CN102944418A - 一种风电机组叶片故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于小波变换和模糊支持向量机（FSVM）的风电机组叶片故障诊断方法，其步骤为：通过安装在风电机组主轴座垂直方向的加速度传感器测量振动信号；利用小波分解提取故障特征信息，然后归一化处理提取故障特征向量，最后将测量得到的故障特征向量输入经优化和训练好的模糊支持向量进行风电机组叶片故障诊断。本发明简单易行、精确度高，诊断成本较低，是一种能够有效提高风电机组叶片安全和可靠性的方法。

Description

一种风电机组叶片故障诊断方法

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；

2、通过归一化处理来提取故障特征向量，消除了原特征信息因数值差异太大而带来的影响，有效地实现了特征向量的提取；

3、采用模糊支持向量机进行故障分类，可以有效地减少模糊信息对支持向量机分类效果的影响，提高了支持向量机的分类精度；

4、模糊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；

5、利用粒子群算法优化模糊支持向量机可以很好地提高分类器的训练速度和分类精度；

6、本发明采用组合多个二类模糊支持向量机构成多类分类器，可以有效地解决多类故障的诊断和定位。

附图说明

图1为本发明中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方框图。

图2为本发明中小波分解方框图。

图3为本发明中基于小波分解的故障特征向量提取的方框图。

图4为本发明中采用模糊核聚类算法进行聚类的方框图。

图5为本发明中采用粒子群算法优化模糊支持向量机的方框图。

图6为本发明中采用的组合多个二类模糊支持向量机构成多类分类器的方框图。

具体实施方式

下面结合附图对本发明作进一步的说明。

图1为本发明中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方框图，其具体内容如下：通过安装在风电机组主轴座上垂直方向的加速度传感器测量振动信号；利用小波分解提取故障特征信息，然后归一化处理提取故障特征向量；最后将实测的故障特征向量输入训练好的模糊支持向量进行风电机组叶片故障类型的判断，具体的诊断过程如下：

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S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E，分为训练样本和测试样本。

上述步骤中将采集的振动信号进行小波分解是采用基于多分辨率分析的二进制离散小波变换Mallat算法，利用正交小波基将振动信号分解为不同尺度的各个分量，原始信号依次通过小波分解得到不同尺度下的低频信号和高频信号，依次类推，可以得到经过N层小波分解后的低频信号和高频信号，如图2所示。分解后的小波系数序列的采样点能量即为故障特征信息。

图3为基于小波分解的故障特征向量提取的方框图，其步骤为：

步骤1：对振动信号序列进行N层正交小波分解并进行单支重构，得到第1层到第N层共N个高频小波重构序列{d₁,d₂,…d_N}和第N层低频小波重构序列a_N。

步骤2：求出各层高频小波重构序列和第N层低频小波重构序列的能量。

设

为小波重构序列d_j的能量，则

j＝1,2,…N，其中为第j层高频小波重构序列的第k个分量；n为序列d_j中分量的个数。

用

表示第N层低频小波重构序列a_N的能量，则

其中

为第N层低频小波重构序列的第k个分量。

步骤3：特征向量的构造：当风电机组的叶片发生故障，会对各频带内的采用点能量有较大的影响，故以能量为元素构造特征向量E，E的构造如下：

设对样本进行N层小波分解的各频段的能量值为

将该向量进行归处一化理即可得到特征向量为

$E=(E_0^{*}/\mathrm{\Σ},E_1^{*}/\mathrm{\Σ},E_2^{*}/\mathrm{\Σ},\·\·\·{,E}_N^{*}/\mathrm{\Σ})=(E_0,E_1,E_2,\·\·\·,E_N)---\left(1\right)$

