风机叶片状态诊断方法及装置

技术领域

本申请涉及风机叶片检测技术领域，尤其涉及一种风机叶片状态诊断方法及装置。

背景技术

风机叶片是风力发电机组的重要结构，但是由于风机叶片本身的结构特点，导致其状态诊断主要有如下困难：风机叶片的结构复杂且尺寸大，导致状态诊断耗时费工；叶片外形基本是弧面，并不平整光滑，使用复合材料平面诊断方法时，诊断精度低；叶片受低速冲击后，易造成不可见的内部损伤；对于运行的风电机组，叶片处于几十米的高空，大大增加了诊断难度；另外，如果采用一般的机械和物理试验方法诊断叶片的微观破坏和内部缺陷，诊断后往往会影响其继续使用，因而对风电叶片必须采用无损诊断方法。

目前，国内外常用的无损诊断方法有目视法、超声波诊断等方法。

1)目视法

在叶片的生产以及维护过程中，目视检查法是使用最广泛、最直接的无损诊断方法。主要通过肉眼以及借助放大镜和内窥镜观测叶片表面和内部可到达区域的表面，可检查表面划伤、起泡、起皱、凹痕、缺胶、干纤维、裂纹以及界面分层等较明显的缺陷。特别是在叶片灌注固化后、合模粘接前，通过目视诊断可以较好地发现问题，并及时采取相应的补救措施。但是当叶片合模粘接后，目视法就仅能诊断人可到达的区域，而且当叶片表面喷漆后，目视诊断法也仅局限于叶片表面的缺陷诊断，无法对叶片内部的缺陷进行诊断，导致叶片状态诊断的不精确。

2)超声波诊断法

超声波诊断法是利用复合材料本身或缺陷的声学性质对超声波传播路径的影响来诊断材料内部或表面的缺陷。超声波能诊断复合材料构件中的分层、脱粘、孔隙、贫胶、气泡、裂纹、夹杂冲击等缺陷。超声诊断具备灵敏度高，可精确确定缺陷的位置与分布的优点。丹麦FORCE Technology公司开发的移动式超声扫查仪AMS-46和AMS-57，奥林巴斯公司开发的相控阵超声波探伤仪OmniScan_MX2都是利用超声波原理实现对叶片缺陷的诊断。超声波诊断法只能对叶片进行静态诊断，无法在叶片运行中进行动态诊断，对不同类型的缺陷还要更换不同规格的探头。因此，该诊断方法也不能精确的诊断叶片的状态。

发明内容

本申请提供一种风机叶片状态诊断方法及装置，用以解决上述背景技术中的问题。

第一方面，本申请提供一种风机叶片状态诊断方法，包括：

获取诊断参数，所述诊断参数包括叶片实时声音信号和天气状况，所述叶片实时声音信号包括风机处于工作状态时叶片的实时声音信号；

向第一神经网络模型输入所述诊断参数，以使得所述第一神经网络模型根据所述诊断参数诊断风机叶片的叶片状态；

接收所述第一神经网络模型输出的叶片状态，所述叶片状态包括无损、裂纹、裂开、缺损和雷击。

可选地，所述诊断参数还包括叶片转速和麦克风编号中的至少一项。

可选地，所述第一神经网络模型通过如下方法获得：

确定训练样本，所述训练样本包括多个，每个训练样本包括样本参数和诊断结果；

将每个样本参数输入到第二神经网络模型，以使得所述第二神经网络模型输出诊断结果，所述第二神经网络模型为基础卷积神经网络模型的初始模型；

将所述诊断结果与实际结果进行比对，当所述诊断结果与实际结果不同时，调整所述第二神经网络模型的权值参数；

当所述权值参数收敛为预定值时，将所述第二神经网络模型确定为所述第一神经网络模型。

可选地，所述叶片实时声音信号通过如下方法获取：

向空气声呐系统发送叶片实时声音信号采集指令，所述采集指令携带采集频率、采集时长，以使得空气声呐系统根据所述采集指令采集所述叶片实时声音信号，并将采集的所述叶片实时声音信号发送给服务器；

