【技術實現步驟摘要】
本專利技術涉及風機，尤其涉及一種基于人工智能的風機旋轉部件異常檢測方法。
技術介紹
1、現有技術中風機旋轉部件的異常檢測主要依賴于振動傳感器和其他機械傳感設備，通過對風機葉片、轉子和軸承的振動信號進行監測來判斷風機的運行狀態，然而，傳統振動傳感器的安裝和維護成本較高，在大規模風電場的應用場景下其硬件配置復雜整體維護費用較大，同時，由于振動傳感器的檢測靈敏度受限，傳統檢測方法往往只能在異常情況已經相對明顯時才能檢測到，難以實現早期故障的預警導致潛在的小問題在未及時解決時逐漸演變為較大的設備故障，增加了風機的維護難度和停機風險。
2、另外，現有的異常檢測方法對風機旋轉部件的聲音信號利用較少，通常只針對機械振動信號而忽視了風機在運行過程中所產生的噪聲特征，事實上風機旋轉部件在運行時會產生特定的聲學信號，聲學信號與部件的運行狀態緊密相關能夠反映出早期的異常征兆，因此，現有技術未能充分利用風機運行的聲音信號進行異常檢測導致其檢測精度和靈敏度受限。
3、此外，現有技術的智能化程度較低主要依賴于手動設置的閾值和簡單的信號分析手段，缺乏自適應能力，隨著風機設備的復雜性和運行環境的多樣化僅依靠固定閾值的檢測方法很難應對風機在不同負載、風速和環境噪聲條件下的變化導致誤報和漏報的現象較為常見，影響風電場的整體運營效率。
4、綜上所述，現有技術主要存在以下缺點：首先，傳統振動傳感器的安裝和維護成本較高，難以適應大規模風電場的應用；其次，現有方法難以捕捉風機旋轉部件的早期異常信號，無法實現及時預警；最后，現有技術缺乏對
技術實現思路
1、本專利技術的一個目的在于提出一種基于人工智能的風機旋轉部件異常檢測方法，本專利技術不僅降低了風機異常檢測的成本，還提高了檢測精度和智能化水平。
2、根據本專利技術實施例的一種基于人工智能的風機旋轉部件異常檢測方法，包括如下步驟：
3、s1、在風機的多個關鍵部位布置多個聲學傳感器節點，用于實時采集風機旋轉部件在運行過程中產生的風機葉片信號、轉子振動信號及軸承噪聲信號，構建風機旋轉部件聲音信號集；
4、s2、對采集到的風機旋轉部件聲音信號集進行預處理，去除環境噪聲和無關信號，并對風機旋轉部件聲音信號集進行頻譜分析和時頻分析，得到風機旋轉部件運行的頻域特征及時域特征，生成風機旋轉部件聲音信號特征向量集；
5、s3、基于風機歷史運行數據和風機旋轉部件聲音信號特征向量集采用層次化強化學習算法進行深度神經網絡模型訓練，訓練過程包括高層策略通過風機旋轉部件聲音信號集的整體分析判斷是否需要進一步分析特征向量集，低層策略則在高層策略指示下對特征向量集進行細粒度分類與分析，訓練得到用于檢測風機旋轉部件異常狀態的深度神經網絡模型；
6、s4、將當前生成的特征向量集輸入到經過訓練的深度神經網絡模型中，利用層次化強化學習算法對風機旋轉部件特征向量集進行分析和分類，高層策略根據風機的運行環境、負載條件以及聲音信號集的整體變化趨勢判斷是否激活低層策略，低層策略則根據風機旋轉部件特征向量集進一步判斷是否存在異常狀態；
7、s5、根據風機的運行環境參數動態調整聲學傳感器節點的靈敏度和工作頻率，優化風機旋轉部件聲音信號集的采集質量，并實時調節聲音信號集的去噪和濾波參數；
8、s6、當低層策略通過對特征向量集的分析識別出異常狀態時，系統自動觸發報警機制，生成包含異常類型、異常位置及可能原因的報告，向風電場的運維團隊發送警告信號。
9、可選的，所述s1具體包括以下步驟：
10、s11、在風機的多個關鍵部位布置聲學傳感器節點{s1,s2,…,sn}，其中，n為聲學傳感器節點的數量，聲學傳感器節點si用于實時采集風機旋轉部件在運行過程中產生的風機葉片信號、轉子振動信號及軸承噪聲信號；
11、s12、聲學傳感器節點以固定的時間間隔δt對風機旋轉部件的聲音信號進行采集，得到時間序列信號：
12、{x1(t),x2(t),…,xn(t)}；
13、其中，xi(t)表示在時刻t由聲學傳感器節點si采集到的聲音信號；
14、s13、構建風機旋轉部件的聲音信號集x(t)：
15、x(t)＝[x1(t),x2(t),…,xn(t)]；
