CN106762452A - 基于数据驱动的风机主控系统故障诊断和在线监测方法 - Google Patents

Abstract

基于数据驱动的风机主控系统故障诊断和在线监测方法，属于故障诊断技术领域；包括：计算风机主控系统正常数据的控制限；计算风机主控系统故障数据的统计量；根据统计量与控制限的关系确定故障发生时间T，并确定时间T时采集的故障数据中各主控系统变量贡献率及故障变量；依次计算风机主控系统实时数据中故障变量对应的信噪比、主元数和统计量，如果统计量是否位于控制限内，风机主控系统运行过程正常，否则，将故障变量对应的传感器作为故障传感器；本发明避免用到风机复杂的机理建模和信号分析；可对同一时段的多种故障进行监测，可发现的故障是多维的；采用最大的信噪比确定主元数，所以提高了故障的监视灵敏度。

Description

基于数据驱动的风机主控系统故障诊断和在线监测方法

技术领域

本发明属于故障诊断技术领域，具体涉及基于数据驱动的风机主控系统故障诊断和在线监测方法。

背景技术

风电作为一种新能源，其发展越来越受到政府重视。风电企业的成本中，维护成本和维修成本占据了很大比例。对风机运行过程进行合理有效地监测和对风机进行准确的故障诊断对风机的维营有着重要的意义。

近年来，风机监测和故障诊断方面的研究层出不穷：在“双馈异步风电机组状态监测与故障诊断系统的研究[D]，宋磊，2015”中，解决了风电机组变工况条件下的故障特征提取，但是对风机运行过程中的大量相关信息，例如风电场大量历史数据等，没有充分运用；在“风电机组振动监测与故障诊断研究[D]，刘文艺，2010”中，针对关键部件进行振动监测和故障诊断，该方法处在试验阶段，主流的振动监测与故障诊断系统及技术多是依靠引用国外成熟技术和系统，国内尚未形成完善可靠的风电机组振动监测与故障诊断系统；在“基于免疫算法的风电系统故障诊断技术研究[D]，吴洪兵，2014”中，提出一种基于免疫记忆动态克隆策略算法的风电系统发电机定子绕组故障诊断方法；在“基于流形学习的风电机组传统系统故障诊断方法研究[D]，李峰，2011”中，开发了一种通用型智能故障诊断方法，对传统系统故障进行诊断；在“直驱永磁同步发电机组叶轮不平衡和绕组不对称的故障诊断[J]，杭俊，张建忠，程明等，中国电机工程学报，2014.9：P1384-1391”中，提出了一种基于电流信号的直驱永磁同步风电机组的故障诊断方法，该方法不仅能诊断叶轮不平衡故障，还能诊断永磁同步发电机三项定子绕组不对称故障；在“风电机组故障智能诊断技术及系统研究[J]，彭华东，陈晓清，任明等，电网与清洁能源，2011.2：P61-66”中，基于BP神经网络的原理和优点，深入讨论了如何应用人工神经网络构建风电机组智能诊断系统，并给出了可行的系统设计方案和软件实现流程；在“基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法[J]，龙泉，刘永前，杨勇平等，太阳能学报，2012.33(1)：P120-125”中，提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法，得出了正确的诊断结果；在“风电机组故障诊断实现方法探讨[J]，梁伟宸，许湘莲，庞可，高压电器，2011.47(8)：P57-63”中，以小波分析故障诊断的理论为基础，提出了风电机组状态监测的实现方法，并搭建了实验室齿轮箱模拟试验台。

综上，针对风电机组的在线监测和故障诊断的研究虽然很多，但大多集中在对传动和齿轮箱的故障诊断方面。已有研究采用模式识别或者解析模型的方法的居多，方法比较繁琐，实现起来很复杂。由于风机结构复杂，且一般安装在偏远多风，条件恶劣的地区，所以对风机进行远程管理、移动管理是将来风机运行管理的趋势，而基于数据驱动的在线监测和故障诊断技术在远程监测、移动监测中有着明显的优势。主元分析法是一种简单有效的数据驱动的故障诊断技术，能实现风机的在线监测和分析、评估其运行状态，发现故障征兆、避免或减轻严重的设备损坏，以确定合理的维护时间和方案，从而达到大幅度降低维护和维修成本的目的。