式中： $\mathrm{\Σ}=E_0^{*}+E_1^{*}+E_2^{*}+\·\·\·E_N^{*}.$

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类故障的模糊隶属度。

在本发明中模糊核聚类算法中的核函数采用高斯核，该算法流程如图4所示，具体步骤为：

步骤1：设定聚类数c，模糊度m，高斯核参数δ，停止迭代阈值ε，初始化聚类中心

i＝1,2,…,c；

步骤2：根据式（2）计算隶属度

$u_{\mathrm{ik}}=\frac{{(1/d^2(x_k,v_i))}^{1/m-1}}{\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{(1/d^2(x_k,v_i))}^{1/m-1}}---\left(2\right)$

式中：x_k(k＝1,2,…,n)表示第k个训练样本；d(x_k,v_i)²＝K(x_k,x_k)+K(v_i,v_i)-2K(x_k,v_i)，K(·)是核函数。

根据式（3）计算聚类中心矢量

$v_i=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left(u_{\mathrm{ik}}\right)}^m{X}_k}{\underset{k=1}{\overset{c}{\mathrm{\Σ}}}{\left(u_{\mathrm{ik}}\right)}^m}---\left(3\right)$

步骤3：若

停止迭代，否则转到步骤2。

步骤4：获得模糊隶属度，用于模糊支持向量机的训练。

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，其方框图如图5所示。

用X_i＝(X_i1,X_i2)表示一组参数，向量X中的两个参数分别表示为表示模糊支持向量的惩罚参数和高斯核函数的参数。具体步骤如下：

步骤1：样本的处理。

步骤2：参数的优化。

①初始化粒子群及每个粒子的初始速度；

②根据式（4）计算每个粒子的适应度；

每个粒子的适应度根据m-折交叉验证算法来定义，将平均分类准确率定义为适应度函数，其公式为

$\mathrm{Fitness}=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(\frac{l_i^T}{l_i}\×100\%)---\left(4\right)$

对于m-折交叉验证算法，它首先把训练样本随机地分成m个互不相交的子集，然后进行m次训练与测试，即对i＝1,…,m进行m次迭代。第i次迭代的做法是：选择l_i为测试集，其余的l₁,…,l_i-1，l_i+1，…,l_m的和集为算法中使用的训练集，算法根据这个训练集求出决策函数后，对测试集l_i进行测试，得到正确分类的训练点的个数为

m次迭代完成后，便得到了

③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：

当P_present＞P_best时，则P_best＝P_present，P_best＝X_i，否则P_best不变；当P_present＞g_best时，则g_best＝P_present，g_best＝X_i，否则g_best不变；其中，P_present为当前粒子的适应度，P_best为粒子的个体极值，g_best为全局最优值。

④更新每个粒子的位置和速度：根据式（5）和式（6）更新每个粒子的速度和位置，并且考虑更新后的粒子的速度和位置是的范围，具体内容如下：

V_id(t+1)＝ωV_id(t)+η₁rand()×(p_id-X_id(t))+η₂rand()×(P_gd-X_id(t))   （5）

X_id(t+1)＝X_id(t)+V_id(t+1)   （6）式中：V_id(t+1)表示第i个粒子在t+1次迭代中第d维上的速度；ω为惯量权重；η₁，η₂为加速度常数；rand（）为0到1之间的随机数。

对于速度：当V_id(t+1)＞V_max时，有V_id(t+1)＝V_max；当V_id(t+1)＜-V_max时，有V_id(t+1)＝-V_max；否则V_id(t+1)不变。

对于位置：当X_id(t+1)＞X_max时，有X_id(t+1)＝X_max；当X_id(t+1)＜X_min时，有X_id(t+1)＝X_min；否则X_id(t+1)不变。

其中，V_max、X_max和X_min都是常数，可以根据需要设定。

⑤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；否则返回步骤2中的②，算法继续迭代。

⑥选择最优的参数。

步骤3：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，提取故障特征向量，将其输入训练好的模糊支持向量机，根据其输出情况来判断风电机组叶片的故障类型，具体内容如下：

假设训练样本集为(x_i,y₁,u₁)…(x_i,y_i,u_i)，i＝1,2,…n。其中x_i∈R^l为样本输入，l为输入空间的维数；y_i∈{-1，1}为样本输出；0≤u_i≤1为模糊隶属度，根据模糊核聚类算法得到。

