本发明涉及一种用于故障诊断的系统及方法，尤其涉及一种发电机故障诊断系统及方法。
背景技术
由于风力发电机频繁发生故障会对于电力设备的运行效率以及安全造成重大影响，因此，快速及时发现故障并对所发生的故障进行诊断对于电力设备的运行具有重大意义。
目前，现有技术中通过温度诊断法，振动分析诊断法，声发射诊断对风力发电机组的故障进行诊断。然而，上述诊断方法均为单一的诊断方法，也就是说，其依靠单一信息分析诊断风力发电机故障，能够达到对单一故障因素进行较好的诊断，在发生单一故障时能够较好的进行处理，然而，当发生故障为多种故障因素时，由于上述诊断方法提取的信息过于单一，因而，导致其诊断结果准确率不高，并且由于在获取主要信息时夹载着不相干的信息，从而造成无法找到风力发电机故障各因素的内在联系。
基于此，期望获得一种风力发电机故障诊断系统，该风力发电机故障诊断系统可以对多种故障因素进行故障诊断，最终获取的故障诊断结果准确率高。
技术实现要素：
本发明的目的之一在于提供一种风力发电机故障诊断系统，该风力发电机故障诊断系统通过设置若干个传感器采集风力发电机的多个特征量，将所采集的多个特征量作为故障分类的条件属性集，并以此建立故障诊断决策表，基于该故障诊断决策表提取故障诊断规则，当风力发电机发生故障时，通过故障诊断规则进行故障诊断，从而实现对多种故障因素的故障诊断，且获得的故障诊断结果准确率高。
基于上述目的，本发明提出了一种风力发电机故障诊断系统，其包括：
若干个传感器，其采集风力发电机的多个特征量；
第一处理单元，其接收传感器传输的多个特征量，并且：将若干个传感器采集的多个特征量作为故障分类的条件属性集，通过粗糙集理论进行信息融合建立故障诊断决策表；基于故障诊断决策表提取出故障诊断规则；以及，采用故障诊断规则对风力发电机的故障进行诊断。
在本发明所述的风力发电机故障诊断系统中，传感器采集风力发电机的多个特征量，多个特征量包括转速、温度、电流、电压，传感器将采集到的多个特征量传送至第一处理单元，第一处理单元接收传感器传输的多个特征量，并将干个传感器采集的多个特征量作为故障分类的条件属性集，通过粗糙集理论进行信息融合建立故障诊断决策表；基于故障诊断决策表提取出故障诊断规则；以及，采用故障诊断规则对风力发电机的故障进行诊断。
需要说明的是，在一些实施方式中，第一处理单元可以为plc，例如s7-300系列plc，通过多模块自由组合实现不同的功能，从而满足实际应用，在一些实施方式中，根据实施方式的具体情况第一处理单元选择不同的模块进行处理。
进一步地，在本发明所述的风力发电机故障诊断系统中，所述传感器包括温度传感器、转速传感器、电流传感器和电压传感器的至少其中之一；相应地，所述特征量包括风力发电机的温度、转速、电流和电压的至少其中之一。
进一步地，在本发明所述的风力发电机故障诊断系统中，还包括：
图像采集装置，其采集风力发电机故障处的图像；
第二处理单元，其接收图像采集装置传输的图像，并对该图像进行处理；
显示屏，其与所述第二处理单元连接，以显示第二处理单元传输的图像。
为了易于了解故障情况，在本发明所述的风力发电机中还设有图像采集装置，以采集风力发电机故障处的图像，并由第二处理单元接收图像采集装置传输的图像并进行处理，最终由显示屏显示风力发电机故障处的图像。
进一步地，在本发明所述的风力发电机故障诊断系统中，还包括上位机，所述显示屏为上位机的显示屏，所述第一处理单元与所述上位机连接，以将故障诊断结果显示于上位机的显示屏上。
进一步地，在本发明所述的风力发电机故障诊断系统中，所述显示屏上还设有报警装置，当风力发电机被诊断为具有故障时，所述报警装置发出报警信号。
需要说明的是，上述方案中，报警装置可以为扬声器，当风力发电机被诊断为具有故障时，扬声器发出报警音，当然，在一些其他的实施方式中，报警装置设置为一些其他可以发出报警信号的装置，用于当风力发电机被诊断为具有故障时发出报警信号，例如设置指示灯，当风力发电机被诊断为具有故障时，相应的指示灯闪烁，以起到提示警报作用。
进一步地，在本发明所述的风力发电机故障诊断系统中，所述显示屏为智能触摸式显示屏。