发明内容

针对上述现有技术存在的不足，本发明提供基于数据驱动的风机主控系统故障诊断和在线监测方法。

本发明的技术方案：

基于数据驱动的风机主控系统故障诊断和在线监测方法，包括如下步骤：

步骤1：风机主控系统正常运行时，对风机主控系统各主控系统变量进行周期性采样，并对采样数据进行数据处理后计算T²控制限和SPE控制限：

步骤1-1：风机主控系统正常运行时，数据采集设备对风机主控系统运行过程n个主控系统变量进行周期性采样，采样m次，得到正常采样矩阵X_(m,n)；

步骤1-2：对正常采样矩阵X_(m,n)进行归一化处理，得到矩阵X′_(m,n)；

步骤1-3：计算矩阵X′_(m,n)的协方差阵和主元个数，并对矩阵X′_(m,n)进行PCA分解，计算矩阵X′_(m,n)的T²控制限和SPE控制限：

步骤1-3-1：计算矩阵X′_(m,n)的协方差矩阵COV(X′_(m,n))：

其中，P为协方差特征载荷矩阵，由X′_(m,n)的协方差矩阵的前k个特征向量构成，Λ＝diag(λ_i)为对角矩阵，由协方差矩阵COV(X′_(m,n))的前k个特征值构成，λ_i为协方差矩阵COV(X′_(m,n))的第i个特征值，i＝1,2,…,n；

步骤1-3-2：计算累计方差贡献率得到使CPV≥90％的k即为主元个数；

步骤1-3-3：将矩阵X′_(m,n)进行PCA分解为：X′_(m,n)＝TP^T+E，其中，T为主元得分矩阵，T的各列为主元变量；

步骤1-3-4：计算一定置信度下SPE控制限：

其中，l＝1,2,3，h₀＝1-2θ₁θ₃/3θ₁ ³，c_α为标准正态分布在置信水平α下的阈值；

步骤1-3-5：利用F分布，计算一定置信度下T²控制限：

其中，F_(k,m-k,α)是对应于置信水平为α，自由度为k即主元个数，m-k条件下的F分布临界值。

步骤2：风机主控系统运行故障时，对风机主控系统中各主控系统变量进行周期性采样，并对采样数据进行数据处理后计算SPE统计量和T²统计量；

步骤2-1：风机主控系统运行过程发生故障时，数据采集设备对风机主控系统运行过程n个主控系统变量进行周期性采样，采样t次，得到故障采样矩阵x_(t,n)；

步骤2-2：对故障采样矩阵x_(t,n)进行归一化处理，得到矩阵x′_(t,n)；

步骤2-3：对矩阵x′_(t,n)进行PCA分解，并计算矩阵x′_(t,n)的SPE统计量和T²统计量；

步骤3：分别比较SPE统计值和T²统计值是否都位于T²控制限和SPE控制限内，是，第t次采样时风机主控系统运行过程正常；否则，第t次采样时风机主控系统运行过程异常即主控系统故障，根据当前采样次数t确定故障发生的时间T。

步骤4：计算故障发生时间T时采集的故障数据中各主控系统变量贡献率，并确定可能造成故障的主控系统变量即故障变量：

步骤4-1：依次计算故障发生时间T时采样数据各主控系统变量对统计量SPE的贡献值；

步骤4-2：依次计算故障发生时间T时采样数据各主控系统变量对统计量T²的贡献值；

步骤4-3：贡献值较大的主控系统变量被认为是可能造成故障的主控系统变量即故障变量，该主控系统变量对应的传感器为可能造成故障的传感器。

步骤5：对风机主控系统运行过程进行实时数据采集，并计算故障变量对应的故障信噪比SNR_SPE和以及主元数K_SPE和

步骤5-1：风机主控系统运行过程中，数据采集设备实时对风机主控系统运行过程n个主控系统变量进行周期性采样，采样s次，得到实时采样矩阵data(s,n)；

步骤5-2：对实时采样矩阵data(s,n)进行归一化处理，得到矩阵data′(s,n)；

步骤5-3：根据data′(s,n)以及故障变量，计算该故障变量故障信噪比SNR_SPE和并确定主元数K_SPE和

步骤6：分别以K_SPE和为主元数计算实时数据的SPE统计量和T²统计量；

步骤7：判断实时数据的SPE统计量和T²统计量是否都位于T²控制限和SPE控制限内，是，风机主控系统运行过程正常，否则，将故障变量对应的传感器作为故障传感器，并记录故障发生的时间；

