一种风电机组故障在线检测方法

1.本发明属于风力发电机组故障在线检测技术领域，更具体地，涉及一种基于分数阶扩展分散熵与累积和控制图的风电机组故障检测方法。


背景技术：

2.随着石化能源的逐渐枯竭，风能作为一种资源潜力巨大的可再生能源引起了世界各国的关注。然而，大多数风电机组位于偏远地区，通常在恶劣的环境下运行，因此经常发生故障，严重的情况下甚至会停机。意外故障和停机将导致风电机组的运行和维护成本大幅增加。为了解决这一问题，风电机组的状态监测已经引起了人们的广泛关注。
3.近年来，从振动信号中提取故障信息来反映风电机组核心部件性能退化，检测早期故障的研究成为重点。时域特征和频域特征因为简单和有明确的物理意义，是常用的特征。然而，这些常用的特征也有其局限性。例如，均方根对损伤发展具有良好的稳定性，但无法检测出早期故障并给出准确的预警，而峰度指数对早期故障具有较高的敏感性，但对监测轴承退化过程的稳定性较差。频域特征易受到噪音频率的影响。因此，如何选择最优特征来反映风电机组的状态仍然是一项具有挑战性的工作。


技术实现要素：

4.针对目前大多数常用特征不能揭示隐藏在振动信号背后的故障特征，对噪声的消除能力较差，提出了一种基于分数阶扩展分散熵与累积和控制图的风电机组故障检测方法，实现高效率、高精度状态检测，减少不必要的停机时间，为保障风电场的可靠、安全、经济运行提供有力的指导。
5.为实现上述目的，本发明提供了一种风电机组故障在线检测方法，包括：
6.(1)采集风电机组部件的振动信号；
7.(2)利用分数阶扩展分散熵捕捉部件的振动信号中深层次的动态信息变化；
8.(3)借助累积和控制图检测动态信息变化过程可能出现的异常状况，并发出报警信息，完成对风电机组的故障检测；
9.(4)将检测结果与实际运行情况对比，确定检测性能，以用于实时运行的振动数据进行在线故障检测。
10.在一些可选的实施方案中，所述振动信号包括运行中风电机组齿轮箱、高速轴轴承以及风电厂记录的历史数据。
11.在一些可选的实施方案中，步骤(2)包括：
12.采用正态累积分布函数对振动信号进行映射，将映射后的信号转化成用整数表示的符号序列；
13.给定时间嵌入维数m和时延d，对符号序列和振动信号进行相空间重构，分别得到符号序列和振动信号对应的相空间序列；
14.计算振动信号的符号因子，构建符号序列的分散模式，统计分散模式中相同值出
现的次数，并求相同值出现的概率；
15.根据相同值出现的概率计算分数阶扩展分散熵。
16.在一些可选的实施方案中，步骤(3)包括：
17.其中，e为分数阶扩展分散熵序列，g
+
和g-分别是正向和负向累积值，h为漂移校正参数，给定一个阈值t，如果g
+
》t或g-》t，累积和控制图可以检测到异常情况，并及时为运营商发送警报。
18.在一些可选的实施方案中，对比检测结果与实际情况，验证能否有效检测出风电机组的状态变化和提前预警能力，统计误报率。
19.在一些可选的实施方案中，用于实时运行的振动数据进行在线故障检测，包括：
20.采集风电机组核心部件的实时振动信号；
21.利用分数阶扩展分散熵捕捉部件的实时振动信号中深层次的动态信息变化；
22.借助累积和控制图检测动态信息变化过程可能出现的异常状况，并发出报警信息，完成对风电机组的故障检测。
23.总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
24.本发明具体融合了分数阶扩展分散熵与累积和控制图，可用于风电机组故障检测。为捕获信号中微弱变化和提高对噪声的鲁棒性，创新性地提出了分数阶扩展分散熵，用于跟踪部件状态的变化，并将其与累积和控制图有机融合，提出了一种风电机组故障检测方法。在该方法中，分数阶扩展分散熵对于信号中微弱变化敏感和具有较好的噪声鲁棒性。累积和控制图作为监测工具实现简单，处理速度快，检测动态精度高，若过程出现异常状况能尽快发出报警信息。因此，融合分数阶扩展分散熵与累积和控制图的风电机组故障检测方法能够提高设备状态监控效率，实现快速精准的在线故障检测。
附图说明
25.图1是本发明实施例提供的一种风电机组故障在线检测方法的实现流程图；
26.图2是本发明实施例提供的一种分数阶扩展分散熵的结构；