进一步地，在本发明所述的风力发电机故障诊断系统中，还包括：
感测装置，其与上位机连接，所述感测装置感测所述上位机旁是否有工作人员，并将感测结果传输给上位机；
移动终端，其与所述上位机数据连接，当感测装置感测到上位机旁无工作人员时，上位机将所述图像和故障诊断结果传输到移动终端。
进一步地，在本发明所述的风力发电机故障诊断系统中，所述显示屏上还设有报警装置，当风力发电机被诊断为具有故障时，所述报警装置发出报警信号；所述移动终端与报警装置数据连接，其向报警装置发送控制信号以终止报警信号。
可以想到的是，报警装置可以为扬声器，当风力发电机被诊断为具有故障时，扬声器发出报警音，当然，在一些其他的实施方式中，显示屏还可以设置其他可以发出报警信号的报警装置，例如指示灯，当风力发电机被诊断为具有故障时，指示灯闪烁，而当感测装置感测到上位机旁无工作人员时，则感测结果传输给上位机，移动终端与指示灯数据连接，移动终端向指示灯发送控制信号以终止指示灯闪烁。
相应地，本发明的另一目的在于提供一种风力发电机故障诊断方法，通过该风力发电机故障诊断方法可以及时快速地对风力发电机发生故障时的情况进行故障分析，并且最终获得的故障结果准确性高。
基于上述目的，本发明提出了一种风力发电机故障诊断系统，其包括步骤：
(1)采集风力发电机的多个特征量；
(2)将若干个传感器采集的多个特征量作为故障分类的条件属性集，通过粗糙集理论进行信息融合建立故障诊断决策表；基于故障诊断决策表提取出故障诊断规则；以及
(3)采用故障诊断规则对风力发电机的故障进行诊断。
进一步地，在本发明所述的风力发电机故障诊断方法中，步骤(2)进一步包括步骤：
(2a)将各个特征量按条件属性和决策属性编制成信息表；
(2b)属性关系约简：利用属性约简去除冗余的条件属性和信息，得到简化的信息表；
(2c)基于简化的信息表，把所有必要的对风力发电机影响较大的条件属性组成的集合称为核，对必要的对风力发电机影响较大的条件属性进行核合并导出核值表；
(2d)基于核值表，根据特征级融合算法形成故障诊断决策表，提取出故障诊断决策规则。
在上述方案中，必要的对风力发电机影响较大的条件属性是指在风力发电机发生故障时易表征故障的特征量，例如风力发电机的温度、转速、电流和电压。
而在确定了风力发电机影响较大的条件属性后，如何进行核合并导出核值表对于本领域内的技术人员而言可以通过常规技术获得，因此，不再赘述。
此外，在步骤(2d)中，通过特征级融合算法，先是对核值表中的数据进行特征提取，然后对提取到的特征进行分类、聚集和综合，产生特征矢量，而后采用自适应加权算法融合上述特征矢量，最终提取出故障诊断决策规则。
至于特征级融合算法的具体运算过程，对于本领域内的技术人员而言是常规技术，因此，不再赘述。
需要说明的是，通过传感器采集到的多个特征量，由于多个特征量包括了数据冗余、不一致信息，以及采集过程中造成的噪声，因而，为了得到简化的信息表，通过属性关系约简从而获得简化的信息表。
本发明所述的风力发电机故障诊断系统通过若干个传感器采集的多个特征量，经粗糙集理论进行信息约简分类，减少了冗余信息，避免了神经网络学习速度慢、网络训练失败的可能性，加快了对风力发电机的故障诊断，并且采用该风力发电机故障诊断系统对发生多种故障的风力发电机进行诊断时，所获取的特征量并不会互相干扰或出现夹载不相干的信息导致无法找到风力发电机故障各因素的内在联系的情况，使得该风力发电机易于提取以及凸显故障特征，易于对故障进行诊断，极大程度地提高了故障诊断速度，缩短了风力发电机的维修时间，降低了维修成本，并且极大提高了故障诊断结果的正确率
此外，本发明所述的风力发电故障诊断方法也具有上述优点。
附图说明
图1为本发明所述的风力发电故障诊断系统在一种实施方式下的整体结构示意图。
图2为本发明所述的风力发电故障诊断系统在一种实施方式下的第一处理单元的结构示意图。
图3为本发明所述的风力发电故障诊断方法在一种实施方式下的步骤(2)的流程图。
具体实施方式
下面将结合说明书附图和具体的实施例对本发明所述的风力发电机故障诊断系统及方法做进一步的解释和说明，然而该解释和说明并不对本发明的技术方案构成不当限定。