步骤8：依次对各故障变量执行步骤4-步骤6，得到所有故障传感器及故障发生时间。

有益效果：基于数据驱动的风机主控系统故障诊断和在线监测方法与现有技术相比，具有如下优势：

1、避免用到风机复杂的机理建模和信号分析，只通过对风机运行过程的数据进行分析，就能对单个风机的故障进行有效监测；

2、对同一时段的多种故障进行监测，可以发现的故障是多维并非一维的；

3、采用故障信噪比确定主元个数，故障信噪比是故障方向的统计量信息与其相应的控制限的比值，反映了故障监测的灵敏度，该方法采用最大的信噪比确定主元数，所以提高了故障的监视灵敏度；

4、能够尽快地查找故障原因，从而提高维护和维修效率，减少维护和维修成本，提高风力发电的经济效益；

5、能够为运行人员提供指导，改善运行操作，提高运行效率和可靠性，尽量减少机组故障的发生，提高发电效率。

附图说明

图1为本发明实施方式的基于数据驱动的风机主控系统故障诊断和在线监测方法流程图；

图2为本发明实施方式的高速轴和发电机的角速度故障的SPE和T²统计量图，其中，(a)为T²统计量图，(b)为SPE统计量图；

图3为本发明实施方式的低速轴应变计角速度故障SPE和T²统计量图，其中，(a)为T²统计量图，(b)为SPE统计量图；

图4为本发明实施方式的叶片2桨矩角故障SPE和T²统计量图，其中，(a)为T²统计量图，(b)为SPE统计量图；

图5为本发明实施方式的高速轴和发电机的角速度故障SPE和T²贡献图，其中，(a)为T²贡献图，(b)为SPE贡献图；

图6为本发明实施方式的低速轴应变计角速度故障SPE和T²贡献图，其中，(a)为T²贡献图，(b)为SPE贡献图；

图7为本发明实施方式的叶片2桨矩角故障SPE和T²贡献图，其中，(a)为T²贡献图，(b)为SPE贡献图；

图8为本发明实施方式的高速轴和发电机的角速度故障的SPE和T²信噪比图，其中，(a)为T²的信噪比图，(b)为SPE的信噪比图；

图9为本发明实施方式的高速轴和发电机的角速度故障的SPE统计量和T²统计量监视图，其中，(a)为T²统计量监视图，(b)为SPE统计量监视图；

图10为本发明实施方式的低速轴应变计角速度故障的SPE信噪比和T²信噪比图，其中，(a)为T²的信噪比图，(b)为SPE的信噪比图；

图11本发明实施方式的低速轴应变计角速度故障的SPE统计量和T²统计量监视图，其中，(a)为T²统计量监视图，(b)为SPE统计量监视图；

图12为本发明实施方式的叶片2桨矩角故障的SPE信噪比和T²信噪比图，其中，(a)为T²的信噪比图，(b)为SPE的信噪比图；

图13为本发明实施方式的叶片2桨矩角故障的SPE统计量和T²统计量监视图，其中，(a)为T²统计量监视图，(b)为SPE统计量监视图。

具体实施方式

下面结合附图对本发明的一种实施方式做详细说明。

本发明一种实施方式，

如图1所示，基于数据驱动的风机主控系统故障诊断和在线监测方法，包括对风机主控系统正常运行数据进行PCA建模、对风机主控系统运行故障数据进行故障诊断和对风机主控系统实时运行数据进行实时监测三个阶段，具体包括如下步骤：

