风力发电机组振动特征提取与差异性判别的方法与流程

本发明属于风力发电技术领域，特别是涉及一种风力发电机组振动特征提取与差异性判别的方法。

背景技术：

风机振动是风力发电机运行中常见的现象，通过控制振动在安全范围之内、有效保护风机机械部件安全运行。如果风机的振动超标，会引起轴承座或电机轴承的损坏、电机地脚螺栓松动、风机机壳、叶片和风道损坏、电机烧损发热等故障，使风机工作性能降低，甚至导致根本无法工作。严重的可能因振动造成事故，危害人身安全及工作环境，给公司带来较大的经济损失。

所以，如何更好地识别机组在运行过程中存在的振动异常状态，对预防风机因振动异常引起的风机故障、保证风机安全运行至关重要。

技术实现要素：

为解决上述技术问题，本发明提供一种机组振动特征提取和差异性识别方法，使其可以及时发现风电机组在运行过程的异常状态，利于及时采取相关措施减小损失。本发明所采用的技术方案如下：

风力发电机组振动特征提取与差异性判别的方法，包括以下步骤：

步骤1、数据采集，采集正常振动机组、异常振动机组、需要检验的样本机组运行产生的二维振动数据；

步骤2、数据存储，将步骤1采集的数据进行存储；

步骤3、判断数据采集周期是否结束，如果是、转下一步，如果否、转步骤1；

步骤4、二维振动数据向图像灰度转化；

步骤5、二维振动数据的灰度特征提取分析；

步骤6、通过k-s检验，确定差异性显著的特征量以及确定样本机组振动是否异常；

步骤7、输出差异性判别结果。

优选地，步骤2所述的数据存储的具体方法是：获取风力发电机组的二维振动数据并通过以太网方式利用104通信规约传输至数据中心进行存储。

优选地，所述的风力发电机组的二维振动数据采集频率需要在0.2hz至1hz，振动方向分别为机组驱动方向与与之垂直的非驱动方向，即振动x方向、y方向，并且采集到的数据两振动量时间戳一致。

优选地，步骤4所述的二维振动数据向图像灰度转化的具体方法是：通过对x、y坐标进行分割，每一分割范围为一个边长为a的正方形，定义为像素点；计算正方形内样本数量，并对整个坐标系内的所有正方形样本数量进行归一化处理，以此定义像素点灰度；灰度级别是样本量的函数，设定为1至l等级。

优选地，步骤5所述的二维振动数据的灰度特征提取分析的具体方法是：利用图像识别灰度直方图与灰度共生矩阵两种方法对二维振动转化的图像进行特征提取。

优选地，所述的利用图像识别灰度直方图法的具体步骤如下：

根据阶数的不同，常用的灰度直方图特征有均值、方差、偏斜度、峰度，假定图像被量化为l个灰度级，p(i)表示归一化的灰度为i发生概率，计算方法和参数如下：

均值

方差

偏斜度

峰度

优选地，所述的利用图像识别灰度共生矩阵法的具体步骤如下：

灰度共生矩阵用pd(i,j)(i,j＝0,1,2,…l-1)表示，当两像素间的位置关系d选定后，就生成一定关系d下的灰度共生矩阵，具体算法如下：

将各个元素pd(i,j)除以各元素之和s，得到各元素都小于1的归一化值由此得到归一化共生矩阵。

优选地，采用下面五个最常用的特征来提取图像的纹理特征：

1)角二阶矩

2)对比度

3)相关

4)熵

5)反差分矩

优选地，步骤6所述的通过k-s检验确定差异性显著的特征量以及确定样本机组振动是否异常的具体方法是：通过特征提取分别得到正常机组和异常机组的振动纹理特征组，用k-s检验的方法证明哪些特征量在这两组样本之间有显著性差异，并作为对振动情况定量分析的数据支持；然后将新样本振动数据，按照相同的特征提取方法进行特征提取，再与正常机组振动特征进行假设检验，然后判断出存在显著差异的特征量，并且与异常机组振动特征进行对比，特征差异性检验一致的属于同一种异常机组特征。

本发明的有益效果：

1)本发明通过将采集到的正常、异常以及样本风电机组二维振动数据向图像灰度转化，利用图像识别领域灰度分析方法进行特征提取，通过k-s检验等非参检验方法验证差异显著性，可以方便准确快速地识别异常机组振动特征。

