基于振动信号的风机叶片故障检测

新华电力发展投资有限公司 刘天奇 贾明峰 赵 薇

现如今，全球经济高速发展与能源需求迅猛增长的背景下，新能源的开发和利用已显现为全球能源领域的核心发展趋势。风能作为一种洁净、可再生的能源形式，在全球范围内的应用逐步普及。然而，风力发电设备往往须置于恶劣环境之中，例如多风沙、多暴雨等恶劣气候条件，容易导致发电机叶片损坏，进而对整个设备的正常运行产生不利影响。因此，如何对发电机叶片的损坏进行及时、精准地诊断，已成为解决该问题的关键环节。

现阶段，基于人工智能和机器学习的技术已逐步应用于风能发电设备的检测和诊断中，能够有效地诊断发电机叶片的故障，提升设备维护效率，降低能源生产成本。利用深度学习、计算机视觉等人工智能和机器学习技术，研究人员得以在海量数据中迅速分析和检测出潜在问题，从而使诊断过程更加高效和精确，还能减少因设备故障导致的生产损失，提高能源生产效率。

综上所述，在当前全球能源形势下，风能发电作为一种洁净、可再生的能源形式具备较大的发展潜力。引入人工智能和机器学习技术，有助于有效解决风能发电设备所面临的挑战，提高设备维护效率，降低能源生产成本，为实现可持续能源目标贡献积极力量。

1 现状

目前，对风机叶片的诊断主要通过三种方式：基于人力的检测；基于故障字典的模式识别；基于机器学习和深度学习的故障诊断。

在风能发电设备的叶片检测过程中，传统的人力检测方法存在一些明显的不足。首先，人力检测的成本较高，需要配备具有较高素质的技术人员来执行相关任务。其次，由于人力检测需要人员近距离接触叶片进行检查，存在安全隐患。此外，人力检测的稳定性较差，受到恶劣天气等环境因素的影响较大，检测结果可能会受到干扰，影响诊断结果的准确性。

与传统人力检测相比，基于故障字典的模式识别方法试图通过建立大量故障数据的字典，通过比较待检测风机与故障字典，来实现检测[1]。然而，该方法也存在一定的问题。首先，故障字典的建立依赖于大量的故障数据，字典规模十分庞大，难以管理。其次，字典查询过程需要基于待检测叶片与字典的对比，查询效率较低，可能会消耗大量时间和计算资源。此外，故障字典的模式识别方法无法识别未包含在字典中的新型故障。

因此，为了解决上述问题，人工智能和深度学习已逐步应用于风能发电设备的叶片检测。这些技术可在大量数据中自动学习和识别故障特征，从而提高检测效率和准确性[2]。与传统方法相比，人工智能和机器学习可以为风能发电设备的叶片检测提供更为先进和可靠的支持，同时，通过神经网络实现故障检测有助于降低检测成本，减少检测的人力、资源的消耗，提升检测的效率。

现代风机通常由数个叶片组成，其中每一个叶片都可能存在故障，导致整个风机的性能下降或者停机，给发电效益带来极大的影响。传统的故障检测方法通常需要人工巡检或使用专业设备进行检测，但这种方法费时费力，且容易受到人为主观因素的影响，同时成本也比较高。而基于人工智能技术的风机叶片故障检测方法，可以通过采集叶片振动信号并进行信号处理和特征提取，结合1D-CNN等神经网络模型的训练，实现对风机叶片的故障检测。相较于传统方法，这种方法具有更高的精准度和效率，且可以节约大量的人力和物力成本。同时，这种方法还可以通过对数据的持续收集和学习，不断优化检测效果，使得检测精准度更高、效率更高、可靠性更高。

2 工作的流程图以及模型的介绍

流程介绍如下：该诊断方法流程包括两部分，第一部分是通过训练集数据进行模型的训练，第二部分是根据训练好的模型对获取到数据的待检测叶片进行故障的检测。该检测方式主要通过一种基于1D-CNN构建的检测模型进行检测。

如图1所示，模型的训练部分主要基于训练集给定数据进行训练，采用的具体方法是：获得叶片的振动数据以及故障状况，获得叶片振动数据和故障状况后，需要对这些数据进行处理和分析，以便将其用于训练模型。数据处理包括数据清洗、特征提取、数据标准化等步骤。一旦数据处理完成，可以将其用于训练模型。常用的训练算法包括梯度下降法、随机梯度下降法、Adam优化器等。

其中，梯度下降法是最基本的优化算法，其目标是最小化损失函数，使模型的预测结果与真实值之间的误差最小化。本模型采用梯度下降法进行训练。在进行模型训练时，需要设置训练次数、批次大小、学习率等超参数。这些参数的设置会影响模型训练的速度和效果。为了避免过拟合，通常需要对模型进行验证，选择最优的超参数。在模型训练完成后，可以对模型进行测试，以检查其在新数据上的预测准确性。

