一種風電機組葉片故障診斷方法技術

本發明專利技術涉及一種基于小波變換和模糊支持向量機（FSVM）的風電機組葉片故障診斷方法，其步驟為：通過安裝在風電機組主軸座垂直方向的加速度傳感器測量振動信號；利用小波分解提取故障特征信息，然后歸一化處理提取故障特征向量，最后將測量得到的故障特征向量輸入經優化和訓練好的模糊支持向量進行風電機組葉片故障診斷。本發明專利技術簡單易行、精確度高，診斷成本較低，是一種能夠有效提高風電機組葉片安全和可靠性的方法。

【技術實現步驟摘要】

本專利技術屬于風電機組在線監測和故障診斷
，尤其是一種基于小波變換和模糊支持向量機的風電機組葉片故障診斷方法。
技術介紹
隨著能源危機和環境污染的日益嚴重，清潔可再生能源的開發受到全世界越來越廣泛的重視，大量的風電機組的投產使的風電機組的安全穩定運行引起人們的高度關注。風電機組大多安裝在高山、荒野或海上，經常受到各種極端天氣的影響，運行條件惡劣，風電機組的部件會隨著機組累計運行時間的增加不斷老化，易發生各種故障。葉片故障是風電機組中一種常見的故障，主要包括葉片質量不平衡故障、葉片氣動不平衡、偏航和斷葉片等。風電機組葉片價格昂貴，損壞后維護困難，因此，開展對風電機組葉片故障診斷的研究，及時發現風電機組葉片的故障類型并進行維護，對保證風電機組的正常安全、穩定運行具有重大的實際意義。目前，對于葉片故障類型的診斷大都采用神經網絡進行診斷，但它也具有一些明顯的缺點和問題，如“早熟”、隱含層神經元個數的難以確定和訓練樣本的數據維不能太大等。支持向量機是20世紀90年代中期由Vapnik等人提出的一種新的基于統計學習理論的機器學習算法。由于支持向量機功能較強，在診斷領域可以實現故障診斷和定位、故障監測和預測等。但是在風電機組葉片故障診斷中存在大量的模糊信息，這些模糊信息使得一些情況下支持向量機的分類效果更差。因為傳統的支持向量機并沒有考慮不同的輸入樣本點可能對最優分類超平面的形成產生不同影響，因此使用模糊支持向量機可提高支持向量機對摻雜模糊信息的樣本進行分類的精度，提高支持向量機的訓練和分類速度。在模糊支持向量機中，對每個樣本賦入一個模糊隸屬度，對于決策面的學習，不同的隸屬度呈現不同的貢獻。本專利技術采用模糊核聚類來確定模糊隸屬度，核聚類是一類通過核函數將輸入空間樣本映射到核空間在進行聚類的分析方法，能有效改善復雜樣本的聚類有效性，并且可以有效地確定模糊隸屬度。但是常規的模糊支持向量機不并能直接用于多類識別，必須進行一定的重新設計才能完成。目前，主要的設計方法有兩種1)一對一的分類算法；2)—對多的分類算法。目前，典型的設計中以后者居多，這種方法中所需分類器數目少，決策也十分簡單。另外，支持向量機參數選取的合理與否，對分類精度也有很大的影響。粒子群優化算法是一種智能群體搜索方法，它源于對鳥類撲食行為的研究。粒子群算法通過個體間的協作來尋找解，這種方法具有很強的全局搜索能力，而且容易實現。目前，已經成功解決了函數優化、人工神經網絡中參數優化等優化問題。考慮到風電機組葉片故障中多類故障的診斷問題，為了提高每個分類器的訓練速度和分類精度，本專利技術利用粒子群算法對每一個二類模糊支持向量機進行優化。專利內容技術問題本專利技術的目的在于克服現有技術的不足，提供一種簡單易行、成本低、能夠有效提高風電機組可靠性的葉片故障診斷方法。技術方案本專利技術解決其技術問題是通過以下技術方案實現的基于小波變換和模糊支持向量機的風電機組葉片故障診斷方法的步驟為I)對研究的問題進行分析，確定振動傳感器的安裝位置； 2)針對典型故障情況，對采集的振動信號進行小波分解，提取各頻帶內的能量特征作為故障特征信息；3)對所提取的故障特征信息歸一化處理得到故障特征向量，將其分為訓練樣本和測試樣本；4)利用模糊核聚類算法對訓練樣本進行聚類分析預處理，得到每個訓練樣本屬于某種故障的隸屬程度，作為訓練模糊支持向量機使用的模糊隸屬度；5)利用粒子群算法優化模糊支持向量機，并將最優解保存下來，然后利用訓練樣本和測試樣本對優化的模糊支持向量機進行訓練和測試；6)將實測振動信號進行小波分解，經過歸一化處理提取故障特征向量，將其輸入訓練好的模糊支持向量機，根據輸出來判斷葉片故障類型。所述步驟5)中，粒子群優化模糊支持向量機的步驟如下21)初始化粒子群及每個粒子的初始速度；22)計算每個粒子的適應度；23)比較適應度，確定每個粒子的個體極值點和全局最優極值點；24)更新每個粒子的位置和速度，并考慮更新后的速度和位置是否在限定的范圍內；25)判斷迭代次數是否達到最大值，若達到設置的最大迭代次數，則最后一次迭代的全局最優值gbest中的值就是所求的；否則返回22)，算法繼續迭代。有益效果I、基于小波分解提取故障特征向量，提高了故障的分辨率；2、通過歸一化處理來提取故障特征向量，消除了原特征信息因數值差異太大而帶來的影響，有效地實現了特征向量的提取；3、采用模糊支持向量機進行故障分類，可以有效地減少模糊信息對支持向量機分類效果的影響，提高了支持向量機的分類精度；4、模糊核聚類是一類通過核函數將輸入空間樣本映射到核空間在進行聚類的分析方法，能有效改善復雜樣本的聚類有效性；5、利用粒子群算法優化模糊支持向量機可以很好地提高分類器的訓練速度和分類精度；6、本專利技術采用組合多個二類模糊支持向量機構成多類分類器，可以有效地解決多類故障的診斷和定位。附圖說明圖I為本專利技術中基于小波變換和模糊支持向量機的風電機組葉片故障診斷方法的方框圖。圖2為本專利技術中小波分解方框圖。圖3為本專利技術中基于小波分解的故障特征向量提取的方框圖。圖4為本專利技術中采用模糊核聚類算法進行聚類的方框圖。圖5為本專利技術中采用粒子群算法優化模糊支持向量機的方框圖。圖6為本專利技術中采用的組合多個二類模糊支持向量機構成多類分類器的方框圖。具體實施例方式下面結合附圖對本專利技術作進一步的說明。圖I為本專利技術中基于小波變換和模糊支持向量機的風電機組葉片故障診斷方法的方框圖，其具體內容如下通過安裝在風電機組主軸座上垂直方向的加速度傳感器測量振動信號；利用小波分解提取故障特征信息，然后歸一化處理提取故障特征向量；最后將實測的故障特征向量輸入訓練好的模糊支持向量進行風電機組葉片故障類型的判斷，具體的診斷過程如下I)對研究的問題進行分析，確定振動傳感器的安裝位置。2)針對典型故障情況，對采集的振動信號S進行小波分解，提取各頻帶內的能量特征作為故障特征信息。3)對所提取的故障特征信息歸一化處理，得到故障特征向量E，分為訓練樣本和測試樣本。上述步驟中將采集的振動信號進行小波分解是采用基于多分辨率分析的二進制離散小波變換Mallat算法，利用正交小波基將振動信號分解為不同尺度的各個分量，原始信號依次通過小波分解得到不同尺度下的低頻信號和高頻信號，依次類推，可以得到經過N層小波分解后的低頻信號和高頻信號，如圖2所示。分解后的小波系數序列的采樣點能量即為故障特征信息。圖3為基于小波分解的故障特征向量提取的方框圖，其步驟為步驟I :對振動信號序列進行N層正交小波分解并進行單支重構，得到第I層到第N層共N個高頻小波重構序列W1, d2,…dN}和第N層低頻小波重構序列aN。步驟2 :求出各層高頻小波重構序列和第N層低頻小波重構序列的能量。ο設￡力小波重構序列Clj的能量，則=X|^|，j = 1，2，…N，其中#為第j層高頻./ k-=\ ./小波重構序列的第k個分量；n為序列&中分量的個數。用F表示第N層低頻小波重構序列aN的能量，則<=Σ|<Γ，其中#為第N層低頻1^O =1 1aU小波重構序列的第k個分量。步驟3 :特征向量的構造當風電機組的葉片發生故障，會對各頻帶內的采用點能量有較大的影響，故以能量為元素構造特征向量E，E的構造如下設對樣本本文檔來自技高網...

