一种基于遗传算法的风电机组叶片故障诊断方法与流程

技术特征：

1.一种基于遗传算法的风电机组叶片故障诊断方法，其特征在于，包括如下步骤：

1)采集风电机组叶片的故障数据，然后对采集到的风电机组叶片的故障数据进行预处理，得到故障特征信息，并对故障特征信息进行标准化处理；

2)运用主成分分析法PCA对标准化处理后的故障特征信息进行分析，提取出导致风电机组叶片故障的主要特征信息；

3)将提取出的主要特征信息，利用基于遗传算法的可变K均值聚类算法，对要特征信息进行聚类分析，获得风电故障分析结果；

4)将上述风电故障分析结果与故障数据库或专家知识库进行比对，得到最终故障类型的分析结果，最后将分析结果显示在人机交互界面上。

2.根据权利要求1所述的基于遗传算法的风电机组叶片故障诊断方法，其特征在于，所述主成分分析法PCA的步骤如下：

a1)数据标准化，公式为其中则新的输入变量的数据矩阵为

a2)求相关系数矩阵，

$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{1p}\\ r_{21}& r_{22}& ...& r_{2p}\\ ...& ...& ...& ...\\ r_{n1}& r_{n2}& ...& r_{pp}\end{array}\right],$

其中，r_ij(i，j＝1，2，......，p)为标准化后变量与的相关系数，其计算公式为

$r_{ij}={\mathrm{\Σ}}_{k=1}^n(x_{kj}^{*}-{\stackrel{\‾}{x}}_j^{*})/\sqrt{{\mathrm{\Σ}}_{k=1}^n{\left(x_{ki}^{*}-{\stackrel{\‾}{x}}_i^{*}\right)}^2{\mathrm{\Σ}}_{k=1}^n{\left(x_{kj}^{*}-{\stackrel{\‾}{x}}_j^{*}\right)}^2}$

a3)求系数矩阵R的特征值和特征向量，记为λ_i＝(i＝1,2,...,p)，对应特征向量为e_i(i＝1,2,...,p)；

a4)计算主成份贡献率、累计贡献率并确定主成分个数。总方差中属于第i个主成分z_i的比例称为贡献率：前i个主成分的贡献率之和称为w₁，w₂，......，w_i的累计贡献率一般取累计贡献率达到85％至95％的特征值所对应的λ₁,λ₂,...,λ_m的第1主成分，第2主成分，……第m(m≤p)个主成分。

a5)计算基于主成分的输入变量数据矩阵z，

$z=\left[\begin{array}{cccc}{z}_{11}& z_{12}& ...& z_{1m}\\ z_{21}& z_{22}& ...& z_{2m}\\ ...& ...& ...& ...\\ z_{n1}& z_{n2}& ...& z_{nm}\end{array}\right].$

3.根据权利要求1所述的基于遗传算法的风电机组叶片故障诊断方法，其特征在于，所述聚类分析的步骤如下：

b1)利用遗传算法的过程，生成初始种群，设定终止条件，即遗传算法迭代次数；

b2)利用K均值算法对筛选出来的个体进行优化，并用优化后的个体取代原来的个体；

b3)对种群中的个体进行选择、交叉、变异操作，并在完成后重新计算K值；

b4)重复步骤b2)和b3)至满足终止条件。