基于多傳感器信號融合技術的風電機組葉片故障診斷方法技術

本發明專利技術公開了基于多傳感器信號融合技術的風電機組葉片故障診斷方法，通過采用多傳感器來解決由于傳感器不足而帶來的故障信息欠缺等問題，對每個傳感器采集的信息各用一個獨立的分類器進行初步診斷，確定待診斷故障隸屬于不同故障的可能性，在充分考慮每個分類器輸出信息的重要程度的基礎上，采用模糊積分融合技術進行決策融合診斷。本發明專利技術不僅綜合各分類器的分類結果，還考慮各分類器的重要程度，有效地提高了風電機組葉片故障診斷的準確性。

【技術實現步驟摘要】

本專利技術屬于在線監測和故障診斷
，尤其是一種基于多傳感器信號融合技術的風電機組葉片故障診斷的方法。
技術介紹
近年來，由于資源的短缺和環境的惡化使世界各國開始重視開發和利用可再生且無排放的能源。風力資源作為一種綠色、環保的資源，已越來越得到人們的重視。在全球范圍內，大量的風電機組的投產使得風電機組的安全穩定運行引起人們的高度關注。由于風電機組長期工作在野外、暴曬和雷雨等惡劣環境中，風場風況復雜多變，極易引發各種故障，因此，風電機組的在線監測和故障診斷已經成為必不可少的環節。風電機組的葉片故障類型包括葉片質量不平衡故障、葉片氣動不平衡、偏航和斷葉片等，由于風電機組葉片價格 昂貴，損壞后維護困難，因此對葉片的狀態監測和故障診斷顯得尤為重要。在葉片故障出現的初期及時發現故障，在問題惡化影響機組運行之前及時處理，可以大大降低葉片維護、保養費用和難度。在風電機組葉片故障診斷的過程中，處理的數據都是通過傳感器采集得到的。由于診斷對象運行工況復雜，影響因素眾多，同一種故障往往有不同的表現，同一種癥狀又常常是幾種故障共同作用的結果，嚴格說來，檢測量與故障特征之間，故障特征與故障源之間都是一種非線性映射，僅依靠單個傳感器得到的故障特征量一般無法有效地完成故障診斷，解決上述問題的有效手段之一就采用多傳感器信號融合技術。信息融合的方式一般在傳感器層、特征層和決策層，經常使用的是在決策層進行融合。決策層的信息融合技術是把兩種或更多的分類器進行集成，采用一定的融合算法進行診斷?，F有的融合算法主要有貝葉斯方法、D-S證據推理法和模糊積分法。貝葉斯方法需要先驗信息，這種先驗信息在實際應用中往往難以獲得；且要求決策集合的元素相互獨立，該要求太苛刻。D-S證據推理法案要求所使用的證據必須相互獨立，一般難以滿足，另外，還會出現組合爆炸，事件沖突等。模糊集可以很好地描述不確定現象，因此基于模糊積分理論的融合方法是應用最為廣泛的一種工具。模糊積分是一種基于模糊密度的非線性決策融合方法，積分過程不僅綜合各分類器的分類結果，還考慮各分類器的重要程度，將模糊積分應用于故障診斷，可以達到準確定位故障。
技術實現思路
本專利技術的目的在于克服現有技術的不足，提供一種簡單易行、成本低、能夠有效提高風電機組葉片安全、可靠性的。本專利技術米用的技術方案為一種，在風電機組上安裝多傳感器，通過采用多傳感器解決由于傳感器不足而帶來的故障信息欠缺問題，采用分類器對每個傳感器采集的信息進行初步診斷，確定待診斷故障隸屬于不同故障的可能性，在充分考慮各個分類器與不同故障類型的關聯程度的基礎上，采用模糊積分融合方法進行決策融合診斷，其診斷方法的具體步驟為(I)通過安裝在風電機組主軸座水平方向和垂直方向的加速度傳感器測量葉片在正常和典型故障類型下的振動信號，每個加速度傳感器對應一個分類器；(2)利用經驗模態分解分別對采集的水平方向和垂直方向上的振動信號進行分解，將不同的故障特征 反應到不同的本征模函數；(3)計算前若干個本征模函數的能量，形成反應故障的特征信息，對所提取的故障特征信息歸一化處理，得到故障特征向量，作為訓練樣本和測試樣本；(4)利用水平方向和垂直方向上的訓練樣本和測試樣本分別對兩個分類器進行訓練和測試；toon] (5)確定模糊密度和模糊測度;g} = IjCiviBri = Unj = i,2,…t，gj表示第i個分類器的第j個信息的模糊密度，t是故障類型的個數，C是分類器的個數；令Y= Iy1,y2，一y。}為C個分類器構成的集合，Ai= {yi，y2，…yj，利用每個分類器在測試中對各個故障的正確識別率作為該分類器對各故障類型的關聯程度，即模糊密度，然后根據模糊密度確定模糊測度；(6)將實測振動信號進行經驗模態分解并提取故障特征向量，利用分類器分別進行初級故障診斷，得到的結果為Pj = (PjG1)，Pj (y2)，…Pj(y。))，其中Pj(Yi)表示分類器把待診斷的實例分為第j類的可能性；(7)利用Choquet模糊積分做融合算子對初級故障診斷結果進行融合處理來確定風電機組葉片的故障類型；根據式= 2f=1Cgj(A)-Bj(A^1)) - Pj(y.J計算出模糊積分值ej, ej為綜合診斷出的故障可能性指標,則形成故障可能指標集E = {e1； e2,…et},根據其判斷故障類型，E中最大值所對應的類別即為該實例的故障類型。作為優選，所述步驟(5)模糊測度的具體計算方式為根據式I—λ尸nf=1〔i— h ^ )確定λ J，然后根據式A(A1) =SjGyJ)和式A(Ai)=gj ({yj) +gj (Ah) + λ jgj ({yi}) gj (Ah) , i = I, 2,…c,求取模糊測度 gj (Ai) ； λ』是一個中間變量。作為優選，所述步驟(6)中，支持向量機輸出的似然概率作為初級診斷中待診斷故障隸屬于某種故障的可能性，將其作為初級故障診斷的結果，似然概率計算如下 {-^ Ifj(I)I < IP, Cyi) = j I - exp (In(ι))) 11IfiCOl > I式中是第i個分類器中第j個支持向量機的輸出；Pj(yi)表示第i個分類器中第j個故障的似然概率，似然概率計算是針對正標識樣本類進行的；當A(i)>0時，樣本被分到正標識類的隸屬度為Pj(Yi) Cpj(Yi) > O. 5);當fj(i)〈0時,樣本被分到正標識類的隸屬度為Pj(Yi) (Pj (Yi) <0.5) ； ε為任意小的正整數。有益效果1、本專利技術采用基于經驗模態分解提取故障特征向量，可以提高故障的分辨率。2、本專利技術采用模糊積分融合技術不僅綜合各分類器的分類結果，還考慮到了各分類器的重要程度，有效提高了系統診斷的準確性。3、本專利技術可以準確地進行風電機組葉片故障定位，縮短維護查找時間，提高維修維護的效率。4、本專利技術簡單易行、診斷成本低、是一種能夠有效提高風電機組葉片安全、可靠性的風電機組葉片故障診斷方法。附圖說明圖I為本專利技術中基于多傳感器信號融合技術的風電機組葉片故障診斷的方框圖；圖2為本專利技術中風電機組示意圖；圖3為本專利技術中經驗模態分解方框圖；圖4為本專利技術中基于經驗模態分解的故障特征向量提取的方框圖。具體實施例方式下面結合附圖和具體實施方式對本專利技術做進一步說明。如圖I所示，一種，在風電機組上安裝多傳感器，通過采用多傳感器來解決由于傳感器不足而帶來的故障信息欠缺問題，采用分類器對每個傳感器采集的信息進行初步診斷，確定待診斷故障隸屬于不同故障的可能性，在充分考慮各個分類器與不同故障類型的關聯程度的基礎上，采用模糊積分融合方法進行決策融合診斷，具體步驟如下(I)如圖2所示，風電機組的風輪I與主軸連接，主軸安裝在主軸座2內，主軸通過聯軸器3與發電機4連接，通過安裝在風電機組主軸座2水平方向和垂直方向的兩個加速度傳感器測量葉片在正常和典型故障類型下的振動信號，每個加速度傳感器對應一個分類器。(2)利用經驗模態分解(EMD)分別對采集的水平方向和垂直方向上的振動信號進行分解，將不同的故障特征反應到不同的本征模函數(IMF)。經驗模態分解是一種處理非平穩、非線性信號的方法。該方法將信號序列分解為多個不同頻段的本征模函數(MF)和一個本文檔來自技高網...