假设

是将原始空间映射到高维特征空间的非线性映射。在特征空间中利用结构风险最小化原理和分类间隔最大化思想，求最优分类超平面问题转化为下面的最优化问题

$\mathrm{Subjectto}\begin{array}{c}{y}_i[(\mathrm{\ω}\·x_i)+b]\≥1-{\mathrm{\ϵ}}_i\\ {\mathrm{\ϵ}}_i\≥0,i=\mathrm{1,2},\·\·\·n\end{array}---\left(7\right)$

式中：ω,b分别是分类超平面的权值和偏置；ε_i是非负松弛变量；C＞0是惩罚系数，保持分类最大间隔和分类误差之间的平衡。模糊隶属度u_i是训练样本x_i在分类中属于某一类的程度。

为求解上述约束最优化问题，引入Lagrange函数

$L=\frac{1}{2}{\left|\right|\mathrm{\ω}\left|\right|}^2+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_i{\mathrm{\ϵ}}_i-\underset{i=}{\overset{n}{\mathrm{\Σ}}}{a}_i[y_i(x_i\·\mathrm{\ω}+b)-1+{\mathrm{\ϵ}}_i]-{\mathrm{\β}}_i{\mathrm{\ϵ}}_i---\left(8\right)$

式中：a_i≥0,β_i≥0是Lagrange系数。将L分别对ω、b、ε_i求偏微并令其等于0，就可以把最优化问题（7）转化为等价的对偶规划问题

$\mathrm{MaximizeW}\left(\mathrm{\α}\right)=\underset{i=}{\overset{n}{\mathrm{\Σ}}}{a}_i-\frac{1}{2}\underset{i=}{\overset{n}{\mathrm{\Σ}}}\underset{j}{\overset{n}{\mathrm{\Σ}}}{a}_i{a}_j{y}_i{y}_{j}K(x_i,x_j)$

$\mathrm{Subjectto}\begin{array}{c}\underset{i}{\overset{n}{\mathrm{\Σ}}}{a}_i{y}_i=0\\ 0\≤a_i\≤u_{i}C,i=\mathrm{1,2},\·\·\·,n\end{array}---\left(9\right)$

式中：

是核函数。

通过求解最优化问题，得到最优决策函数为

$f\left(x\right)=\mathrm{sgn}(({\mathrm{\ω}}^{*}\·x)+b^{*})=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{a}_i^{*}K(x_i\·x)+b^{*})---\left(10\right)$

式中：

ω^*和b^*是优化问题的最优解。

上述介绍的模糊支持向量机针对的是二类分类问题，对于多类的分类问题，本发明采用改进的一对多的分类算法来实现多类故障诊断。构造N-1个分类器可以诊断N类故障，构造N类故障类型的分类器中的第i个分类器时，将属于第i类的FSVM的故障训练样本作为一类，类别标号由原来的i改为1，将除去属于第i类故障的其余所有训练样本作为一类，类别标号为-1，其诊断框图如图6所示。决策函数为：

f_l(x)＝sgn(ω_l·x+b_l)   (11)式中：ω_l和b_l是第l个分类器的参数。

将实测振动信号进行小波分解，提取故障特征向量，将其输入构造好的分类器，根据图6的多故障分类流程图和决策函数式(11)的输出情况来判断风电机组叶片的故障类型。

Claims (2)

1.一种风电机组叶片故障诊断方法，其特征在于，通过安装在风电机组主轴座上垂直方向的加速度传感器测量振动信号，利用小波分解提取故障特征信息，然后归一化处理提取故障特征向量，最后将测量得到的故障特征向量输入经过优化和训练好的模糊支持向量进行风电机组叶片故障诊断，具体步骤如下：

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模糊隶属度，作为训练模糊支持向量机中使用的模糊隶属度；

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，根据其输出情况来判断故障类型。

2.根据权利要求1所述的风电机组叶片的故障诊断方法，其特征在于，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。

Images