(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111465662.2 (22)申请日 2021.12.0 3 (71)申请人 浙江运达风电股份有限公司 地址 311106 浙江省杭州市钱江经济开发 区顺风路558号 (72)发明人 张军华　罗勇水　赵海燕　李学平　 艾真伟　孙萍玲　毛涵韬　 (74)专利代理 机构 杭州杭诚专利事务所有限公 司 33109 专利代理师 尉伟敏 (51)Int.Cl. G06K 9/62(2022.01) G06K 9/00(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06N 20/00(2019.01) (54)发明名称 一种基于深度学习的风力发电机叶片损伤 检测方法及系统 (57)摘要 本发明公开了一种基于深度学习的风力发 电机叶片损伤检测方法及系统， 包括采集叶片数 据并进行预处理； 优化算法更新模型参数； 将数 据输入到深度学习预测模型， 自适应提取数据特 征； 计算健康指标真实值和预测值； 计算均方根 误差并对叶片进行判定； 计算数据的熵值和能量 值， 并判定叶片异常； 将数据输入深度学习诊断 模型， 自适应提取故障特征及标签； 将故障标签 与故障数据库匹配， 得到叶片诊断结果并输出至 风场控制中心， 同步更新故障数据库。 本发明通 过自适应提取数据信号特征， 根据健康指标准 确、 及时的监测叶片早期损伤， 并检测叶片损伤 类型、 位置及程度， 无需依赖 人工先验经验， 通过 优化算法更新模型参数， 使该方法检测精度更 高、 适应性更广。 权利要求书2页 说明书7页 附图8页 CN 114565006 A 2022.05.31 CN 114565006 A 1.一种基于深度学习的风力发电机叶片损伤检测方法， 其特 征是， 包括以下步骤： S1： 实时采集叶片的原始音频、 振动数据并进行预处理， 并将预处理后的数据划分为训 练样本集X、 验证样本集Y和 测试样本集Z； S2： 优化算法更新深度学习模型和机器学习预测模型的参数， 深度学习模型包括深度 学习预测模型和深度学习诊断模型； S3： 将S1中训练样本集X 数据输入到深度学习预测模型， 自适应提取 数据特征； S4： 根据S3中提取的数据特征计算健康指标的真实值， 将健康指标的真实值数据输入 到机器学习预测模型， 获取健康指标的预测值； S5： 根据健康指标的真实值和健康指标的预测值计算均方根误差， 将均方根误差与预 先设定的误差阈值进 行比较， 当均方根误差小于预先设定的误差阈值时， 判定叶片正常， 本 次检测结束； 当均方根 误差大于预 先设定的误差阈值时， 进入S6； S6： 计算数据的熵值和能量值， 并将熵值和能量值与预先设定的熵阈值和能量阈值进 行比较， 当熵值大于熵阈值且能量值大于能量阈值时， 判定叶片异常， 进入S7； 否则判定叶 片正常， 本次检测结束； S7： 将S1的预处 理后的数据输入深度学习诊断模型， 自适应提取故障特 征及故障标签； S8： 将故障标签与叶片故障数据库匹配， 得到叶片的损伤位置、 损伤类型、 损伤程度， 并 将诊断的结果输出至风场控制中心， 并同步更新叶片故障数据库。 2.根据权利要求1所述的一种基于深度学习的风力发电机叶片损伤检测方法， 其特征 是， 所述S4中机器学习预测模型的输出为： β ＝HT(I/C+HHT)‑1y， 定义 核矩阵ΩELM＝HHT， 矩阵元素ΩELM(i,j)＝h(xi)h(xj)＝K(xi,xj)， 则机器学习预测模型的输 出为 其中核函数K(xi,yi)＝exp( ‑γ||xi,xj| |2)， 其中， h(x)是隐含层输出矩阵， β 表示隐含层与输出层的连接权重， C是惩罚系数， γ是 核参数。 3.根据权利要求1所述的一种基于深度学习的风力发电机叶片损伤检测方法， 其特征 是， 所述S4 健康指标真实值的计算公式为： 式中， 是实时数据特 征， yt是损伤数据特 征， N为序列长度。 4.根据权利要求1或3所述的一种基于深度 学习的风力发电机叶片损伤检测方法， 其特 征是， 所述S5中均方根误差计算公式为： 其中， N为测试样本个 数， 为健康指标的预测值， yi为健康指标的真实值。 5.根据权利要求1所述的一种基于深度学习的风力发电机叶片损伤检测方法， 其特征权　利　要　求　书 1/2 页 2 CN 114565006 A 2是， 所述S6中熵值计算公式为： 其中， m为嵌入 维数， r为相似容限， ESE(y(s)， m， r)为样本熵， 为粗粒化序列 的m、 m+1维空间向量个数。 6.根据权利要求1所述的一种基于深度学习的风力发电机叶片损伤检测方法， 其特征 是， 所述S6中能量 值计算公式为： 其中， E(j,i)表示分阶层j上第i个节点的能量 值； ps(n,j,k)是小 波包系数。 7.根据权利要求1所述的一种基于深度学习的风力发电机叶片损伤检测方法， 其特征 是， 所述S2中的优化 算法的作用是阶段性的， 依据SCADA风速参数、 噪声等级 进行实施。 8.一种适用于权利要求1所述的一种基于深度 学习的风力发电机叶片损伤检测方法的 风力发电机叶片损伤检测系统， 其特 征是， 包括： 信号采集模块， 用于采集叶片音频、 振动信号数据； 工况划分模块， 依据SCADA风速参数、 噪声等级， 设定参 考阈值； 预处理模块， 用于处 理音频、 振动信号的噪声及环境干扰等无关信息； 深度学习特 征提取模块， 用于自适应提取音频、 振动信号的高维特 征； 机器学习预测模块， 用于 输出叶片实时监测结果； 深度学习诊断模块， 用于自适应诊断叶片损伤位置、 类型、 程度； 显示及传输模块， 用于 显示诊断结果， 并传输 至风场控制中心。 9.根据权利要求8所述的一种基于深度学习的风力发电机叶片损伤检测系统， 其特征 是， 还包括： 中央处理器， 实现整个系统的运行和控制功能； 存储器， 用于存储处理器执行风力发电机组叶片早期损伤检测方法的程序指令和在执 行程序指令的过程中所产生的相关数据。权　利　要　求　书 2/2 页 3 CN 114565006 A 3