
式中，n表示标准风电机组运行图像的像素点个数，si表示标准风电机组运行图像中第i个像素点与中心点的特征距离值，s
ave
表示标准风电机组运行图像中所有特征距离值的均值。
[0077]
在本发明实施例中，s23中，确定标准风电机组运行图像的桨叶区域的具体方法为：将大于像素特征值的灰度值对应的像素点集合作为桨叶区域。
[0078]
在本发明实施例中，如图2所示，风电机组故障诊断模型包括输入层、第一编码块、第二编码块、第一解码块、第二解码块、第一卷积块、第二卷积块、第一拼接块、第二拼接块、全连接块和输出层；
[0079]
输入层用于将标准桨叶运行图像输入至风电机组故障诊断模型中；输入层的第一输出端与第一编码块的输入端连接，其第二输出端与第二编码块的输入端连接；
[0080]
第一编码块的输出端和第一解码块的输入端连接；第二编码块的输出端和第二解码块的输入端连接；
[0081]
第一解码块的输出端和第一卷积块的输出端分别与第一拼接块的第一输入端和第二输入端一一对应连接；第二解码块的输出端和第二卷积块的输出端分别与第二拼接块的第一输入端和第二输入端一一对应连接；
[0082]
第一拼接块的输出端和第二拼接块的输出端分别与全连接块的第一输入端和第二输入端一一对应连接；
[0083]
全连接块的输出端和输出层的输入端连接；输出层用于输出风电机组的故障诊断结果。
[0084]
输入层将标准桨叶运行图像输入至多个编码块中进行编码，得到编码特征图，再将编码特征图与卷积块进行跳跃连接，对编码特征图进行处理再拼接；全连接块将各个拼
接块拼接的结果进行综合，输出结果。
[0085]
在本发明实施例中，全连接层的损失函数x的表达式为：
[0086][0087]
式中，y1表示第一拼接块的输出特征，y2表示第二拼接块的输出特征，b表示全连接层的权重系数，sigmoid(
·
)表示s型激活函数，k表示全连接层的神经元个数，λk表示全连接层中第k个神经元的权值。
[0088]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