在获得训练好的模型后，使用模型对待检测叶片进行故障检测。在叶片振动信号输入模型之前，首先需要对信号进行预处理，包括滤波、去噪、降采样等步骤。然后，将预处理后的信号输入到训练好的模型中进行分类。在模型输出结果后，人工对叶片进行进一步检测以确认故障类型和位置。如果故障被确认，需要采取相应的维修措施。如果模型识别错误，可以通过人工反馈进行模型优化，提高故障检测准确率。总之，模型与人工相结合，可有效提高叶片故障检测的准确性和效率。

1D-CNN模型：1D-CNN模型是一种应用于一维数据处理的模型，其结构类似于传统的卷积神经网络。该模型包括输入层、卷积层和Softmax层。输入层接受一维的振动信号向量，卷积层通过多个卷积核对信号进行卷积操作，提取信号的特征，然后将特征图传递给全连接层，最终经过Softmax层得到最终的预测结果。

训练1D-CNN模型的过程通常是通过反向传播的方式进行的。模型通过训练集数据不断学习，反复调整模型参数直到模型的预测结果与实际结果之间的误差最小化。在训练过程中，为了实现有效的训练过程，需要设置一些超参数，如训练次数、批次大小以及学习率等。训练次数是模型在整个训练集上的学习迭代次数；批次大小是每次模型训练所使用的样本数量；学习率是一个控制模型学习速度和收敛速度的参数。

合适的超参数设置对于模型的训练效果至关重要。为了选择最优的超参数配置，还需在验证集上进行模型验证以评估模型性能。验证集是从原始数据集中划分出来的一部分数据，用于对模型的泛化性能进行评估。通过在验证集上测试不同超参数组合的性能，可以选择最佳的超参数设置，从而提高模型在未知数据上的预测准确性。

在实际训练中，为了防止过拟合现象的发生，可以采用一些正则化技术，如权重衰减（L2正则化）、Dropout等。这些技术能够提高模型的泛化能力。同时，在训练过程中可以使用优化器（如Adam、RMSProp等）来自动调整学习率，进一步提高训练效果。通过合理的超参数设置和训练策略，可以使模型具有较高的预测性能和泛化能力，在实际应用中实现更好的效果。

在对于训练好的模型的使用部分，对于待检测叶片的振动信号，需要进行去噪等预处理操作，然后将其输入训练好的1D-CNN进行检测，检测模型根据振动信号得到最后的检测结果。得到检测结果后，模型将故障状态反馈给人工，人工对故障叶片进行进一步检测、故障排查、故障修理。

3 试验验证

为了验证所建立模型的有效性和可靠性，构建模拟实验平台来对模型进行详细地验证和测试。该试验平台主要由风力发电机模型和传感器两部分组成。通过将传感器安装在风力发电机周围，可以实时采集风机在不同工作状态下的振动数据。在试验过程中，为了全面地评估模型性能，设置了多种不同的实验条件，对照组试验包括：正常运行的风机、叶片磨损的风机以及叶片断裂的风机。这些不同状态下的风机叶片振动数据将作为训练数据，用于训练和优化故障检测模型。通过收集和分析这些不同状态下的风机振动数据，对检测模型进行训练。在模型训练完成后，利用独立的验证数据集对模型进行验证，以评估其在实际应用中的性能表现。

通过试验验证了基于1D-CNN的检测模型的有效性，1D-CNN结构如图2所示。在试验中，研究人员基于前述方法构建了1D-CNN模型。使用采集到的风机叶片的振动信号作为训练集，进行模型训练。在训练模型之前，对训练集进行了数据预处理，包括噪声滤波、标准化等操作，以便更好地训练模型。在训练过程中，采用梯度下降法对模型参数进行调整，并且设置训练轮数为四百个epoch。

图2 1D-CNN模型

图3 模拟风机平台和对照组的设置

图4 训练过程的故障诊断的准确率

经过训练，得到结论，1D-CNN模型在进行故障叶片诊断时，可以达到较高的准确率，其准确率达到了95%以上。这表明该模型具有很好的效果，可以有效地对风机叶片的故障进行检测和诊断。同时，该模型还具有很好的泛化能力，能够适应不同的叶片故障类型和不同的风机故障状况。

4 总结

通过对本模型的使用，不需要人工直接接触叶片而对叶片进行远程检测，降低风险同时提升精度。此外，由于1D-CNN模型的自适应性和学习能力，可以适应不同类型的叶片故障检测任务，具有较强的泛化能力。与传统的叶片检测方法相比，该方法具有更高的准确率，并且在实际应用中能够降低成本和提高效率。因此，该方法在风电行业的应用前景广阔，有望为风电行业带来更高的技术水平和经济效益。

除了能够实现远距离、高精度、低成本的叶片故障检测外，基于神经网络的方法还具有一定的智能化优势。通过训练模型，可以使其具备学习能力，不断优化检测效果，避免人为干预的主观性和不确定性。此外，基于神经网络的检测方法可以拓展到其他领域，如机械、汽车、航空等，具有广泛的应用前景。另外，本模型的推广使用还能够促进风电行业技术的发展和升级，进一步推动清洁能源的开发和利用，有益于推动社会可持续发展。