接收空气声呐系统发送的所述叶片实时声音信号，并存储。

可选地，在所述接收所述第一神经网络模型输出的叶片状态，所述叶片状态包括无损、裂纹、裂开、缺损和雷击之后，所述方法还包括：

建立所述诊断参数与叶片状态之间的对应关系；

将所述对应关系确定为一个训练样本。

可选地，在所述接收所述第一神经网络模型输出的叶片状态，所述叶片状态包括无损、裂纹、裂开、缺损和雷击之后，所述方法还包括：

当所述叶片状态为裂纹、裂开或缺损时，生成破损提醒。

可选地，所述破损提醒包括音频提醒、光提醒或文字提醒中的至少一种。

第二方面，本申请提供一种风机叶片状态诊断装置，包括：

获取模块，用于获取诊断参数，所述诊断参数包括叶片实时声音信号和天气状况，所述叶片实时声音信号包括风机处于工作状态时叶片的实时声音信号；

输入模块，用于向第一神经网络模型输入所述诊断参数，以使得所述第一神经网络模型根据所述诊断参数诊断风机叶片的叶片状态；

接收模块，用于接收所述第一神经网络模型输出的叶片状态，所述叶片状态包括无损、裂纹、裂开、缺损和雷击。

第三方面，本申请实施例提供了一种计算机电子设备，包括：

一个或者多个处理器；

存储器，用于存储一个或者多个程序；

当一个或者多个程序被一个或者多个处理器执行时，使得一个或者多个处理器执行实现上述第一方面的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序用于实现上述第一方面的方法。

第五方面，本申请实施例提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面的方法。

本申请实施例提供的风机叶片状态诊断方法包括：获取诊断参数，所述诊断参数包括叶片实时声音信号和天气状况；向第一神经网络模型输入所述诊断参数，以使得所述第一神经网络模型根据所述诊断参数诊断风机叶片的叶片状态；接收所述第一神经网络模型输出的叶片状态，所述叶片状态包括无损、裂纹、裂开、缺损和雷击。而对于现有技术，目视法不能诊断叶片内部缺陷，超声波诊断法不能诊断运行过程中叶片，都存在状态诊断不精确的问题。本申请提高叶片状态诊断的精确度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种风机叶片状态诊断方法的实施环境架构图；

图2为本申请实施例提供的一种声呐系统安装在风电机组的结构示意图；

图3为本申请实施例提供的一种声呐系统的结构示意图；

图4为本申请实施例提供的一种风机叶片状态诊断方法的流程图；

图5为本申请实施例提供的一种确定第一神经网络模型的流程图；

图6为本申请实施例提供的一种获取叶片实时声音信号的流程图；

图7为本申请实施例提供的又一种风机叶片状态诊断方法的流程图；

图8为本申请实施例提供的再一种风机叶片状态诊断方法的流程图；

图9为本申请实施例提供的一种风机叶片状态诊断装置的框图；

图10为本申请实施例提供的又一种风机叶片状态诊断装置的框图；

图11是根据本申请实施例示出的一种计算机系统的结构示意图。

图中：空气声呐系统1；固定支架2；钢带3；交换机4；服务器5；麦克风6；放大器7；ADC8；MCU9；终端10；塔筒11。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，也属于本申请保护的范围。另外，需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1是根据本申请实施例示出的一种风机叶片状态诊断方法的实施环境架构图。如图1所示，结合图2和图3，该实施环境架构包括：空气声呐系统1、固定支架2、钢带3、交换机4、终端10和服务器5。

其中，钢带3设置在风机塔筒11高度的中间位置，并围绕风机塔筒11一圈设置。进一步地，钢带3设置两条，且两条钢带3上下抵接设置。

其中，固定支架2包括多个，比如包括三个，多个固定支架2绕塔筒11一圈均匀布置。进一步地，固定支架2设置为直角三角架构，直角的一面固定在钢带3上，也即直角三角架构通过钢带3固定在风机塔筒11的侧壁。

其中，直角三角架构的另一直角面朝上，斜面朝下。空气声呐系统1设置在固定支架2的另一直角面的上表面。每一个三角架构的上方均设置一个空气声呐系统1，以便在其中一个声呐系统出现故障时，还可以使用其它声呐系统进行叶片实时声音信号的采集。

在使用时，控制其中一个空气声呐系统1采集叶片实时声音信号即可。

其中，空气声呐系统1包括麦克风6，用于采集风机叶片的实时声音信号，并将采集的实时声音信号向后续设备传输。

进一步地，空气声呐系统1还可以包括前置放大器7、音频模拟数字转换器(英文全称：Analog To Digital Converter英文简称：ADC)和微控制单元(英文全称：MicroControl Unit，英文简称：MCU)。麦克风6与前置放大器7信号连接，前置放大器7与音频ADC8信号连接，音频ADC8与MCU9信号连接，以将采集到的实时声音信号发送给前置放大器7，转换为模拟信号并传输到前置放大器7。

