专利名称：一种风电机组叶片故障诊断方法
技术领域：
本发明属于风电机组在线监测和故障诊断技术领域，尤其是一种基于小波变换和模糊支持向量机的风电机组叶片故障诊断方法。
背景技术：
随着能源危机和环境污染的日益严重，清洁可再生能源的开发受到全世界越来越广泛的重视，大量的风电机组的投产使的风电机组的安全稳定运行引起人们的高度关注。风电机组大多安装在高山、荒野或海上，经常受到各种极端天气的影响，运行条件恶劣，风电机组的部件会随着机组累计运行时间的增加不断老化，易发生各种故障。叶片故障是风电机组中一种常见的故障，主要包括叶片质量不平衡故障、叶片气动不平衡、偏航和断叶片等。风电机组叶片价格昂贵，损坏后维护困难，因此，开展对风电机组叶片故障诊断的研究，及时发现风电机组叶片的故障类型并进行维护，对保证风电机组的正常安全、稳定运行具有重大的实际意义。目前，对于叶片故障类型的诊断大都采用神经网络进行诊断，但它也具有一些明显的缺点和问题，如“早熟”、隐含层神经元个数的难以确定和训练样本的数据维不能太大等。支持向量机是20世纪90年代中期由Vapnik等人提出的一种新的基于统计学习理论的机器学习算法。由于支持向量机功能较强，在诊断领域可以实现故障诊断和定位、故障监测和预测等。但是在风电机组叶片故障诊断中存在大量的模糊信息，这些模糊信息使得一些情况下支持向量机的分类效果更差。因为传统的支持向量机并没有考虑不同的输入样本点可能对最优分类超平面的形成产生不同影响，因此使用模糊支持向量机可提高支持向量机对掺杂模糊信息的样本进行分类的精度，提高支持向量机的训练和分类速度。在模糊支持向量机中，对每个样本赋入一个模糊隶属度，对于决策面的学习，不同的隶属度呈现不同的贡献。本发明采用模糊核聚类来确定模糊隶属度，核聚类是一类通过核函数将输入空间样本映射到核空间在进行聚类的分析方法，能有效改善复杂样本的聚类有效性，并且可以有效地确定模糊隶属度。但是常规的模糊支持向量机不并能直接用于多类识别，必须进行一定的重新设计才能完成。目前，主要的设计方法有两种1)一对一的分类算法；2)—对多的分类算法。目前，典型的设计中以后者居多，这种方法中所需分类器数目少，决策也十分简单。另外，支持向量机参数选取的合理与否，对分类精度也有很大的影响。粒子群优化算法是一种智能群体搜索方法，它源于对鸟类扑食行为的研究。粒子群算法通过个体间的协作来寻找解，这种方法具有很强的全局搜索能力，而且容易实现。目前，已经成功解决了函数优化、人工神经网络中参数优化等优化问题。考虑到风电机组叶片故障中多类故障的诊断问题，为了提高每个分类器的训练速度和分类精度，本发明利用粒子群算法对每一个二类模糊支持向量机进行优化。专利内容技术问题本发明的目的在于克服现有技术的不足，提供一种简单易行、成本低、能够有效提高风电机组可靠性的叶片故障诊断方法。
技术方案本发明解决其技术问题是通过以下技术方案实现的基于小波变换和模糊支持向量机的风电机组叶片故障诊断方法的步骤为I)对研究的问题进行分析，确定振动传感器的安装位置；
2)针对典型故障情况，对采集的振动信号进行小波分解，提取各频带内的能量特征作为故障特征信息；3)对所提取的故障特征信息归一化处理得到故障特征向量，将其分为训练样本和测试样本；4)利用模糊核聚类算法对训练样本进行聚类分析预处理，得到每个训练样本属于某种故障的隶属程度，作为训练模糊支持向量机使用的模糊隶属度；5)利用粒子群算法优化模糊支持向量机，并将最优解保存下来，然后利用训练样本和测试样本对优化的模糊支持向量机进行训练和测试；6)将实测振动信号进行小波分解，经过归一化处理提取故障特征向量，将其输入训练好的模糊支持向量机，根据输出来判断叶片故障类型。所述步骤5)中，粒子群优化模糊支持向量机的步骤如下21)初始化粒子群及每个粒子的初始速度；22)计算每个粒子的适应度；23)比较适应度，确定每个粒子的个体极值点和全局最优极值点；24)更新每个粒子的位置和速度，并考虑更新后的速度和位置是否在限定的范围内；25)判断迭代次数是否达到最大值，若达到设置的最大迭代次数，则最后一次迭代的全局最优值gbest中的值就是所求的；否则返回22)，算法继续迭代。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、通过归一化处理来提取故障特征向量，消除了原特征信息因数值差异太大而带来的影响，有效地实现了特征向量的提取；3、采用模糊支持向量机进行故障分类，可以有效地减少模糊信息对支持向量机分类效果的影响，提高了支持向量机的分类精度；4、模糊核聚类是一类通过核函数将输入空间样本映射到核空间在进行聚类的分析方法，能有效改善复杂样本的聚类有效性；5、利用粒子群算法优化模糊支持向量机可以很好地提高分类器的训练速度和分类精度；6、本发明采用组合多个二类模糊支持向量机构成多类分类器，可以有效地解决多类故障的诊断和定位。
图I为本发明中基于小波变换和模糊支持向量机的风电机组叶片故障诊断方法的方框图。图2为本发明中小波分解方框图。图3为本发明中基于小波分解的故障特征向量提取的方框图。