【技術保護點】
一種基于多傳感器信號融合技術的風電機組葉片故障診斷方法，其特征在于：在風電機組上安裝多傳感器，采用分類器對每個傳感器采集的信息進行初步診斷，確定待診斷故障隸屬于不同故障的可能性，在充分考慮各個分類器與不同故障類型的關聯程度的基礎上，采用模糊積分融合方法進行決策融合診斷，其診斷方法的具體步驟為：（1）通過安裝在風電機組主軸座水平方向和垂直方向的加速度傳感器測量葉片在正常和典型故障類型下的振動信號，每個加速度傳感器對應一個分類器；（2）利用經驗模態分解分別對采集的水平方向和垂直方向上的振動信號進行分解，將不同的故障特征反應到不同的本征模函數；（3）計算前若干個本征模函數的能量，形成反應故障的特征信息，對所提取的故障特征信息歸一化處理，得到故障特征向量，作為訓練樣本和測試樣本；（4）利用水平方向和垂直方向上的訓練樣本和測試樣本分別對兩個分類器進行訓練和測試；（5）確定模糊密度和模糊測度；gji=gj({yi}),i=1,2,···c,j=1,2,···t,表示第i個分類器的第j個信息的模糊密度，t是故障類型的個數，c是分類器的個數；令Y＝{y1，y2，…yc}為c個分類器構成的集合，Ai＝{y1，y2，…yi}，利用每個分類器在測試中對各個故障的正確識別率作為該分類器對各故障類型的關聯程度，即模糊密度，然后根據模糊密度確定模糊測度；（6）將實測振動信號進行經驗模態分解并提取故障特征向量，利用分類器分別進行初級故障診斷，得到的結果為pj＝(pj(y1)，pj(y2)，…pj(yc))，其中pj(yi)表示分類器yi把待診斷的實例分為第j類的可能性；（7）利用Choquet模糊積分做融合算子對初級故障診斷結果進行融合處理來確定風電機組葉片的故障類型；根據式計算出模糊積分值ej，ej為綜合診斷出的故障可能性指標，則形成故障可能指標集E＝{e1，e2，…et}，根據 其判斷故障類型，E中最大值所對應的類別即為該實例的故障類型。FDA00002534776000012.jpg,FDA00002534776000013.jpg...

【技術特征摘要】

【專利技術屬性】
技術研發人員：張建忠，杭俊，
申請(專利權)人：南京匹瑞電氣科技有限公司，
類型：發明
國別省市：