27.图3是本发明实施例提供的一种风电机组故障在线检测方法的结果。
具体实施方式
28.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
29.本发明的目的是为风电机组故障在线检测提供新的检测方法，检测效率和准确性更高，并解决传统方法对振动信号中微弱变化不敏感等问题。
30.如图1所示，本发明实施例的一种风电机组故障在线检测方法，包括以下步骤：
31.步骤1：首先收集风电机组各核心部件的运行状态振动信号；
32.其中，风电机组核心部件包括：齿轮箱、高速轴、发电机轴承等。振动信号为运行中风电机组以及历史数据。
33.步骤2：利用分数阶扩展分散熵对采集到的风电机组某部件的振动信号进行分析，跟踪其动态演化趋势；
34.分数阶扩展分散熵的参数设置如表1所示。
35.表1 分数阶扩展分散熵参数设置
[0036][0037]
其中，如图2所示，步骤2的方法具体为：
[0038]
给定一个振动信号时间序列x＝{x(i),i＝1,2，
…
，n}，采用正态累积分布函数将x映射至y＝{y(i)}，于是有：
[0039][0040]
其中，μ为x的均值；σ为x的标准差。y的取值范围在0到1之间。随后，y转化成用整数表示的符号序列：
[0041]
z(i)＝round(y(i)
×
c+0.5)
[0042]
其中，c为符号的个数；round为四舍五入运算；z为符号序列，取值为1到c的整数。
[0043]
给定一个时间嵌入维数m和时延d，对z和x进行相空间重构，可得对应的相空间中的序列，其公式为：
[0044]zm,d
(j)＝[z(j),z(j+d),...,z(j+(m-1)d)]
[0045]
x
m,d
(j)＝{x(j),x(j+d),...,x(j+(m-1)d)}
[0046]
计算原始序列x的符号因子：
[0047][0048]dx
＝{|x(i+1)-x(i)|},i＝1,2,...,n-1
[0049]
其中，d为x
m,d
中相邻元素之差；λ为调节参数。
[0050]
构建序列的分散模式：
[0051]qm,d
(j)＝(z(j),z(j+d),...,z(j+(m-1)d),δ(j))
[0052]
统计相同q
m,d
出现的次数，并求其概率：
[0053][0054]
计算分数阶扩展分散熵：
[0055][0056]
其中，α为分数阶次，取值-1到1；γ(
·
)和ψ(
·
)分别为gamma函数和digamma函数，表达式为：
[0057][0058][0059]
其中，x(i)为时间序列x中第i个值，n为时间序列的长度，δ(j)第j个符号因子，type(q
m,d
)为分散模式的类型，表示第i个分散模式出现概率的1-α次幂，pi表示第i个分散模式出现的概率。
[0060]
步骤3：借助累积和控制图检测分数阶扩展分散熵动态信息变化过程可能出现的异常状况，并发出报警信息，完成对风电机组的故障检测。
[0061]
累积和控制图的参数设置如表2所示。
[0062]
表2 累积和控制图参数设置
[0063][0064]
其中，步骤3的方法具体为：
[0065][0066]
其中，e为分数阶扩展分散熵序列；g
+
和g-分别是正向和负向累积值，初始值为0；h为漂移校正参数；给定一个阈值t，如果g
+
》t或g-》t，累积和控制图可以检测到异常情况，并及时为运营商发送警报。
[0067]
步骤4：对比检测结果与实际情况，验证能否有效检测出风电机组的状态变化和提前预警能力；
[0068]
根据图3的结果可知，分数阶扩展分散熵能够有效跟踪风电机组健康状态的动态变化。基于此，累积和控制图能够在故障失效之前给出预警，且误报率低。
[0069]
步骤5：将方法用于实时运行的振动数据进行在线故障检测。在线运用时实现说明书步骤l至3。
[0070]
需要指出，根据实施的需要，可将本技术中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
[0071]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。