其中，前置放大器7通常采用低噪声、高增益的运算前置放大器7，能够较好地放大信号，并且减少噪声和干扰。前置放大器7用于接收麦克风6发送来的实时声音信号，并将实时声音信号进行放大，再将放大后的声音信号发送给音频ADC8。

其中，音频ADC8用于将前置放大器7放大后的模拟信号转换成数字信号，并传输给微控制单元。

其中，微控制单元通过以太网将接收到实时声音信号发送给服务器5。

其中，交换机4用于给空气声呐系统1提供电源，并将服务器5的信号传输到空气声呐系统1。

其中，服务器5可以是一台服务器5，也可以是由多台服务器5组成的服务器5集群，或者是一个云计算服务中心。

进一步地，服务器5用于存储接收到全部数据，并根据指令对相应的数据进行处理，比如，用于诊断风机叶片的状态。

其中，终端10的硬件结构包括处理器、存储器和显示装置，软件结构包括安装在终端10上的应用程序的客户端。当该应用客户端启动后，终端10可显示有应用界面，通过该界面可获取用户输入的门限信号，将门限信号发送至服务器5。

终端10的类型包括但不限于智能手机、平板电脑、电视机、笔记本电脑、台式电脑等，本申请实施例对此不进行具体限定。

终端10与服务器5通过有线或无线连接。

图4是根据本申请实施例示出的一种风机叶片状态诊断方法的流程图。图4所示的方法可以由图1中的服务器5执行，如图4所示，该方法包括以下步骤201-步骤203：

步骤201，获取诊断参数，所述诊断参数包括叶片实时声音信号和天气状况，所述叶片实时声音信号包括风机处于工作状态时叶片的实时声音信号。

其中，诊断参数为通过其它方式获取并存储在服务器5内的数据，以便使用时可以及时获取。

其中，叶片实时声音信号为通过设置在风电塔筒11的麦克风6实时采集得到的声音信号。

另外，需要说明的是，本申请针对已经安装在风场的风机，所以叶片实时声音信号一般为叶片处于旋转状态时的实时声音信号。在特殊情况下，比如，叶片坏损严重，已经无法旋转时，此时的叶片实时声音信号还包括该种情况下的叶片实时声音信号。但是无论叶片是否处于旋转状态，风机是处于工作状态的。

当然，当麦克风6采集到实时声音信号后，还可以对叶片实时声音信号进行预处理，得到新的叶片实时声音信号。进一步地，预处理可以包括去噪、模数转换等，以提高后续处理的精度，进而提高风机叶片状态诊断的精度。

可选地，所述诊断参数还包括叶片转速和麦克风编号中的至少一项。

其中，天气状况为采集地址的天气状况，采集地址即为风机所在的地址，可以从采集地址的天气预报信息中获取天气状况的相关信息。其中，天气状况可以包括温度、风力等气象参数。

另外，对于同一个采集地址，如果采集时间不同，则天气状况也不同，因此，天气状况可以认为是采集地址和采集时间共同影响下的诊断参数。

比如，一般情况下，白天的温度较高，夜晚温较低，冬天的温度较低，夏天的温度较高，由于风机工作时，相关的电器设备也会发热，导致整个风机的温度也较高，温度较高会影响风机的运行状态，进而影响叶片的实时声音信号。

比如，一般情况下，风力越大，环境中的噪声越大，也会影响叶片的实时声音信号。

进一步地，采集时间可以通过如下方法确定：当服务器5接收到叶片实时声音信号时，服务器5自动将接收叶片实时声音信号的时间确定为采集时间。

其中，麦克风编号为事先为每个麦克风6确定的标识码，用于唯一标识一个麦克风6，也能反映出麦克风的种类。

麦克风6的性能会影响采集到的叶片实时声音信号的质量。比如，麦克风6的性能较差时，采集的叶片实时声音信号的系统噪音较大，导致叶片实时声音信号的质量较差，从而降低叶片状态诊断结果的准确性；相反，麦克风6性能较好时，有助于提高叶片状态诊断结果的准确性。

其中，叶片转速也会影响叶片实时声音信号的质量。比如，当叶片转速较大时，叶片与安装叶片的结构之间的摩擦力也较大，会产生较多的噪音，影响叶片实时声音信号的质量，从而影响诊断结果。再比如，叶片转速较大时，叶片受到更大的风阻，会产生较大的环境噪声，也会影响叶片实时声音信号质量。

