具体实施方式

为详细说明本发明的技术内容、构造特征、所达成目的及效果，以下兹例举实施例并配合附图详予说明。应理解，此处所描述的具体实施例仅为解释本发明，并不本限定本发明。对于本领域的技术人员来说，本发明可以在不需要这些具体实施细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

请参阅图1及图2，本发明之一的一种风力发电机组叶片状态监测方法，适用于包括主控系统及变桨系统的水平轴风力发电机组，其包括，

步骤S1：通过安装在风力发电机组叶片上的若干传感器单元，所述传感器单元至少实时采集叶片载荷信号和叶片振动信号；

步骤S2：对步骤S1中获取的所述实时叶片载荷和振动信号进行数据归一化处理；

步骤S3：对步骤S2中数据归一化处理后的载荷信号和振动信号再通过深度学习中的无监督学习方法区分并提取叶片状态特征向量中的异常数据，对异常数据区分判断后输出叶片状态信号；

步骤S4：如叶片状态特征向量中存在异常数据，进一步对步骤S3中提取的叶片状态特征向量的异常数据采用聚类方法对叶片状态特征向量中存在异常数据进行故障数据类别分类进而得出具体故障类别；

步骤S5：根据步骤S3或步骤S4处理结果输出的叶片状态信号或/和故障类别。

所述所述每一传感器单元进一步包括载荷传感器和振动传感器，且所述载荷传感器安装在叶片根部位置处，振动传感器安装在叶片中部位置处，且振动传感器安装位置距离叶片叶根距离为整个叶片长度1/3位置处。

所述步骤S2中，对实时采集的所述叶片载荷信号和叶片振动信号进行数据归一化处理即是对采集的所述叶片载荷信号和叶片振动信号数据的变换，使得归一化处理后的数据符合标准正态分布，即均值为0，标准差为1，转化函数为

其中，μ为所有样本数据的均值，σ为所有样本数据的标准差。

所述步骤S3中，所述通过深度学习中的无监督学习方法区分并提取叶片状态特征向量采用无监督学习方法中的自编码器或变分自编码器中的一种方法区分叶片状态特征向量中或异常数据，对异常数据区分判断后输出叶片状态信号。

所述叶片状态信号分为叶片正常信号和叶片异常信号两种信号。

所述步骤S3中，采用无监督学习方法中变分自编码器方法区分叶片状态特征向量中或异常数据，进一步包括：

步骤S301：所述变分自编码器模型采用卷积神经网络方法构建编码器，采用LeakyRelu激活函数构建激活函数；

步骤S302：参数重构采用高斯分布处理；

步骤S303：所述变分自编码器模型采用卷积神经网络方法构建解码器，激活函数采用Relu和Sigmoid激活函数；

步骤S304：损失函数采用KL散度；

步骤S305：优化器采用Adam算法。

所述步骤S301中，所述变分自编码器模型的编码器利用 p_θ(z|x⁽ⁱ⁾)进行构建，其中，z＝μ+σ⊙ε，ε～N(0，i)，μ为所有样本数据的均值，σ为所有样本数据的标准差。

根据权利要求7所述的一种风力发电机组叶片状态监测方法，其特征在于，所述步骤S304中，所述变分自编码器的编码端利用 q_φ(z|x⁽ⁱ⁾)去逼近真实解码端的后验概率p_θ(z|x⁽ⁱ⁾)以衡量两个分布的相似程度，KL散度计算采用

进而得到

由于KL散度非负，当两个分布一致时，KL散度为0，故而其中，被称为对数似然函数的变分下界。

直接优化log p_θ(x⁽ⁱ⁾)是不可行的，故而优化对数似然函数的变分下界相应地，将优化对数似然函数转化为优化

利用蒙特卡罗方法计算期望，则

所述步骤S4中，所述采用聚类方法对叶片状态特征向量中存在异常数据进行故障数据类别分类故障类别分类，所述聚类方法为 K-Means聚类方法，同时采用余弦相似度进行距离计算。

所述故障类别至少进一步细分为表征叶片结冰、叶片裂纹、叶片不平衡、叶片断裂四个故障类别

本发明之二的一种风力发电机组叶片状态监测系统，包括一传感器单元，该传感器单元进一步包括若干安装在风力发电机组叶片上的载荷传感器及振动传感器，用于采集叶片实时载荷信号和叶片振动信号；一与传感单元电连接并可进行数据传输和通信的数据处理单元，该数据处理单元可以对载荷传感器及振动传感器采集的叶片实时载荷和振动信号进行数据归一化处理；一与所述数据处理单元电连接并可进行数据传输和通信的叶片状态特征提取单元，用于提取所述数据化处理单元处理后的载荷信号和振动信号的叶片状态特征向量，依据叶片状态特征向量并通过深度学习中的无监督学习方法区分并提取叶片状态特征向量中的异常数据，对异常数据区分判断后输出叶片状态信号；一叶片故障分类单元，用于获取所述叶片状态特征提取单元输出的叶片状态特征向量并利用聚类方法对叶片状态特征向量中的异常数据进行故障数据类别分类；一叶片状态输出单元，用于输出的叶片状态信号，所述叶片状态输出单元进一步根据所述故障数据类别分类结果给出具体故障类别。

所述通过深度学习中的无监督学习方法区分并提取叶片状态特征向量中的正常数据或异常数据具体为采用无监督学习方法中的自编码器或变分自编码器中的一种方法区分叶片状态特征向量中的正常数据或异常数据，对正常数据或异常数据区分判断后输出叶片状态信号。

所述叶片状态信号由叶片正常信号和叶片异常信号两种信号组成。

所述叶片故障分类单元通过K-Means聚类方法对叶片状态特征向量中的异常数据进行故障数据类别分类。

所述故障类别至少进一步细分为表征叶片结冰、叶片裂纹、叶片不平衡、叶片断裂四个故障据类别。

综上所述，本发明提供的一种风力发电机组叶片状态监测方法及其系统，能够判断叶片异常状态，其首先通过变分自编码判断叶片状态是否异常，再通过K-Means聚类算法对叶片异常数据进行分类，进而识别具体叶片故障，该方法可对风力发电机组叶片实施状态监测与故障诊断，可以监测叶片在运行过程中出现的故障，从而降低由于突发事故产生的不必要损失及停机维护检修带来的发电量损失，减少叶片维修维护成本。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上所述，仅为本发明的较佳具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易做到的各种等效的修改或替换都应涵盖在本发明的保护范围之内。