16、其中，x(t)為風機旋轉部件在時間t的聲音信號集，包含由n個聲學傳感器節點采集到的多通道聲音信號；
17、s14、針對每個聲學傳感器節點si采集到的信號xi(t提取對應的葉片信號、轉子振動信號及軸承噪聲信號，分別記為
18、s15、將各聲學傳感器節點采集到的不同類型聲音信號進行組合，構建風機旋轉部件的多通道聲音信號集xc(t)：
19、
20、其中，xc(t)為風機旋轉部件在時間t的組合信號集，包含所有聲學傳感器節點采集到的不同類型聲音信號；
21、s16、生成完整的風機旋轉部件聲音信號數據集d：
22、d＝{xc(t1),xc(t2),..,xc(tm)}。
23、可選的，所述s2具體包括以下步驟：
24、s21、對風機旋轉部件聲音信號數據集d進行預處理，應用帶通濾波器對每組聲音信號進行濾波，濾波范圍為[fmin,fmax]，其中，fmin為最低有效頻率，fmax為最高有效頻率，用于去除無關環境噪聲，得到濾波后的風機旋轉部件聲音信號數據集df；
25、s22、對經過濾波處理后的風機旋轉部件聲音信號數據集df進行歸一化處理，使每個聲音信號的幅度在相同的數值范圍內，得到歸一化后的風機旋轉部件聲音信號數據集dn；
26、s23、對歸一化后的風機旋轉部件聲音信號數據集dn進行頻譜分析，采用短時傅里葉變換將時間域信號轉化為時頻域信號，得到風機旋轉部件的頻域特征；
27、s24、對風機旋轉部件聲音信號數據集dn進行時域分析，提取瞬時能量et、信號包絡和振幅變化時域特征；
28、s25、將風機旋轉部件的頻域特征向量vf和時域特征向量vt結合，構成風機旋轉部件聲音信號特征向量集vc。
29、可選的，所述s3具體包括以下步驟：
30、s31、利用風機歷史運行數據集h和風機旋轉部件聲音信號特征向量集vc，構建用于訓練深度神經網絡模型的數據集dtrain：
31、
32、其中，為第i個風機旋轉部件聲音信號特征向量，包含頻域風機旋轉部件聲音信號特征向量和時域風機旋轉部件聲音信號特征向量y(i)為對應的風機運行狀態標簽，取值為正常狀態(y(i)＝0)或異常狀態(y(i)＝1)；n為訓練樣本數量；
33、s32、建立層次化強化學習算法的深度神經網絡模型m，包括高層策略網絡πh和低層策略網絡πl：
34、高層策略網絡πh用于對輸入的風機旋轉部件聲音信號特征向量進本文檔來自技高網...
【技術保護點】
1.一種基于人工智能的風機旋轉部件異常檢測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于人工智能的風機旋轉部件異常檢測方法，其特征在于，所述S1具體包括以下步驟：
3.根據權利要求1所述的一種基于人工智能的風機旋轉部件異常檢測方法，其特征在于，所述S2具體包括以下步驟：
4.根據權利要求1所述的一種基于人工智能的風機旋轉部件異常檢測方法，其特征在于，所述S3具體包括以下步驟：
5.根據權利要求1所述的一種基于人工智能的風機旋轉部件異常檢測方法，其特征在于，所述S4具體包括以下步驟：
6.根據權利要求1所述的一種基于人工智能的風機旋轉部件異常檢測方法，其特征在于，所述S6具體包括以下步驟：
7.根據權利要求1所述的一種基于人工智能的風機旋轉部件異常檢測方法，其特征在于，所述異常可能原因的識別包括當低層策略網絡πl識別出風機旋轉部件存在異常狀態時，提取當前異常狀態的風機旋轉部件聲音信號特征向量：
【技術特征摘要】
1.一種基于人工智能的風機旋轉部件異常檢測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于人工智能的風機旋轉部件異常檢測方法，其特征在于，所述s1具體包括以下步驟：
3.根據權利要求1所述的一種基于人工智能的風機旋轉部件異常檢測方法，其特征在于，所述s2具體包括以下步驟：
4.根據權利要求1所述的一種基于人工智能的風機旋轉部件異常檢測方法，其特征在于，所述s3具體包括以下步驟：
...
【專利技術屬性】
技術研發人員：曹宏，劉加，劉德廣，
申請(專利權)人：北京華控智加科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。