步骤1：风机主控系统正常运行时，对风机主控系统各主控系统变量进行周期性采样，并对采样数据进行数据处理后计算T²控制限和SPE控制限：

步骤1-1：风机主控系统正常运行时，数据采集设备对风机主控系统运行过程n个主控系统变量进行周期性采样，采样m次，得到正常采样矩阵X_(m,n)；

本实施方式中，风电运行中主控系统变量有28个，分别是：低速轴方位角，低速轴应变计角速度，低速轴上下晃动角度，叶片2挥舞和摆振的X方向翼尖挠度，叶片2挥舞和摆振的Y方向翼尖挠度，叶片2挥舞和摆振的X方向翼尖加速度，叶片2挥舞和摆振的Y方向翼尖加速度，塔顶X方向倾角，塔顶Y方向倾角，塔顶X方向倾斜率，塔顶Y方向倾斜率，塔顶X方向倾斜加速度，塔顶Y方向倾斜加速度，叶片1根平面X方向弯矩，叶片1根平面Y方向弯矩，叶片1根平面X方向剪切力，叶片1根平面Y方向剪切力，叶片1局部挥舞和摆振的X方向弯矩，叶片1局部挥舞和摆振的Y方向弯矩，转子扭矩，塔顶/偏航轴承偏航力矩，塔基横摆力矩，转子速度，转子方位角速度，高速轴功率，高速轴和发电机的角速度，叶片1桨矩角，叶片2桨矩角。

步骤1-2：对正常采样矩阵X_(m,n)进行归一化处理，得到矩阵X′_(m,n)；

本实施方式中，将正常采样矩阵X_(m,n)每个主控系统变量减去其均值后除以其标准差，以消除实际量纲的影响，正常采样矩阵X_(m,n)归一化处理后得到矩阵X′_(m,n)；本实施方式中，所述的X_(m,n)的均值向量为μ_M＝[_1,_2,...,_m]，标准差向量为σ_M＝[e₁,e₂,...,e_m]，X′_i＝(X_i-_i)/e_i，i＝1,2,…,m；

步骤1-3：计算矩阵X′_(m,n)的协方差阵和主元个数，并对矩阵X′_(m,n)进行PCA分解，计算矩阵X′_(m,n)的T²控制限和SPE控制限。

步骤1-3-1：计算矩阵X′_(m,n)的协方差矩阵COV(X′_(m,n))：

其中，P为协方差特征载荷矩阵，由X′_(m,n)的协方差矩阵的前k个特征向量构成，Λ＝diag(λ_i)为对角矩阵，由协方差矩阵COV(X′_(m,n))的前k个特征值构成，λ_i为协方差矩阵COV(X′_(m,n))的第i个特征值，i＝1,2,…,n；

步骤1-3-2：计算累计方差贡献率得到使CPV≥90％的k即为主元个数；本实施方式中，为主元个数k＝9；

步骤1-3-3：将矩阵X′_(m,n)进行PCA分解为：X′_(m,n)＝TP^T+E，其中，T为主元得分矩阵，T的各列为主元变量；

步骤1-3-4：计算一定置信度下SPE控制限：

其中，l＝1,2,3，h₀＝1-2θ₁θ₃/3θ₁ ³，c_α为标准正态分布在置信水平α下的阈值，本实施方式中，置信水平α的值取为0.90；

步骤1-3-5：利用F分布，计算一定置信度下T²控制限：

其中，F_(k,m-k,α)是对应于置信水平为α，自由度为k即主元个数，m-k条件下的F分布临界值；

步骤2：风机主控系统运行故障时，对风机主控系统中各主控系统变量进行周期性采样，并对采样数据进行数据处理后计算SPE统计量和T²统计量：

步骤2-1：数据采集设备在风机主控系统运行过程发生故障时，对1组风机主控系统运行过程n个主控系统变量进行周期性采样，采样t次，获得故障采样矩阵x_(t,n)；

步骤2-2：对故障采样矩阵x_(t,n)进行归一化处理，得到矩阵x′_(t,n)；

步骤2-3：对矩阵x′_(t,n)进行PCA分解，并求取SPE统计值和T²统计值，计算公式分别如下：

SPE～||(I-PP^T)x′_(t,n)||²；

T²～x′_(t,n) ^TPΛ^-1P^Tx′_(t,n)