图1为本发明所述的风力发电故障诊断系统在一种实施方式下的整体结构示意图。
如图1所示，在本实施方式中，风力发电故障诊断系统包括若干个传感器以及第一处理单元，其中若干个传感器用于采集风力发电机的多个特征量，例如设置温度传感器用于测量风力发电机的温度，以作为风力发电机的特征量；或设置转速传感器用于测量风力发电机的转速，以作为风力发电机的特征量；或设置电流传感器用于测量风力发电机的电流，以作为风力发电机的特征量；或设置电压传感器用于测量风力发电机的电压，以作为风力发电机的特征量，随后第一处理单元接收若干个传感器传输的多个特征量，并将多个特征量作为故障分类的条件属性集，通过粗糙集理论进行信息融合建立故障诊断决策表，基于故障诊断决策表提取出故障诊断规则，最终采用故障诊断规则对风力发电机的故障进行诊断。
为了预防传感器发生故障而导致故障不能够及时诊断发现，本实施方式中的风力发电机故障诊断系统还包括：采集图像采集装置以及第二处理单元，其中，图像采集装置采集风力发电机故障处的图像，而第二处理单元接收图像采集装置传输的图像，并对该图像进行处理，而在本实施方式中，风力发电机故障诊断系统还包括与第二处理单元连接的显示屏，显示屏通过无线网络方式将故障图像还原，将还原的图像显示于显示屏上。此外，显示屏为上位机的显示屏，通过第一处理单元与上位机连接，将故障诊断结果显示于上位机的显示屏上。为了便于操作处理，显示屏为智能触摸式显示屏。
为了对风力发电机进行实时检测，一旦发生故障时，就能够提示相应的工作人员，在本实施方式中，显示屏上还设有报警装置，当风力发电机被诊断为具有故障时，所述报警装置发出报警信号，以提示相应的工作人员。
此外，在风力发电机故障系统中还设有与上位机连接的感测装置，感测装置用于感测上位机旁是否有工作人员，并将感测结果传输给上位机，当感测装置感测到上位机旁无工作人员时，则由上位机将图像以及故障诊断结果传输到与上位机数据连接的移动终端上，若是此时，风力发电机被诊断为具有故障，因而，报警装置发出报警信号时，通过移动终端向报警装置发送控制信号终止报警信号，移动终端与报警装置数据连接。
在本实施方式中，报警装置采用扬声器，发出的报警信号为报警音，当然可以想到的是在一些其他的实施方式中，报警装置也可以采用其他能够发出报警信号的装置，例如指示灯。
此外，虽然在本实施方式中，报警装置设于显示屏上，但是在一些其他的实施方式中，报警装置的位置设置也可以根据实施方式的具体情况进行调整，例如报警装置也可以设于上位机上，并不影响其发出报警信号。
置于感测装置感测上位机旁是否有工作人员的时间间隔频率可以根据实施方式的具体情况自己设定。
需要说明的是，在本实施方式中，第一处理单元和/或第二处理单元可以采用s7-300系列plc，具体结构可以参见图2。
图2为本发明所述的风力发电故障诊断系统在一种实施方式下的第一处理单元的结构示意图。
如图2所示，第一处理单元采用s7-300系列plc，s7-300系列属于中小型plc，由多模块自由组合实现不同的功能，满足工程应用。在实际应用中，根据实施方式的具体情况，基于所需要的功能选择不同的模块，而在本实施方式中，第一处理单元包括中央处理器单元机架(cpu)模块、通信模块、输入模块和输出模块，其中，在cpu模块包括用于进行数据处理的cpu、存储器以及通信接口，通信模块用于信息通信，输入模块用于输入所采集的风力发电机的特征量信号，输出模块将处理后的信号数据传输，内部总线则用于各个模块间的数据信号传输。
需要说明的是，输入模块采用型号为sm331的模拟量输入模块，从而实现了模拟量到数字量转化的功能，因而输入模块能够接受标准的直流电压、电流信号，也可以直接连接不带附加放大器的温度传感器、转速传感器、电流传感器、电压传感器以及其他传感器，因此，可以作为采集风力发电机的特征量例如温度信号、转速信号、电流信号的数据采集器。