图4为本发明中采用模糊核聚类算法进行聚类的方框图。图5为本发明中采用粒子群算法优化模糊支持向量机的方框图。图6为本发明中采用的组合多个二类模糊支持向量机构成多类分类器的方框图。
具体实施例方式下面结合附图对本发明作进一步的说明。图I为本发明中基于小波变换和模糊支持向量机的风电机组叶片故障诊断方法的方框图，其具体内容如下通过安装在风电机组主轴座上垂直方向的加速度传感器测量振动信号；利用小波分解提取故障特征信息，然后归一化处理提取故障特征向量；最后将实测的故障特征向量输入训练好的模糊支持向量进行风电机组叶片故障类型的判断，具体的诊断过程如下I)对研究的问题进行分析，确定振动传感器的安装位置。2)针对典型故障情况，对采集的振动信号S进行小波分解，提取各频带内的能量特征作为故障特征信息。3)对所提取的故障特征信息归一化处理，得到故障特征向量E，分为训练样本和测试样本。上述步骤中将采集的振动信号进行小波分解是采用基于多分辨率分析的二进制离散小波变换Mallat算法，利用正交小波基将振动信号分解为不同尺度的各个分量，原始信号依次通过小波分解得到不同尺度下的低频信号和高频信号，依次类推，可以得到经过N层小波分解后的低频信号和高频信号，如图2所示。分解后的小波系数序列的采样点能量即为故障特征信息。图3为基于小波分解的故障特征向量提取的方框图，其步骤为步骤I :对振动信号序列进行N层正交小波分解并进行单支重构，得到第I层到第N层共N个高频小波重构序列W1, d2,…dN}和第N层低频小波重构序列aN。步骤2 :求出各层高频小波重构序列和第N层低频小波重构序列的能量。
ο设￡力小波重构序列Clj的能量，则=X|^|，j = 1，2，…N，其中#为第j层高频
./ k-=\ ./
小波重构序列的第k个分量；n为序列&中分量的个数。用F表示第N层低频小波重构序列aN的能量，则<=Σ|<Γ，其中#为第N层低频
1^O =1 1aU
小波重构序列的第k个分量。步骤3 :特征向量的构造当风电机组的叶片发生故障，会对各频带内的采用点能量有较大的影响，故以能量为元素构造特征向量E，E的构造如下设对样本进行N层小波分解的各频段的能量值为矿=(￡^,<，€,···,￡；；)，将该向量进行归处一化理即可得到特征向量为E = (El /Σ，El / ΣX2 /Σ，…，El / Σ)= [Eβ，E ，E2 ,…，EiW )I式中Σ=<+￡:+笔+…圮。4)利用模糊核聚类算法对训练样本进行聚类分析预处理，得到每个训练样本属于某类故障的模糊隶属度。
在本发明中模糊核聚类算法中的核函数采用高斯核，该算法流程如图4所示，具体步骤为步骤I :设定聚类数C，模糊度m，高斯核参数δ，停止迭代阈值ε，初始化聚类中心
权利要求
1.一种风电机组叶片故障诊断方法，其特征在于，通过安装在风电机组主轴座上垂直方向的加速度传感器测量振动信号，利用小波分解提取故障特征信息，然后归一化处理提取故障特征向量，最后将测量得到的故障特征向量输入经过优化和训练好的模糊支持向量进行风电机组叶片故障诊断，具体步骤如下1)对研究的问题进行分析，确定振动传感器的安装位置；2)针对典型故障情况，对采集的振动信号进行小波分解，提取各频带内的能量特征作为故障特征信息；3)对所提取的故障特征信息归一化处理得到故障特征向量，将其分为训练样本和测试样本；4)利用模糊核聚类算法对训练样本进行聚类分析预处理，得到每个训练样本属于某种故障的模糊隶属度，作为训练模糊支持向量机中使用的模糊隶属度；5)利用粒子群算法优化模糊支持向量机，并将最优解保存下来；然后利用训练样本和测试样本对优化的模糊支持向量机进行训练和测试；6)将实测振动信号进行小波分解提取故障特征向量，将其输入训练好的模糊支持向量机，根据其输出情况来判断故障类型。
2.根据权利要求I所述的风电机组叶片的故障诊断方法，其特征在于，所述步骤5)中，粒子群优化模糊支持向量机的步骤如下21)初始化粒子群及每个粒子的初始速度；22)计算每个粒子的适应度；23)比较适应度，确定每个粒子的个体极值点和全局最优极值点；24)更新每个粒子的位置和速度，并考虑更新后的速度和位置是否在限定的范围内；25)判断迭代次数是否达到最大值，若达到设置的最大迭代次数，则最后一次迭代的全局最优值gbest中的值就是所求的；否则返回22)，算法继续迭代。
全文摘要
本发明涉及一种基于小波变换和模糊支持向量机(FSVM)的风电机组叶片故障诊断方法，其步骤为通过安装在风电机组主轴座垂直方向的加速度传感器测量振动信号；利用小波分解提取故障特征信息，然后归一化处理提取故障特征向量，最后将测量得到的故障特征向量输入经优化和训练好的模糊支持向量进行风电机组叶片故障诊断。本发明简单易行、精确度高，诊断成本较低，是一种能够有效提高风电机组叶片安全和可靠性的方法。
文档编号G01M13/00GK102944418SQ20121053208
公开日2013年2月27日 申请日期2012年12月11日 优先权日2012年12月11日
发明者张建忠, 杭俊, 程明 申请人:东南大学