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�：С窒蛄炕姆绲缁橐镀收险锒戏椒�。
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�：畔ⅲ庑┠：畔⑹沟靡恍┣榭鱿轮С窒蛄炕姆掷嘈Ч�。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�：С窒蛄炕商岣咧С窒蛄炕圆粼幽：畔⒌难窘蟹掷嗟木龋岣咧С窒蛄炕难盗泛头掷嗨俣�。在�：С窒蛄炕校悦扛鲅靖橙胍桓瞿：ナ舳龋杂诰霾呙娴难埃煌牧ナ舳瘸氏植煌墓毕�。本发明采用�：司劾嗬慈范：ナ舳龋司劾嗍且焕嗤ü撕淙肟占溲居成涞胶丝占湓诮芯劾嗟姆治龇椒ǎ苡行Ц纳聘丛友镜木劾嘤行裕⑶铱梢杂行У厝范：ナ舳�。但是常规的�：С窒蛄炕徊⒛苤苯佑糜诙嗬嗍侗穑匦虢幸欢ǖ闹匦律杓撇拍芡瓿�。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�：С窒蛄炕杏呕�。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�：С窒蛄炕褂玫哪：ナ舳龋�5)利用粒子群算法优化�：С窒蛄炕⒔钣沤獗４嫦吕矗缓罄醚盗费竞筒馐匝径杂呕哪：С窒蛄炕醒盗泛筒馐裕�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�：С窒蛄炕菔涑隼磁卸弦镀收侠嘈�。所述步骤5)中，粒子群优化�：С窒蛄炕牟街枞缦�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�。�3、采用�：С窒蛄炕泄收戏掷啵梢杂行У丶跎倌：畔⒍灾С窒蛄炕掷嘈Ч挠跋欤岣吡酥С窒蛄炕姆掷嗑龋�4、�：司劾嗍且焕嗤ü撕淙肟占溲居成涞胶丝占湓诮芯劾嗟姆治龇椒ǎ苡行Ц纳聘丛友镜木劾嘤行裕�5、利用粒子群算法优化�：С窒蛄炕梢院芎玫靥岣叻掷嗥鞯难盗匪俣群头掷嗑龋�6、本发明采用组合多个二类�：С窒蛄炕钩啥嗬喾掷嗥鳎梢杂行У亟饩龆嗬喙收系恼锒虾投ㄎ�。
图I为本发明中基于小波变换和�：С窒蛄炕姆绲缁橐镀收险锒戏椒ǖ姆娇蛲肌Ｍ�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�：司劾嗨惴ń芯劾嗟姆娇蛲�。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�：С窒蛄炕钩啥嗬喾掷嗥鞯姆娇蛲�。
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�：С窒蛄炕姆绲缁橐镀收险锒戏椒ǖ姆娇蛲迹渚咛迥谌萑缦峦ü沧霸诜绲缁橹髦嶙洗怪狈较虻募铀俣却衅鞑饬空穸藕牛焕眯〔ǚ纸馓崛」收咸卣餍畔ⅲ缓蠊橐换硖崛」收咸卣飨蛄浚蛔詈蠼挡獾墓收咸卣飨蛄渴淙胙盗泛玫哪：С窒蛄拷蟹绲缁橐镀收侠嘈偷呐卸希咛宓恼锒瞎倘缦翴)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�：司劾嗨惴ǘ匝盗费窘芯劾喾治鲈ご恚玫矫扛鲅盗费臼粲谀忱喙收系哪：ナ舳�。
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，�：萴，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�：ナ舳龋魑盗纺：С窒蛄炕惺褂玫哪：ナ舳龋�5)利用粒子群算法优化�：С窒蛄炕⒔钣沤獗４嫦吕矗蝗缓罄醚盗费竞筒馐匝径杂呕哪：С窒蛄炕醒盗泛筒馐裕�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�：С窒蛄炕萜涫涑銮榭隼磁卸瞎收侠嘈�。
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�：С窒蛄炕牟街枞缦�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�：С窒蛄拷蟹绲缁橐镀收险锒稀１痉⒚骷虻ヒ仔小⒕范雀撸锒铣杀窘系停且恢帜芄挥行岣叻绲缁橐镀踩涂煽啃缘姆椒ā�
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
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
