[發明專利]一種風力發電機組振動故障診斷方法

在審

• 申請號: 201611071559.9
• 申請日: 2016-11-29
• 公開（公告）號: CN106596116A
• 公開（公告）日: 2017-04-26
• 發明（設計）人: 賈嶸;李濤濤;武樺;張惠智;尹浩霖
• 申請（專利權）人: 西安理工大學
• 主分類號: G01M15/12
• 分類號: G01M15/12;G06K9/62;G06N3/12
• 代理公司: 西安弘理專利事務所61214
• 代理人: 李娜

技術領域

本發明屬于故障診斷技術領域，具體涉及一種風力發電機組振動故障診斷方法。

背景技術

近年來，能源短缺與環境問題日益突出，世界各國對于新能源的發展日益重視，風力發電作為一種可再生清潔能源，在世界各國得到了快速的發展。但是，風力發電機組工作環境惡劣、結構復雜，極易發生各種故障故障。對其進行早期狀態檢測與故障診斷，能夠有效避免事故的發生，減少經濟損失。因此，開展風力發電機組故障診斷技術的研究對于促進風電技術的發展意義重大。

風力發電機組故障診斷一般分為四個步驟，分別為信號采集、信號處理與特征提取、故障識別和診斷決策。目前，風力發電機組故障的研究主要集中于在線監測系統的開發、信號的處理與分析、典型故障特征提取、設備故障機理研究、故障診斷方法研究和人工智能應用等幾個方面。

在進行風力發電機組故障診斷中，常采用的分析方法有傅里葉變換、奇異值分解、高階統計量理論、小波變換和經驗模態分解等。傅里葉變換只適用于平穩信號的檢測與處理，而對于非平穩信號無能為力；奇異值分解只是在時域內對信號進行分析處理，而與頻域分析無關；高階統計量的計算量較大，不太實用；小波變換對于基函數的選擇還沒有一個基本的標準或通用的方法；經驗模態分解能夠適用于非平穩、非線性信號的檢測與處理，但是其存在端點效應和模態混疊現象，且沒有理論基礎。因此，這幾種方法對于處理非線性、非平穩的振動信號都存在一定的缺點和不足，不能充分凸顯信號特征。

隨著人工智能技術的發展，為風力發電機組的故障診斷提供了一定的理論支持，如專家系統、模糊診斷方法、神經網絡和支持向量機等。專家系統在知識的獲取、維護以及推理等方面還不成熟；模糊理論在處理比較復雜的診斷系統時，其隸屬度函數和模糊規則很難建立；神經網絡需要在大量的訓練樣本下，才能獲得準確的診斷結果，而實際運行中難以獲取大量的數據樣本；支持向量機具有結構簡單、學習速度快、全局最優和泛化性好等優點，在小樣本情況下也可以達到較高的診斷精度。

發明內容

本發明的目的是提供一種風力發電機組振動故障診斷方法，解決了現有技術在風力發電機組故障診斷過程中不能有效處理非線性、非平穩振動信號的問題。

本發明所采用的技術方案是，一種風力發電機組振動故障診斷方法，包括以下步驟：

步驟1，采用振動傳感器采集風力發電機組振動故障信號；

步驟2，利用變分模態分解方法對振動信號進行分解，得到包含不同頻段信息的IMF分量；

步驟3，計算振動信號經變分模態分解得到的各個IMF分量的能量，并經歸一化處理，得到該信號的故障特征向量；

步驟4，利用遺傳算法優化支持向量機，構建基于遺傳算法優化的支持向量機故障診斷模型；

步驟5，將提取的故障特征向量輸入到步驟4建立的診斷模型中進行故障的識別與診斷。

上述方法的特點還在于：

步驟2具體包括以下子步驟：

步驟2.1，估計IMF分量頻率帶寬的目標，

(1)對每個模態函數u_k進行Hibert變換，得到每個模態函數u_k的解析信號；

(2)利用指數修正，將每個模態函數的頻譜調制到各自估算的中心頻率；

(3)計算以上解調信號的梯度的平方L²范數，估算出各模態函數的帶寬，得到其對應的約束變分問題：

式中，u_k＝{u₁,u₂,…u_K}為各模態函數集；w_k＝{w₁,w₂,…w_K}為各模態中心頻率；為對函數求時間t的偏導數；δ_t為單位脈沖函數；j為虛數單位；*表示卷積；

步驟2.2，將上述約束變分問題轉化為非約束變分問題，引入增廣拉格朗日函數L，如下式所示：

式中，α為帶寬參數；λ(t)為拉格朗日乘子；

步驟2.3，采用交替方向乘子算法求取式(4)擴展的拉格朗日函數，

(1)初始化n；

(2)執行循環n＝n+1；

(3)對所有的w≥0，更新泛函

更新泛函w_k：

(4)更新λ：

式中，τ為噪聲容限參數。