2)本发明引用图像识别灰度计算算法，突破依赖频率分析的传统振动分析方法，可以获得更多数据振动特征，适用各类统计分布的特征差异分析判别，因此识别范围更广泛。

附图说明

图1是本发明的逻辑流程框图；

图2是灰度共生矩阵的示意图；

图3是实施例的振动点散点图。

具体实施方式

下面结合附图，具体说明本发明的实施方式。本发明提出一种风力发电机组振动特征提取与差异性判别的方法，利用在线运行数据将机组二维振动数据作灰度转化，利用灰度分析方法中的灰度直方图、灰度共生矩阵提取灰度特征，最后通过非参检验方法，对两组样本进行差异显著性判别。

如图1所示，是本发明的逻辑流程框图。风力发电机组振动特征提取与差异性判别的方法，包括以下步骤：

步骤1、数据采集，采集正常振动机组、异常振动机组、需要检验的样本机组运行产生的二维振动数据。

步骤2、数据存储，将步骤1采集的数据进行存储。

具体来说，风机运行数据的采集与存储，是对风力发电机组的实时运行数据进行采集并存储，具体是获取风力发电机组的二维振动数据并通过以太网方式利用104通信规约传输至数据中心进行存储。

风力发电机组的二维振动数据采集频率需要在0.2hz至1hz，振动方向分别为机组驱动方向与与之垂直的非驱动方向，即振动x方向、y方向，并且采集到的数据两振动量时间戳一致。

步骤3、判断数据采集周期是否结束，如果是、转下一步，如果否、转步骤1。

步骤4、二维振动数据向图像灰度转化。

通过对x、y坐标进行分割，每一分割范围为一个边长为a的正方形，定义为像素点。计算正方形内样本数量，并对整个坐标系内的所有正方形样本数量进行归一化处理，以此定义像素点灰度。灰度级别是样本量的函数，设定为1至l等级。以此方法，使虚拟的振动状态转化为可视的图形状态。

步骤5、二维振动数据的灰度特征提取分析，利用图像识别灰度直方图与灰度共生矩阵两种方法对二维振动转化的图像进行特征提取。

图像识别中，灰度直方图与灰度共生矩阵是成熟并且完善的描述图像纹理特征的两种方法。通过使用这两种方法对二维振动转化的图像进行特征提取。

(1)灰度直方图法。

灰度直方图代表了图像区域的概率密度分布，用图像的灰度直方图的各统计距能对纹理实现最简单直接的描述。根据阶数的不同，常用的灰度直方图特征有均值(一阶矩)、方差(二阶矩)、偏斜度(三阶矩)、峰度(四阶矩)。假定图像被量化为l个灰度级，p(i)表示归一化的灰度为i发生概率，以下将对用到的计算方法和参数进行简要总结。

均值

方差

偏斜度

峰度

(2)灰度共生矩阵法。

灰度共生矩阵法被定义为从灰度级i的点离开某个固定位置关系达到灰度为j的概率。

灰度共生矩阵用pd(i,j)(i,j＝0,1,2,…l-1)表示。其中l表示图像的灰度级，i,j分别表示像素的灰度。d表示两个像素间的空间位置关系。不同的d决定了两个像素间的距离和方向。θ为灰度共生矩阵的生成方向，通常取0°、45°、90°和135°四个方向。

如图2所示，是灰度共生矩阵的示意图。当两像素间的位置关系d选定后，就生成一定关系d下的灰度共生矩阵，具体算法如下：

灰度共生矩阵的一个元素代表了一种灰度组合下出现的次数。如元素pd(1,0)代表了图像上位置关系为d的两个像素灰度分别为1和0的情况出现的次数。灰度共生矩阵反映的是图像灰度关于方向、相邻间隔、变化幅度的综合信息。通过灰度共生矩阵可以分析图像的局部模式和排列规则，在其基础上获取二次统计量。将各个元素pd(i,j)除以各元素之和s，得到各元素都小于1的归一化值由此得到归一化共生矩阵。

采用下面五个最常用的特征来提取图像的纹理特征。

1)角二阶矩

角二阶矩是灰度共生矩阵元素值的平方和，反映了灰度分布均匀程度和纹理粗细程度。如果灰度共生矩阵的所有值均相等，则f1小；如果其中一些值大而其他值小，则f1大。

2)对比度

对比度反映了灰度清晰度和纹理沟纹深浅的程度。纹理的沟纹深，其对比度大、效果清晰；反之，对比度小，则沟纹浅、效果模糊。灰度差即对比度大的像素对越多，f2越大。

3)相关

相关是用来衡量灰度共生矩阵的元素在行或列方向上的相似程度。当矩阵元素值均匀相等时，相关值就大；相反，如果矩阵像素值相差很大，则相关值小。如果图像中有水平方向纹理，则水平方向矩阵的相关值大于其余矩阵的相关值。