技术特征：
1.一种风电机组故障诊断方法，其特征在于，包括以下步骤：s1：采集实时风电机组运行图像，并对实时风电机组运行图像进行预处理，生成标准风电机组运行图像；s2：确定标准风电机组运行图像的桨叶区域，生成标准桨叶运行图像；s3：构建风电机组故障诊断模型，将标准桨叶运行图像输入至风电机组故障诊断模型中，确定风电机组的故障诊断结果。2.根据权利要求1所述的风电机组故障诊断方法，其特征在于，所述s1包括以下子步骤：s11、采集实时风电机组运行图像，对实时风电机组运行图像进行灰度校准，得到校准风电机组运行图像；s12、对校准风电机组运行图像进行旋转，得到水平风电机组运行图像；s13、对水平风电机组运行图像进行归一化处理和去噪处理，得到标准风电机组运行图像。3.根据权利要求2所述的风电机组故障诊断方法，其特征在于，所述s11中，校准风电机组运行图像中像素点的灰度值μ的计算公式为：式中，h
rmax
表示实时风电机组运行图像在r通道的像素最大值，h
gmax
表示实时风电机组运行图像在g通道的像素最大值，h
bmax
表示实时风电机组运行图像在b通道的像素最大值，h1表示实时风电机组运行图像的最大灰度值，h2表示实时风电机组运行图像的最小灰度值，h
ave
表示实时风电机组运行图像的平均灰度值。4.根据权利要求2所述的风电机组故障诊断方法，其特征在于，所述s12包括以下子步骤：s121、将校准风电机组图像中最大灰度值对应的像素点与最小灰度值对应的像素点连线，形成像素点连线；s122、判断像素点连线与水平方向之间的夹角是否小于45
°
，若是则进入s123，否则进入s124；s123、将校准风电机组图像旋转至像素点连线与水平方向之间的夹角为0
°
，生成水平风电机组运行图像；s124、将校准风电机组图像旋转至像素点连线与水平方向之间的夹角为45
°
后，利用裁剪框对校准风电机组图像进行剪裁，并将剪裁后的校准风电机组图像旋转至像素点连线与水平方向之间的夹角为0
°
，生成水平风电机组运行图像。5.根据权利要求1所述的风电机组故障诊断方法，其特征在于，所述s2包括以下子步骤：s21、从标准风电机组运行图像中随机选择一个像素点作为中心点，计算其余像素点与中心点的特征距离值；s22、根据其余像素点与中心点的特征距离值，确定标准风电机组运行图像的像素特征值；
s23、根据标准风电机组运行图像的像素特征值，确定标准风电机组运行图像的桨叶区域，生成标准桨叶运行图像。6.根据权利要求5所述的风电机组故障诊断方法，其特征在于，所述像素点与中心点的特征距离值s的计算公式为：式中，a0表示中心点在标准风电机组运行图像所占面积，a
i
表示第i个像素点在标准风电机组运行图像所占面积，a表示标准风电机组运行图像的长，b表示标准风电机组运行图像的宽，li0表示第i个像素点与中心点的欧式距离。7.根据权利要求5所述的风电机组故障诊断方法，其特征在于，所述s22中，标准风电机组运行图像的像素特征值z的计算公式为：式中，n表示标准风电机组运行图像的像素点个数，s
i
表示标准风电机组运行图像中第i个像素点与中心点的特征距离值，s
ave
表示标准风电机组运行图像中所有特征距离值的均值。8.根据权利要求5所述的风电机组故障诊断方法，其特征在于，所述s23中，确定标准风电机组运行图像的桨叶区域的具体方法为：将大于像素特征值的灰度值对应的像素点集合作为桨叶区域。9.根据权利要求1所述的风电机组故障诊断方法，其特征在于，所述风电机组故障诊断模型包括输入层、第一编码块、第二编码块、第一解码块、第二解码块、第一卷积块、第二卷积块、第一拼接块、第二拼接块、全连接块和输出层；所述输入层用于将标准桨叶运行图像输入至风电机组故障诊断模型中；所述输入层的第一输出端与第一编码块的输入端连接，其第二输出端与第二编码块的输入端连接；所述第一编码块的输出端和第一解码块的输入端连接；所述第二编码块的输出端和第二解码块的输入端连接；所述第一解码块的输出端和第一卷积块的输出端分别与第一拼接块的第一输入端和第二输入端一一对应连接；所述第二解码块的输出端和第二卷积块的输出端分别与第二拼接块的第一输入端和第二输入端一一对应连接；所述第一拼接块的输出端和第二拼接块的输出端分别与全连接块的第一输入端和第二输入端一一对应连接；所述全连接块的输出端和输出层的输入端连接；所述输出层用于输出风电机组的故障诊断结果。10.根据权利要求1所述的风电机组故障诊断方法，其特征在于，所述全连接层的损失函数x的表达式为：式中，y1表示第一拼接块的输出特征，y2表示第二拼接块的输出特征，b表示全连接层的
权重系数，sigmoid(
·
)表示s型激活函数，k表示全连接层的神经元个数，λ
k
表示全连接层中第k个神经元的权值。

技术总结
本发明公开了一种风电机组故障诊断方法，属于风电机组监测技术领域，该方法包括以下步骤：S1：对实时风电机组运行图像进行预处理，生成标准风电机组运行图像；S2：确定标准风电机组运行图像的桨叶区域，生成标准桨叶运行图像；S3：将标准桨叶运行图像输入至风电机组故障诊断模型中，确定风电机组的故障诊断结果。该风电机组故障诊断方法采集并预处理风电机组运行图像，保证图像的清晰度高且无噪声干扰；提取风电机组运行图像的桨叶区域，在后续步骤中只对桨叶区域进行处理，可大幅减少算法复杂度和算法流程。复杂度和算法流程。复杂度和算法流程。


技术研发人员：张秀宇 辛红伟 王建国 祝国强 胡争艳
受保护的技术使用者：东北电力大学
技术研发日：2023.07.05
技术公布日：2023/10/5