[發明專利]一種基于定子電流包絡譜的風電機組葉輪不平衡檢測方法

有效

• 申請號: 201911366231.3
• 申請日: 2019-12-26
• 公開（公告）號: CN111412114B
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 陳棋;肖威;孫勇;林勇剛;馬靈芝
• 申請（專利權）人: 浙江運達風電股份有限公司;浙江大學
• 主分類號: F03D17/00
• 分類號: F03D17/00;G06N3/04;G06N3/08
• 代理公司: 杭州杭誠專利事務所有限公司 33109
• 代理人: 尉偉敏

1.一種基于定子電流包絡譜的風電機組葉輪不平衡檢測方法，其特征在于，包括以下步驟：

S1、采集定子電流信號：對風力機葉輪平衡和不平衡狀態下的發電機定子電流信號進行采集，所述發電機定子電流信號的采集直接通過變流器進行獲取，不需要安裝額外的傳感器，其中所述風力機葉輪平衡狀態和不平衡狀態通過改變槳葉槳距角來產生；

S2、處理采集得到的發電機定子電流信號：結合希爾波特變換法對發電機定子電流信號進行包絡解調，對包絡解調后得到的包絡信號進行頻譜分析，得到原始定子電流信號的包絡解調譜圖；

S3、構建樣本數據庫：對得到的包絡解調譜圖進行分析，通過數組切片和重組選取包含故障頻率的序列構建平衡狀態樣本數據庫和不平衡狀態樣本數據庫；

所述步驟S3中構建樣本數據庫通過對發電機定子電流信號經過希爾波特包絡解調后得到的包絡解調譜圖進行分析，得出在葉輪不平衡條件下，葉輪不平衡的一倍、三倍、六倍和十二倍轉頻處故障特征清晰的凸顯了出來，即分析得出故障特征主要集中在低頻部分；對包絡解調譜圖中的頻譜數據進行數組切片，分別選取并保留包含故障特征的低頻序列及包含一倍和三倍轉頻、三倍和六倍轉頻、六倍和十二倍轉頻的幅值序列，并對所述低頻序列進行重新組合合并，從而形成與該狀態對應的一個數據樣本，進而構建樣本數據庫；

S4、搭建神經網絡模型：利用已經分類好的樣本數據庫對神經網絡模型進行訓練、調參和驗證，得到具有識別能力的神經網絡模型；

S5、構建檢測數據庫：對風力發電機檢測狀態下的定子電流信號進行采集和處理，通過采集和處理后的定子電流信號構建檢測數據庫；

S6、輸送樣本數據并進行識別判斷：將檢測數據庫的檢測樣本數據輸送給經過步驟S3訓練得到的神經網絡模型，利用所述神經網絡模型對風力機檢測狀態下的數據進行識別判斷；

S7、輸出結果：輸出結果，并根據輸入數據特征將模型的輸出結果分為平衡和不平衡。

2.根據權利要求1所述的一種基于定子電流包絡譜的風電機組葉輪不平衡檢測方法，其特征在于，所述步驟S4中的神經網絡模型包括輸入層、卷積層、池化層、展開層、全連接層、輸出層和相應的激活函數，所述輸入層之后為兩組連續的卷積層和池化層，所述卷積層和池化層之后為展開層和三組全連接層，每個所述全連接層分別含有128、30和2個神經元，所述輸出層中相應的激活函數采用softmax激活函數。

3.根據權利要求2所述的一種基于定子電流包絡譜的風電機組葉輪不平衡檢測方法，其特征在于，所述步驟S4中的利用已經分類好的樣本數據庫對神經網絡模型進行訓練、調參和驗證, 所述訓練過程為：在神經網絡模型的卷積層和池化層分別定義不同大小、深度和步長的內核，對風機葉輪平衡狀態樣本數據和不平衡狀態樣本數據依次進行滑動卷積處理，提取出數據內部特征并對數據進行壓縮，所述全連接層的每個神經元之間都通過神經網絡建立聯系，且相互連接的神經元之間都含有與之對應的權重參數，所述權重參數會與輸入的訓練樣本數據進行相應的幾何運算，然后經過損失函數和優化器的處理對模型進行優化和訓練。

4.根據權利要求1所述的一種基于定子電流包絡譜的風電機組葉輪不平衡檢測方法，其特征在于，所述步驟S4中的利用已經分類好的樣本數據庫對神經網絡模型進行訓練、調參和驗證，所述調參過程為：調節神經網絡模型中卷積層內核和池化層內核的大小、深度和步長，調節全連接層中神經元的數目，以及調節優化器的學習率。

5.根據權利要求1所述的一種基于定子電流包絡譜的風電機組葉輪不平衡檢測方法，其特征在于，所述步驟S4中的利用已經分類好的樣本數據庫對神經網絡模型進行訓練、調參和驗證，所述驗證過程為：在對神經網絡模型進行訓練和調參之后，神經網絡模型內部具有了該調節狀態下的一系列的權重參數，此時將驗證數據樣本輸入給神經網絡模型，損失函數會計算驗證樣本的真實值與神經網絡模型輸出值之間的損失，從而對該調節狀態下神經網絡模型訓練的程度進行驗證和判斷，得到具有識別能力的神經網絡模型。