进一步地，诊断参数还可以包括其它信息，比如，风机的类型、风机的编号、叶片信息等，本申请对此不做限制。

每一种诊断参数都会影响诊断结果，比如，当采集的叶片实时声音信号的质量较高时，诊断结果的准确性较高。

步骤202，向第一神经网络模型输入所述诊断参数，以使得所述第一神经网络模型根据所述诊断参数诊断风机叶片的叶片状态。

其中，所述第一神经网络模型为事先通过样本训练第二神经网络模型得到，第二神经网络模型为构造的基础卷积神经网络模型。

可选地，参见图5，所述第一神经网络模型通过如下步骤2021-步骤2024获得：

步骤2021，确定训练样本，所述训练样本包括多个，每个训练样本包括样本参数和诊断结果。

其中，样本参数与上述诊断参数相似，可以包括叶片声音信号和天气状况。进一步地，样本参数还可以包括叶片转速和麦克风编号的中至少一项。不同之处在于，样本参数中的叶片声音信号并非实时的声音信号，是事先存储的叶片声音信号。

对于样本参数对诊断结果的影响，与上述诊断参数对诊断结果的影响类似，在此不做详述。

其中，诊断结果与上述叶片状态相似，包含了可以搜集到的全部的叶片状态，比如，无损、开裂、裂纹、叶片风损、雷击等。

其中，每个诊断结果可以对应的多个样本参数，一般为成千上万个，以保证训练的精度。

步骤2022，将每个样本参数输入到第二神经网络模型，以使得所述第二神经网络模型输出诊断结果，所述第二神经网络模型为基础卷积神经网络模型的初始模型。

步骤2023，将所述诊断结果与实际结果进行比对，当所述诊断结果与实际结果不同时，调整所述第二神经网络模型的权值参数。

每向第二神经网络模型输入一组诊断参数时，就会输出一个诊断结果。输出的诊断结果可能与实际的叶片状态相同，也可能与实际的叶片状态不同。当所述诊断结果与实际的结果相同时，可以不做其它处理。当诊断结果与实际结果不同时，调整所述第二神经网络模型的权值参数。

步骤2024，当所述权值参数收敛为预定值时，将所述第二神经网络模型确定为所述第一神经网络模型。

其中，预定值为使得第二神经网络模型的准确率达到预设值时收敛值，因此，可以认为当第二神经网络模型的权值参数收敛为预定值时，第二神经网络模型的准确率已经达到预期的要求，或者认为即使再进行训练，准确率也不会再发生变化。因此，可以将此时的第二神经网络模型确定为第一神经网络模型。

步骤203，接收所述第一神经网络模型输出的叶片状态，所述叶片状态包括无损、裂纹、裂开、缺损和雷击。

进一步地，叶片状态还可以包括其它状态，其它状态可以为上述无损、裂纹、裂开、缺损和雷击之外的任何状态。当叶片状态不能被确定为无损裂纹、裂开或缺损时，即可以将叶片状态确定为其它状态。

可选地，参见图6，所述叶片实时声音信号通过如下步骤204和步骤205获得：

步骤204，向空气声呐系统1发送叶片实时声音信号采集指令，所述采集指令携带采集频率、采集时长，以使得空气声呐系统1根据所述采集指令采集所述叶片实时声音信号，并将采集的所述叶片实时声音信号发送给服务器5。

所述空气声呐系统1包括均匀布置在风机塔筒11外壁中央位置处的多组麦克风6。

空气声呐系统1接收到采集指令时，按照采集频率、采集时长采集叶片的实时声音信号。

进一步地，空气声呐系统1每采集一个叶片实时声音信号，就将该叶片实时声音信号发送给服务器5。

步骤205，接收空气声呐系统1发送的所述叶片实时声音信号，并存储。

对于接收到的新的叶片实时声音信号，将其存储在服务器5的叶片声音信号库内，以更新叶片声音信号库。

可选地，参见图7，在步骤203之后，所述方法还包括：

步骤206，建立所述诊断参数与叶片状态之间的对应关系。

步骤207，将所述对应关系确定为一个训练样本。

当每完成一次状态诊断时，都将该次诊断所涉及的诊断参数和叶片状态进行存储，作为一个训练样本，以丰富训练样本，从而进一步提高第一神经网络模型诊断的准确性。

可选地，参见图8，在所述步骤203之后，所述方法还包括如下步骤208：

步骤208，当所述叶片状态为裂纹、裂开或缺损时，生成破损提醒。

其中，破损提醒可以为声音报警、光报警或文字报警。比如，通过服务器5的音频播放器播放确定的破损种类，通过在屏幕上亮灯的形式提醒报警，通过在屏幕上显示文字的方式提醒破损。

