[發明專利]基于SCADA警報信號的DS證據理論的風力發電機組在線故障診斷方法

在審

• 申請號: 201610483356.4
• 申請日: 2016-06-27
• 公開（公告）號: CN107545339A
• 公開（公告）日: 2018-01-05
• 發明（設計）人: 邱穎寧;李丹;馮延暉
• 申請（專利權）人: 南京理工大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06
• 代理公司: 南京理工大學專利中心32203
• 代理人: 孟睿

技術領域

本發明涉及一種風力發電機組故障診斷方法，尤其涉及一種基于SCADA警報信號和DS證據理論的風力發電機組在線故障診斷方法。

背景技術

風場一般處于偏遠地區，同時風力發電機組的機艙都位于高空，當機組發生故障時，難以第一時間對故障進行準確判斷，制定正確維修方案，且維修困難，導致維修成本增加。對于工作壽命20年的機組，運行維護成本估計占到風場收入的10％～15％；對于海上風場，用于風力機運行維護的成本高達風場收入的20％～25％。

典故障診斷科學方法的綜述把故障診斷方法分為三大類：基于解釋模型的方法，基于定性模型/知識庫的方法和基于過程的方法。基于定性模型的方法盡管能跟蹤系統變化趨勢，但是卻存在依賴準確的系統模型和精確的數學模型的缺點；定性模型和知識庫方法則需要對系統故障因果關系和錯綜復雜的聯系進行抽象和總結，關于這方面的研究較為少見而且具有較大的難度；而當前很多的故障診斷都是基于過程的方法，采用高級的數據處理手段或者人工智能方法進行故障特征提取，但是這種方法所得到的結果與實際故障模式的聯系較弱，因而其故障診斷和預測的準確性經常受到質疑。

近年來，針對風力發電機組的故障診斷方法的研究多是采用高頻信號的分析，如對于葉片和傳動系統最常用的是振動信號的檢測，其常用方法有傅里葉變換，快速傅里葉變換，小波變換。然而這種檢測方法，需要對檢測設備和傳感器有較高的要求，這些信號不僅數據量大，分析時需要的計算量大，且計算過程較為復雜，耗時較長。同時這些采集的信號，都是基于數據層，如果進行數據融合綜合分析，則要求其傳感器必須相同或匹配，能夠在原始數據上實現關聯，需要保證是對同一目標或同一狀態，其實現難度較大，難以對這些系統進行綜合分析故障診斷，這樣也降低了故障診斷準確性。

發明內容

針對其他現有的風力發電機組故障診斷方法建模復雜、高級人工智能方法與實際系統聯系不大、對設備要求度高等不足，本發明提出了一種基于SCADA警報信號的DS證據理論風力發電機組故障診斷，DS證據理論不需要對所診斷系統進行建模，又是一種與實際系統聯系較強的人工智能方法，過程簡單、計算量適中，同時該方法對數據存儲量與數據采集頻率要求較低，可以大大降低數據庫服務器與設備傳感器的成本，隨著時間的推移，診斷準確度會越來越高。

為了解決上述技術問題，本發明提供一種基于SCADA警報信號的DS證據理論的風力發電機組在線故障診斷方法，根據力發電機組在日常風維護過程中生成的SCADA警報信號和故障維修記錄計算各SCADA警報信號對應的基本概率分配函數；當風力發電機組產生SCADA警報信號后，使用DS證據理論對SCADA警報信對應的基本概率分配函數進行信息融合，獲得各個故障發生的支持度，維修人員根據所述支持度制定維修方案。

進一步，基本概率分配函數計算方式如下：

其中，A為故障，M_i為第i種故障，P(M_i)為某種故障維修出現的概率，且P(M_i)＝某種故障維修頻次/所有維修記錄的總頻次，i表示故障維修類型；P(M_i|A)為故障M_i維修條件下發生某特定警報的概率，P(A|M_i)＝故障維修當天該警報發生的頻次/故障維修當天所有警報發生的頻次；P(M_i|A)為當前故障M_i的基本概率分配函數。

進一步，使用DS證據理論對SCADA警報信對應的基本概率分配函數進行信息融合時，將每種故障類型的SCADA警報信號作為DS證據理論中的傳感器，將維修記錄中每種類型的故障相作為DS證據理論中事件。

進一步，當出現DS證據理論的證據沖突或一票否決時，通過以下方法進行信息融合：

(1)權值確定

首先，計算各證據的平均值

其中，a_i(m_j)為第i個傳感器的事件m_j的基本概率賦值函數BPA，a_j為事件集中的第j個事件

其次，計算各證據到平均值的距離d_i：

最后，計算各證據的權重c(a_i)：

其中，c(a_i)作為證據a_i的權重，滿足∑c(a_i)＝1；