4)熵

熵是描述信息量的度量，纹理信息也属于图像的信息，是一个随机性的度量。当灰度共生矩阵中所有元素有最大的随机性、灰度共生矩阵中所有值几乎相等时，共生矩阵中元素分散分布，熵较大。若图像没有任何纹理，则灰度共生矩阵几乎为零阵。若纹理复杂，熵值大；反之，若图像中灰度均匀，共生矩阵中元素大小差异大，熵值小。

5)反差分矩

反差分矩反映了图像纹理的清晰程度和规则程度，纹理清晰、规律性较强、易于描述，值较大；杂乱无章、较难描述的，值较小。

步骤6、通过k-s检验，确定差异性显著的特征量以及确定样本机组振动是否异常；

k-s检验(kolmogorov-smirnov假设检验)是重要的非参检验方法，适用于任何分布。原理是通过计算两分布累计概率分布的离差判断是否是同一总体。若累计概率分布的离差很大，则表明是来自不同总体分布，差异性具有显著性，如下表所示。

通过特征提取分别得到正常机组和异常机组的振动纹理特征组，用k-s检验的方法证明哪些特征量在这两组样本之间有显著性差异，即有显著性差异的特征量能很好地描述振动特征，并作为对振动情况定量分析的数据支持。然后将新样本振动数据，按照相同的特征提取方法进行特征提取，再与正常机组振动特征进行假设检验，然后判断出存在显著差异的特征量，并且与异常机组振动特征进行对比，特征差异性检验一致的属于同一种异常机组特征。

步骤7、输出差异性判别结果。

以上所述，仅是本发明的原理说明，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。

为了更加直观形象地说明本发明的操作过程以及有益效果，下面以一个实例操作的过程进行进一步说明。

1、数据收集：收集振动正常机组，某种失效导致的振动异常机组。通过多次统一规则取样，比如限定相同转速范围、限定相同时间长度等，获得32份样本数据。

2、平面区格划分：振动范围xy振动方向，取绝对值最大为0.15，也就是说范围都是[-0.15,0.15]，正负代表方向，绝对值代表大小。振动值为小数点3位的，以0.01作为一个步长，方向是竖直方向和水平方向，将平面化为30*30个方格。

3、振动数据统计：如图3所示，是实施例的振动点散点图。

实际的振动点分布如图。对落在每一个0.01*0.01大小方格中的数据进行统计，实行包括小值，不包括大值的统计方法，也就是在分割线上，实行定义域绝对值的左闭右开统计。统计结果如下表所示：

4、数量归一化以及设计灰度等级：

表中最大值是280，且在(0,0)周围的数量都较大，越远离数量越小，最小为0，平均值是6.7，标准差是29.6。我们需要对数据进行归一化处理，以减小量纲。

方法是0均值标准化转换函数：(x-mean)/(standarddeviation)。得到结果如下：

归一化后最大值是9.228，最小值是-0.225，极差为9.453，满足降低量纲的目的。

然后根据划分灰度等级为64级。可以根据均等分割的方式。得到如下数据：

最高值为64，最低值为0，这样就完成了灰度表达。

5、灰度特征值提取：

1)直方图方法：提取均值、方差、偏度、峰度。其实就是统计上的矩估计，这四个值基本表达出一个随机变量的分布特征。具体数值计算需要专业软件，在此不再进行计算。

2)灰度共生矩阵法：提取角二阶矩、对比度、相关、熵、反差分矩。具体数值计算需要专业软件，在此不再进行计算。

这样针对一台数据某一段数据就完成了特征计算，共获得9个特征量。

通过对其他数据进行相同的计算这样可以得到如下结果：正常机组32组的9个特征量，某种失效原因导致振动异常机组的32组的9个特征量，也就是正常机组与异常机组9个特征量的数组，每组数据量为32个。

6、k-s检验：分别将正常与异常机组相同特征量的数组进行k-s检验。在正常逻辑中，如果特征量与失效情况存在强关联，则在数据特征量上肯定是有差异的，否则说明我们选取的特征量不能够区分正常与异常，属于特征选择错误。

假设正常机组与某种异常机组在均值、方差、偏度、峰度存在差异性，在其他特征量没有差异性，表明该失效与均值、方差、偏度、峰度特征量强相关，这里可以理解为专家知识库中的一条专家知识。

7、对测试机型进行分析：对需要测试的机组做同样的数据特征提取，获得9个特征量的数组，每组数据量为32个。然后与正常机组进行对比，如果实现的结果与上文一致，这表明测试机组与参与计算的异常机组的失效原因一致性强，具有很大可能是一样的失效情况。如果不一致，则需要在其他专家知识中匹配，找到差异性一致的表明是一种失效原因的一致性强。如果仍然没有，这表明测试机组可能存在新的异常，需要进行案例解剖，从而获得新的专家知识。