[发明专利]一种风电机组叶片故障诊断方法

说明书

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模糊支持向量机的风电机组叶片故障诊断方法。

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模糊信息，这些模糊信息使得一些情况下支持向量机的分类效果更差。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，因此使用模糊支持向量机可提高支持向量机对掺杂模糊信息的样本进行分类的精度，提高支持向量机的训练和分类速度。

在模糊支持向量机中，对每个样本赋入一个模糊隶属度，对于决策面的学习，不同的隶属度呈现不同的贡献。本发明采用模糊核聚类来确定模糊隶属度，核聚类是一类通过核函数将输入空间样本映射到核空间在进行聚类的分析方法，能有效改善复杂样本的聚类有效性，并且可以有效地确定模糊隶属度。但是常规的模糊支持向量机不并能直接用于多类识别，必须进行一定的重新设计才能完成。目前，主要的设计方法有两种：1）一对一的分类算法；2）一对多的分类算法。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模糊支持向量机进行优化。

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：

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隶属程度，作为训练模糊支持向量机使用的模糊隶属度；

5）利用粒子群算法优化模糊支持向量机，并将最优解保存下来，然后利用训练样本和测试样本对优化的模糊支持向量机进行训练和测试；

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，将其输入训练好的模糊支持向量机，根据输出来判断叶片故障类型。

所述步骤5）中，粒子群优化模糊支持向量机的步骤如下：

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g_best中的值就是所求的；否则返回22），算法继续迭代。

有益效果：

1、基于小波分解提取故障特征向量，提高了故障的分辨率；