步骤3：分别比较SPE统计值和T²统计值是否都位于T²控制限和SPE控制限内，是，第t次采样时风机主控系统运行过程正常；否则，第t次采样时风机主控系统运行过程异常即主控系统故障，根据当前采样次数t确定故障发生的时间T。

本实施方式中，根据图2、图3和图4，确定统计量超限时采样次数对应的时间T。

步骤4：计算故障发生时间T时各主控系统变量贡献率，并确定可能造成故障的主控系统变量即故障变量；

步骤4-1：依次计算故障发生时间T时采样数据各主控系统变量对统计量SPE的贡献值：

其中，I为单位矩阵，ξ_i表示单位矩阵I_n的第i列；

步骤4-2：依次计算故障发生时间T时采样数据各主控系统变量对统计量T²的贡献值；其中，D＝P^TΛ^-1P；

步骤4-3：贡献值较大的主控系统变量被认为是可能造成故障的主控系统变量即故障变量，该主控系统变量对应的传感器为可能造成故障的传感器；

本实施方式中，各主控系统变量贡献值如图5、图6和图7所示，得到的可能造成故障的主控系统变量分别为26号变量(F1：高速轴和发电机的角速度)，2号变量(F2：低速轴应变计角速度)，28号变量(F3：叶片2桨矩角)。

步骤5：对风机主控系统运行过程进行实时数据采集，并计算故障变量对应的故障信噪比SNR_SPE和以及主元数K_SPE和

步骤5-1：风机主控系统运行过程中，数据采集设备实时对风机主控系统运行过程n个主控系统变量进行s次周期性采样，获得实时采样矩阵data(s,n)；

步骤5-2：对实时采样矩阵data(s,n)进行归一化处理，得到矩阵data′(s,n)；

步骤5-3：根据data′(s,n)以及故障变量，计算该故障变量对应的故障信噪比SNR_SPE和并确定主元数K_SPE和本实施方式中，以26号变量(F1：高速轴和发电机的角速度)为故障变量。

步骤5-3-1：根据data′(s,n)以及故障变量，计算统计量SPE的故障信噪比：

其中，SPE_α为SPE控制限，ξ为传感器方向，若第i个主控系统变量为可能造成故障的主控系统变量，故障方向向量的第i个元素为1，其他元素为0，即ξ＝[0…0,1,0…0]^T，根据直方图显示的故障信噪比值，选择最大值即SPE统计量监视灵敏度最高时的值作为主元数K_SPE，本实施方式中，如图8(a)所示，K_SPE＝7。

步骤5-3-2：计算统计量T²的故障信噪比：

其中，为T²控制限，根据直方图显示的故障信噪比值，选择最大值即T²统计量监视灵敏度最高时的值作为主元数本实施方式中，如图8(b)所示，

步骤6：分别以K_SPE和为主元数计算实时数据的SPE统计量和T²统计量，计算公式分别为：

SPE～||(I-P_speP_spe ^T)data||²

其中

步骤7：比较SPE统计量和T²统计量是否都位于各自的控制限以内，是，风机主控系统运行过程正常，否则，将该故障变量对应的传感器作为该时段内故障传感器，并确定故障发生的时间为T，如图9所示，故障变量26(F1：高速轴和发电机的角速度)对应的SPE统计量和T²统计量均未在各自控制限内，即故障F1发生；

步骤8：依次对各故障变量执行步骤4到步骤6，得到所有故障传感器及故障发生时间T，本实施方式中，2号变量(F2：低速轴应变计角速度)的故障信噪比和统计量分别如图10和图11所示，28号变量(F3：叶片2桨矩角)的故障信噪比和统计量分别如图12和图13所示，得到故障F2在该时间段内发生，F3不发生。

Claims (6)

