本发明涉及风机叶片状态监测,具体地涉及一种机组叶片识别方法、一种机组叶片识别装置、一种电子设备及一种可读存储介质。
背景技术:
1、随着风电机组容量不断增大,叶片的长度也越来越长,为了降低成本,薄壳结构的叶片也变得越来越轻巧,结构的挠性变得越大。叶片受到大气边界层的环境因素影响,形成了复杂的激振源,因此,检测叶片振动特性,分析其振动机理,对于指导叶片设计和机组安全运行有着重要的意义。
2、现有技术中对风电机组进行健康状态的监测方法主要为基于应变测量的检测方法,是通过使用应变传感器检测风机叶片长度或变形的微小变化,再利用热成像检测方法对叶片热力学性质进行监测,以确定叶片的材料损伤部位。虽然应变传感器和热成像技术等可以实现对大型风电机组的叶片进行状态监测,但是由于设备进行数据采集的高精准问题以及对环境的要求严格,导致该技术方法存在对风电机组叶片状态监测的监测准度低、成本代价高以及人力成本消耗大的问题。
技术实现思路
1、本发明实施例的目的是提供一种机组叶片识别方法、装置、设备及存储介质,以解决上述技术问题。
2、为了实现上述目的,本发明实施例提供一种机组叶片识别方法,所述方法包括:
3、利用激光测振技术对机组叶片进行测量,得到叶片振动数据;
4、基于所述叶片振动数据,利用预设叶片识别模型进行叶片识别,得到叶片运行工况数据和叶片疲劳裂纹数据;其中,所述预设叶片识别模型包括基于卷积神经网络的工况识别模型和疲劳裂纹识别模型。
5、可选地,在所述利用激光测振技术对机组叶片进行测量,得到叶片振动数据之后,所述方法还包括:
6、利用小波变换技术对所述叶片振动数据进行去噪处理,得到去噪后的叶片振动数据;
7、所述基于所述叶片振动数据,利用预设叶片识别模型进行叶片识别,得到叶片运行工况数据和叶片疲劳裂纹数据,包括:
8、基于所述去噪后的叶片振动数据,利用预设叶片识别模型进行叶片识别,得到叶片运行工况数据和叶片疲劳裂纹数据。
9、可选地,所述方法还包括:
10、获取不同工况下机组的历史叶片振动数据;
11、基于所述不同工况下机组的历史叶片振动数据,生成工况样本集;
12、获取同一工况下机组叶片有裂纹的历史叶片振动数据和机组叶片无裂纹的历史叶片振动数据;
13、基于所述机组叶片有裂纹的历史叶片振动数据和所述机组叶片无裂纹的历史叶片振动数据,生成裂纹样本集。
14、可选地,所述方法还包括:生成工况识别模型,包括:
15、根据所述工况样本集,确定出工况训练集和工况测试集;
16、利用所述工况训练集对基于卷积神经网络的初始工况识别模型进行训练,得到训练后的工况识别模型;
17、利用所述工况测试集对所述训练后的工况识别模型进行测试,确定出工况识别模型。
18、可选地,所述利用所述工况测试集对所述训练后的工况识别模型进行测试,确定出工况识别模型,包括:
19、利用所述工况测试集对所述训练后的工况识别模型进行测试,得到工况模型训练准确率;
20、判断所述工况模型训练准确率是否达到预设模型训练准确率;
21、若所述工况模型训练准确率达到预设模型训练准确率,则保存当前训练后的工况识别模型为所述工况识别模型。
22、可选地,所述方法还包括:生成疲劳裂纹识别模型,包括:
23、根据所述裂纹样本集,确定出裂纹训练集和裂纹测试集;
24、利用所述裂纹训练集对基于卷积神经网络的初始疲劳裂纹识别模型进行训练,得到训练后的疲劳裂纹识别模型;
25、利用所述裂纹测试集对所述训练后的疲劳裂纹识别模型进行测试,确定出疲劳裂纹识别模型。
26、可选地,所述利用所述裂纹测试集对所述训练后的疲劳裂纹识别模型进行测试,确定出疲劳裂纹识别模型,包括:
27、利用所述裂纹测试集对所述训练后的疲劳裂纹识别模型进行测试,得到裂纹模型训练准确率;
28、判断所述裂纹模型训练准确率是否达到预设模型训练准确率;
29、若所述裂纹模型训练准确率达到预设模型训练准确率,则保存当前训练后的疲劳裂纹识别模型作为所述疲劳裂纹识别模型。
30、在本发明实施方式的第二方面,提供一种机组叶片识别装置,所述装置包括:
31、激光测振模块,用于利用激光测振技术对机组叶片进行测量,得到叶片振动数据;
32、叶片识别模块,用于基于所述叶片振动数据,利用预设叶片识别模型进行叶片识别,得到叶片运行工况数据和叶片疲劳裂纹数据;其中,所述预设叶片识别模型包括基于卷积神经网络的工况识别模型和疲劳裂纹识别模型。
33、本申请第三方面提供一种电子设备,被配置成执行上述的机组叶片识别方法。
34、本申请第四方面提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令在被处理器执行时以由所述处理器被配置成执行上述的机组叶片识别方法。
35、本发明实施例利用激光测振技术对机组叶片进行测量,得到叶片振动数据,再基于该叶片振动数据,分别利用基于卷积神经网络的工况识别模型和疲劳裂纹识别模型,得到叶片运行工况数据和叶片疲劳裂纹数据。即本发明实施例利用激光测振技术对叶片测振,降低了叶片振动测量的成本和测量作业的难度,基于卷积神经网络建立工况识别模型和疲劳裂纹识别模型,提高了叶片识别的准确率。
36、本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
1.一种机组叶片识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的机组叶片识别方法,其特征在于,在所述利用激光测振技术对机组叶片进行测量,得到叶片振动数据之后,所述方法还包括:
3.根据权利要求1所述的机组叶片识别方法,其特征在于,所述方法还包括:
4.根据权利要求3所述的机组叶片识别方法,其特征在于,所述方法还包括:生成工况识别模型,包括:
5.根据权利要求4所述的机组叶片识别方法,其特征在于,所述利用所述工况测试集对所述训练后的工况识别模型进行测试,确定出工况识别模型,包括:
6.根据权利要求3所述的机组叶片识别方法,其特征在于,所述方法还包括:生成疲劳裂纹识别模型,包括:
7.根据权利要求6所述的机组叶片识别方法,其特征在于,所述利用所述裂纹测试集对所述训练后的疲劳裂纹识别模型进行测试,确定出疲劳裂纹识别模型,包括:
8.一种机组叶片识别装置,其特征在于,所述装置包括:
9.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器存储有所述处理器可执行的机器可读指令,所述机器可读指令被所述处理器执行时执行如权利要求1-7中任一项所述的机组叶片识别方法。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有指令,该指令用于使得机器执行如权利要求1-7中任一项所述机组叶片识别方法。