其中，当确定了破损种类后，可以生成与该破损种类有关的破损提醒。比如，当破损种类为裂纹时，生成的破损提醒可以为如下文字“风机叶片存在裂纹”。

进一步地，通过不同的方式提醒后，工作人员进一步进行现场检查，并做相关维修。

进一步地，工作人员现场检查后，如果确定叶片真实破损，则认为本次报警为正常报警，并进行维修，然后清除本次报警，以待进行下次报警。如果为异常报警，也将清除本次报警，以待进行下次报警。

本申请实施例提供的风机叶片状态诊断方法包括：获取诊断参数，所述诊断参数包括叶片实时声音信号和天气状况；向第一神经网络模型输入所述诊断参数，以使得所述第一神经网络模型根据所述诊断参数诊断风机叶片的叶片状态；接收所述第一神经网络模型输出的叶片状态，所述叶片状态包括无损、裂纹、裂开、缺损和雷击。而对于现有技术，目视法不能诊断叶片内部缺陷，超声波诊断法不能诊断运行过程中叶片，都存在状态诊断不精确的问题。本申请提高叶片状态诊断的精确度。

图9是根据本申请实施例示出的一种风机叶片状态诊断装置框图。如图9所示，该装置配置在上述服务器5内，该装置包括：

获取模块901，用于获取诊断参数，所述诊断参数包括叶片实时声音信号和天气状况，所述叶片实时声音信号包括风机处于工作状态时叶片的实时声音信号；

输入模块902，用于向第一神经网络模型输入所述诊断参数，以使得所述第一神经网络模型根据所述诊断参数诊断风机叶片的叶片状态；

接收模块903，用于接收所述第一神经网络模型输出的叶片状态，所述叶片状态包括无损、裂纹、裂开、缺损和雷击。

可选地，所述诊断参数还包括叶片转速和麦克风编号中的至少一项。

可选地，所述第一神经网络模型通过如下方法获得：

确定训练样本，所述训练样本包括多个，每个训练样本包括样本参数和诊断结果；

将每个样本参数输入到第二神经网络模型，以使得所述第二神经网络模型输出诊断结果，所述第二神经网络模型为基础卷积神经网络模型的初始模型；

将所述诊断结果与实际结果进行比对，当所述诊断结果与实际结果不同时，调整所述第二神经网络模型的权值参数；

当所述权值参数收敛为预定值时，将所述第二神经网络模型确定为所述第一神经网络模型。

可选地，所述叶片实时声音信号通过如下方法获取：

向空气声呐系统1发送叶片实时声音信号采集指令，所述采集指令携带采集频率、采集时长，以使得空气声呐系统1根据所述采集指令采集所述叶片实时声音信号，并将采集的所述叶片实时声音信号发送给服务器5；

接收空气声呐系统1发送的所述叶片实时声音信号，并存储。

可选地，参见图10，所述装置还包括：

建立模块904，用于建立所述诊断参数与叶片状态之间的对应关系；

确定模块905，用于将所述对应关系确定为一个训练样本。

可选地，参见图10，所述装置还包括：

生成模块906，用于当所述叶片状态为裂纹、裂开或缺损时，生成破损提醒。

可选地，所述破损提醒包括音频提醒、光提醒或文字提醒中的至少一种。

另外，需要说明的是，装置实施例中的相关内容，请参照方法实施例，在此不做赘述。

图11是根据本申请实施例示出的一种电子设备或计算机系统1000的结构示意图，计算机系统包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM1003中，还存储有系统操作所需的各种程序和数据。CPU1001、ROM1002以及RAM1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。

特别地，本申请实施例各流程图描述的过程可以被实现为计算机软件程序。例如，本申请的各方法实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现本申请实施例所述的方法。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。所描述的单元或模块也可以设置在处理器中。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

另外，需要说明的是，本申请所涉及的范围包括上述各技术特征的特定组合而成的可行的技术方案，同时也应涵盖在不脱离上述申请构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的可行的其它技术方案。

最后应说明的是，本申请技术方案中没有描述的内容均可以使用现有技术实现。另外，以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。