1.基于数据驱动的风机主控系统故障诊断和在线监测方法，其特征在于，包括如下步骤：

步骤1：风机主控系统正常运行时，对风机主控系统中各主控系统变量进行周期性采样，并对采样数据进行数据处理后计算T²控制限和SPE控制限；

步骤2：风机主控系统运行故障时，对风机主控系统中各主控系统变量进行周期性采样，并对采集的故障数据进行数据处理后计算SPE统计量和T²统计量；

步骤3：根据SPE统计量和T²统计量与T²控制限和SPE控制限的关系确定风机主控系统故障发生时间T；

步骤4：计算故障发生时间T时采集的故障数据中各主控系统变量贡献率，并确定可能造成故障的主控系统变量即故障变量；

步骤5：风机运行过程中，对风机主控系统中各主控系统变量进行实时数据采集，计算采集的实时数据中故障变量对应的SPE信噪比和T²信噪比以及主元数K_SPE和主元数K_T2；

步骤6：分别根据主元数K_SPE和主元数K_T2计算实时数据的SPE统计量和T²统计量；

步骤7：判断实时数据的SPE统计量和T²统计量是否都位于T²控制限和SPE控制限内，是，风机主控系统运行过程正常，否则，将故障变量对应的传感器作为故障传感器，并记录故障发生的时间；

步骤8：依次对各故障变量执行步骤4到步骤6，得到所有故障传感器及对应的故障发生时间。

2.根据权利要求1所述的基于数据驱动的风机主控系统故障诊断和在线监测方法，其特征在于，所述步骤1具体包括：

步骤1-1：风机主控系统正常运行时，数据采集设备对风机主控系统运行过程n个主控系统变量进行周期性采样，采样m次，得到正常采样矩阵X_(m,n)；

步骤1-2：对正常采样矩阵X_(m,n)进行归一化处理，得到矩阵X′_(m,n)；

步骤1-3：计算矩阵X′_(m,n)的协方差阵和主元个数，并对矩阵X′_(m,n)进行PCA分解，计算矩阵X′_(m,n)的T²控制限和SPE控制限。

3.根据权利要求1所述的基于数据驱动的风机主控系统故障诊断和在线监测方法，其特征在于，所述步骤2具体包括：

步骤2-1：风机主控系统运行过程发生故障时，数据采集设备对风机主控系统运行过程n个主控系统变量进行周期性采样，采样t次，得到故障采样矩阵x_(t,n)；

步骤2-2：对故障采样矩阵x_(t,n)进行归一化处理，得到矩阵x′_(t,n)；

步骤2-3：对矩阵x′_(t,n)进行PCA分解，并计算矩阵x′_(t,n)的SPE统计量和T²统计量。

4.根据权利要求1所述的基于数据驱动的风机主控系统故障诊断和在线监测方法，其特征在于，所述步骤4具体包括：

步骤4-1：依次计算故障发生时间T时采样数据各主控系统变量对统计量SPE的贡献值；

步骤4-2：依次计算故障发生时间T时采样数据各主控系统变量对统计量T²的贡献值；

步骤4-3：贡献值较大的主控系统变量被认为是可能造成故障的主控系统变量即故障变量，该主控系统变量对应的传感器为可能造成故障的传感器。

5.根据权利要求1所述的基于数据驱动的风机主控系统故障诊断和在线监测方法，其特征在于，所述步骤5具体包括：

步骤5-1：风机主控系统运行过程中，数据采集设备实时对风机主控系统运行过程n个主控系统变量进行周期性采样，采样s次，得到实时采样矩阵data(s,n)；

步骤5-2：对实时采样矩阵data(s,n)进行归一化处理，得到矩阵data′(s,n)；

步骤5-3：根据data′(s,n)以及故障变量，计算该故障变量对应的信噪比SNR_SPE和信噪比并根据信噪比直方图确定主元数K_SPE和

6.根据权利要求2所述的基于数据驱动的风机主控系统故障诊断和在线监测方法，其特征在于，所述步骤1-3具体包括：

步骤1-3-1：计算矩阵X′_(m,n)的协方差矩阵COV(X′_(m,n))：

步骤1-3-2：计算累计方差贡献率CPV，得到使CPV≥90％的k即为主元个数；

步骤1-3-3：将矩阵X′_(m,n)进行PCA分解为：X′_(m,n)＝TP^T+E，其中，T为主元得分矩阵，T的各列为主元变量；

步骤1-3-4：计算一定置信度下SPE控制限和T²控制限。