【技術保護點】
一種風電機組葉片故障診斷方法，其特征在于，通過安裝在風電機組主軸座上垂直方向的加速度傳感器測量振動信號，利用小波分解提取故障特征信息，然后歸一化處理提取故障特征向量，最后將測量得到的故障特征向量輸入經過優化和訓練好的模糊支持向量進行風電機組葉片故障診斷，具體步驟如下：1）對研究的問題進行分析，確定振動傳感器的安裝位置；2）針對典型故障情況，對采集的振動信號進行小波分解，提取各頻帶內的能量特征作為故障特征信息；3）對所提取的故障特征信息歸一化處理得到故障特征向量，將其分為訓練樣本和測試樣本；4）利用模糊核聚類算法對訓練樣本進行聚類分析預處理，得到每個訓練樣本屬于某種故障的模糊隸屬度，作為訓練模糊支持向量機中使用的模糊隸屬度；5）利用粒子群算法優化模糊支持向量機，并將最優解保存下來；然后利用訓練樣本和測試樣本對優化的模糊支持向量機進行訓練和測試；6）將實測振動信號進行小波分解提取故障特征向量，將其輸入訓練好的模糊支持向量機，根據其輸出情況來判斷故障類型。

【技術特征摘要】

【專利技術屬性】
技術研發人員：張建忠，杭俊，程明，
申請(專利權)人：東南大學，
類型：發明
國別省市：