專利名稱：一種風電機組葉片故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明屬于風電機組在線監(jiān)測和故障診斷技術(shù)領(lǐng)域，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。
背景技術(shù)：
隨著能源危機和環(huán)境污染的日益嚴重，清潔可再生能源的開發(fā)受到全世界越來越廣泛的重視，大量的風電機組的投產(chǎn)使的風電機組的安全穩(wěn)定運行引起人們的高度關(guān)注。風電機組大多安裝在高山、荒野或海上，經(jīng)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(fā)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(zhì)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(fā)現(xiàn)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(wěn)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(jīng)網(wǎng)絡(luò)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(jīng)元個數(shù)的難以確定和訓練樣本的數(shù)據(jù)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(tǒng)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(lǐng)域可以實現(xiàn)故障診斷和定位、故障監(jiān)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(tǒng)的支持向量機并沒有考慮不同的輸入樣本點可能對最優(yōu)分類超平面的形成產(chǎn)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(xiàn)不同的貢獻。本發(fā)明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(shù)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(guī)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(shè)計才能完成。目前，主要的設(shè)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(shè)計中以后者居多，這種方法中所需分類器數(shù)目少，決策也十分簡單。另外，支持向量機參數(shù)選取的合理與否，對分類精度也有很大的影響。粒子群優(yōu)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(xié)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(xiàn)。目前，已經(jīng)成功解決了函數(shù)優(yōu)化、人工神經(jīng)網(wǎng)絡(luò)中參數(shù)優(yōu)化等優(yōu)化問題?？紤]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，本發(fā)明利用粒子群算法對每一個二類模糊支持向量機進行優(yōu)化。專利內(nèi)容技術(shù)問題本發(fā)明的目的在于克服現(xiàn)有技術(shù)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(shù)方案本發(fā)明解決其技術(shù)問題是通過以下技術(shù)方案實現(xiàn)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(nèi)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(yōu)化模糊支持向量機，并將最優(yōu)解保存下來，然后利用訓練樣本和測試樣本對優(yōu)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(jīng)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(jù)輸出來判斷葉片故障類型。所述步驟5)中，粒子群優(yōu)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(yōu)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(nèi)；25)判斷迭代次數(shù)是否達到最大值，若達到設(shè)置的最大迭代次數(shù)，則最后一次迭代的全局最優(yōu)值gbest中的值就是所求的；否則返回22)，算法繼續(xù)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(shù)值差異太大而帶來的影響，有效地實現(xiàn)了特征向量的提??；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(shù)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(yōu)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、本發(fā)明采用組合多個二類模糊支持向量機構(gòu)成多類分類器，可以有效地解決多類故障的診斷和定位。


圖I為本發(fā)明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為本發(fā)明中小波分解方框圖。圖3為本發(fā)明中基于小波分解的故障特征向量提取的方框圖。
圖4為本發(fā)明中采用模糊核聚類算法進行聚類的方框圖。圖5為本發(fā)明中采用粒子群算法優(yōu)化模糊支持向量機的方框圖。圖6為本發(fā)明中采用的組合多個二類模糊支持向量機構(gòu)成多類分類器的方框圖。
具體實施例方式下面結(jié)合附圖對本發(fā)明作進一步的說明。圖I為本發(fā)明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(nèi)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(nèi)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(jīng)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(shù)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(gòu)，得到第I層到第N層共N個高頻小波重構(gòu)序列W1, d2,…dN}和第N層低頻小波重構(gòu)序列aN。步驟2 :求出各層高頻小波重構(gòu)序列和第N層低頻小波重構(gòu)序列的能量。
ο設(shè)￡力小波重構(gòu)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(gòu)序列的第k個分量；n為序列&中分量的個數(shù)。用F表示第N層低頻小波重構(gòu)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(gòu)序列的第k個分量。步驟3 :特征向量的構(gòu)造當風電機組的葉片發(fā)生故障，會對各頻帶內(nèi)的采用點能量有較大的影響，故以能量為元素構(gòu)造特征向量E，E的構(gòu)造如下設(shè)對樣本進行N層小波分解的各頻段的能量值為礦=(￡^,<，€,···,￡；；)，將該向量進行歸處一化理即可得到特征向量為E = (El /Σ，El / ΣX2 /Σ，…，El / Σ)= [Eβ，E ，E2 ,…，EiW )I式中Σ=<+￡:+筆+…圮。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類故障的模糊隸屬度。
在本發(fā)明中模糊核聚類算法中的核函數(shù)采用高斯核，該算法流程如圖4所示，具體步驟為步驟I :設(shè)定聚類數(shù)C，模糊度m，高斯核參數(shù)δ，停止迭代閾值ε，初始化聚類中心
權(quán)利要求
1.一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(jīng)過優(yōu)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(nèi)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(yōu)化模糊支持向量機，并將最優(yōu)解保存下來；然后利用訓練樣本和測試樣本對優(yōu)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(jù)其輸出情況來判斷故障類型。
2.根據(jù)權(quán)利要求I所述的風電機組葉片的故障診斷方法，其特征在于，所述步驟5)中，粒子群優(yōu)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(yōu)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(nèi)；25)判斷迭代次數(shù)是否達到最大值，若達到設(shè)置的最大迭代次數(shù)，則最后一次迭代的全局最優(yōu)值gbest中的值就是所求的；否則返回22)，算法繼續(xù)迭代。
全文摘要
本發(fā)明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(jīng)優(yōu)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(fā)明簡單易行、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。
文檔編號G01M13/00GK102944418SQ20121053208
公開日2013年2月27日 申請日期2012年12月11日 優(yōu)先權(quán)日2012年12月11日
發(fā)明者張建忠, 杭俊, 程明 申請人:東南大學