在本实施方式中，风力发电机故障诊断方法通过对风力发电机的远程自动控制的实现为风力发电机在线获取运行数据提供了一条方便的途径，其运用信息融合理论，将各个传感器监测采集的大量且不完整的数据(即特征量)依据一种优化准则加以综合，也就是说对数据进行归类，最大限度地降低多传感器所采集到特征量中存在的冗余和不一致信息，使不确定性降到最低，以便于提高系统决策、规划、反应的快速性和正确性，形成对风力发电机故障诊断相容的决策表，产生对监测对象的一致性描述，然后用粗糙集理论对风力发电机的属性信息进行融合，最终提取出故障诊断规则，采用故障诊断规则对风力发电机的故障进行诊断。
该风力发电机故障诊断方法的具体步骤如下所述：
(1)采集风力发电机的多个特征量：
(2)将若干个传感器采集的多个特征量作为故障分类的条件属性集，通过粗糙集理论进行信息融合建立故障诊断决策表；基于故障诊断决策表提取出故障诊断规则；以及
(3)采用故障诊断规则对风力发电机的故障进行诊断。
其中，步骤(2)的步骤可以参见图3，图3为本发明所述的风力发电故障诊断方法在一种实施方式下的步骤(2)的流程图。
如图3所示，步骤(2)进一步包括步骤：
(2a)关系数据：建立各特征量间的关系数据模型，即将传感器采集到各个特征量按条件属性和决策属性编制成一张信息表，以建立各特征量之间的关系数据模型；
(2b)属性关系约简：利用属性约简去除冗余的条件属性和信息，得到简化的信息表；
(2c)属性值约简：依据属性分类约简后的所得到的简化的信息表，把所有必要的对风力发电机影响较大的条件属性(例如风力发电机的温度、转速、电流和电压)组成的集合称为核，对核进行合并导出核值表；
(2d)基于核值表，根据特征级融合算法形成故障诊断决策表，提取出故障诊断决策规则。其中，通过特征级融合算法先是对核值表中的数据进行特征提取，然后对提取到的特征进行分类、聚集和综合，产生特征矢量，而后采用自适应加权算法融合这些特征矢量，最终提取出故障诊断决策规则。
至于如何进行核合并导出核值表以及特征级融合算法的具体运算过程，对于本领域内的技术人员而言，可以通过常规技术获得，因此，不再赘述。
根据图3流程所获得的信息表如表1所示：
表1.
由表1可以看出，信息表由多个风力发电机的各个特征量按条件属性和决策属性编制获得，各个特征量构成条件属性的列，对于本实施方式而言，条件属性的列包括根据温度传感器、转速传感器、电流传感器以及电压传感器所相应采集的转速、温度、电流以及电压，而在其他实施方式中，若由其他传感器采集到的特征量例如振动频率，则也记录于条件属性的列中。当每个风力发电机中的特征量所采集到的数据处于一定范围内，则对应信息表中的记录为正常，当该风力发电机的所有条件属性的记录均为正常时，则决策属性记为正常；而一旦该风力发电机的某一个条件属性的特征量超过一定范围，即该条件属性的记录为异常时，则决策属性记为故障。
此外，由表1可以看出，信息表可以记录n(n可以为任意自然数，在本实施方式中，n＞1)个风力发电机的若干个特征量，而不仅限于单个风力发电机的若干个特征量。
结合图1至图3以及表1可以看出，本案的风力发电机故障诊断系统可以对多种故障因素进行故障诊断，并且不只是针对单个故障因素进行分析诊断，而是可以通过提取多个风力发电机的特征量进行分析诊断，从而发现风力发电机发生故障的各个故障因素以及各个故障因素之间的联系，最终使得获取的故障诊断结果准确率高。
此外，本案的风力发电机故障诊断系统对所采集的特征量通过粗糙集理论进行了准确分类，减少了冗余信息，加快了风力发电机的故障诊断。
同时，考虑到传感器可能会发生故障的情况，而优选地，设置图像采集装置、第二处理单元以及显示屏，以便于工作人员更好地实现对风力发电机的实时观测维护。
需要说明的是，本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。
此外，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。
还需要注意的是，以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例，随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的，均应属于本发明的保护范围。