CN103033359B - 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 - Google Patents

Abstract

本发明公开了一种多特征多级综合评判的风电机组主传动装置故障诊断方法，对于被测的风电机组只需要通过一次历史数据的采集获得传感器和特征值两级评判模型，在风电机组运行时，就可以采集齿轮箱实时运行数据，对于某部件的某故障，调用相应的数字信号处理算法对所采集的数据进行处理，提取其典型特征值并经模糊化之后作为传感器和特征值两级评判模型的输入参数，模型最终评判结果向量即该部件出现该故障概率，循环执行上述步骤即可得到整机各部件发生故障的概率。本发明实现了对不同类型风电机组齿轮箱的实时在线状态监控与故障诊断，诊断方式简单、快捷、稳健并具有很强的容错性。

Description

一种多特征多级综合评判的风电机组主传动装置故障诊断方法

技术领域

本发明属于故障诊断方法技术领域，涉及一种多特征多级综合评判的风电机组主传动装置故障诊断方法。

背景技术

风电机组的造价一般成本较高，因此机组一旦出现故障，其维修费用和停机维护期间的经济损失往往很高。为了避免故障重大故障引起的巨大经济损失，必须对机组进行实时监控与适时维修。目前，风力发电机普遍采取计划维修与事后维修的方式。计划维修是在机组运行2500h和5000h后进行例行的维护，事后维修是在机组出现明显的故障甚至停机后，才对机组进行维修或更换部件的操作。由于维修方式的固定与滞后，并且事前准备不足，常常会造成维修工作时间漫长和经济损失重大。因此，如何全面、及时地了解机组运行状态，及时预测到有可能出现的故障并采取维修措施，成为了风电产业亟待解决的问题。

风电机组主传动装置齿轮箱的状态监测与故障诊断技术是一门多学科综合技术，涉及动态信息处理、计算机、人工智能等众多领域的知识。国内外对齿轮箱状态监测与故障诊断技术的研究取得了一定的成效，并不断将新的理论应用于实际诊断中。目前齿轮箱故障诊断研究主要集中在振动信号处理与分析、故障机理研究、典型故障特征的提取、诊断方法研究和人工智能的应用等几个方面。

基于模糊理论的故障诊断技术以计算智能技术为支持、以知识为基础、信息处理为核心代替了传统的以数据建模为核心的诊断。基于模糊理论的故障诊断方法已在许多领域得到应用,如汽车故障诊断，机械工程的故障诊断,流程工业的故障诊断等。

发明内容

本发明解决的问题在于提供一种多特征多级综合评判的风电机组主传动装置故障诊断方法，实现对不同类型风电机组齿轮箱的实时在线状态监控与故障诊断。

本发明是通过以下技术方案来实现：

一种多特征多级综合评判的风电机组主传动装置故障诊断方法，包括以下步骤：

1）收集风电机组机型数据和维护记录，确定目标齿轮箱的易损部件数目m和每个部件的常见故障种类n_i，i＝1...m；并将各部件的故障程度分级，建立评判集V；

2）收集风电机组齿轮箱的历史运行数据，包括齿轮箱正常运行数据与故障数据；

3）对于齿轮箱的第i个部件的第j种故障，根据已有经验选择对当前故障诊断最有贡献的几路传感器信号及特征值，并选用相应的数字信号处理算法对选定的传感器的历史运行数据提取相应的特征值；

4）对所选定的传感器的特征值进行模糊化处理，并将得到的模糊化特征值矩阵作为输入，其对应的输出为当时该部件发生该故障的概率；将所得的输入和输出按照输入-输出对模式组织成故障诊断样本集；

5）构建传感器和特征值两级评判模型：

特征值级评判：B_i=A_iοR_i；其中，A_i为第i路传感器的K_i个特征值的权重向量，R_i为第i路传感器的模糊化特征值矩阵，B_i为第i路传感器评判结果向量；

传感器级评判：S＝AοR，其中

A为各传感器的权重向量，模糊算子ο为加权平均型算子权重向量A和A_i(i＝1...n)的初始值通过层次分析权重法计算；

6）将步骤4）所得的模糊化特征值矩阵输入步骤5）的评判模型，利用输出结果与故障诊断样本集中的输出结果的差值，对权重向量A和A_i(i＝1...n)进行调整；调整完成后，将其保存为第i个部件的第j种故障的权重矩阵；

7）重复步骤3）～6），获得所有部件所有故障的权重矩阵，得到风电机组主传动装置的传感器和特征值两级评判模型；

8）从风电机组主传动装置的实时运行数据中得到齿轮箱的第i个部件的第j种故障所对应的传感器信号，提取其相应的特征值并进行模糊化处理；将得到的模糊化特征值矩阵输入到传感器和特征值两级评判模型中，输出当前风电机组主传动装置第i个部件出现第j种故障的概率。

所述重复步骤8）对于同一部件的其他故障，以及不同部件的故障进行诊断，完成后终获得风电机组主传动装置整机的故障诊断结果。

所述风电机组齿轮箱的历史运行数据、实时数据均由分别安装在主轴前轴承垂直方向、主轴前轴承水平方向、齿轮箱输入端垂直方向、齿轮箱齿圈垂直方向、齿轮箱低速端垂直方向、齿轮箱高速端垂直方向、发电机前轴承垂直方向和发电机后轴承垂直方向的八个振动传感器和一个安装在主桨轴叶端的转速传感器采集得到。

所述特征值提取时所用的数字信号处理算法包括：时域统计指标计算、波形指标计算、信号相关分析、FFT、倒频谱、包络谱分析、小波分解、小波包分解和经验模式分解，根据诊断部位和具体故障类型来进行选择。

所述将各部件的故障程度定为正常、轻微、中等、较重和严重五个等级，建立评判集V={正常,轻微,中等,较重,严重}。

所述模糊化处理是采用五段化的隶属度函数进行处理，所述的五段化为正常、轻微、中等、较重和严重五段，正常和严重采用单调形隶属度函数表征，轻微、中等和严重采用三角形隶属度函数表征；将历史数据提取的特征值使用聚类算法聚类为5簇，得到的5个聚类中心作为隶属度函数的参数a、b、c、d、e。

所述的隶属度函数如图2所示。

所述的加权平均型算子的计算方法为：

对于X=YοZ有 $x_k=\min \{1,\underset{j}{\mathrm{\Σ}}{y}_j\·z_{\mathrm{jk}}\}.$

与现有技术相比，本发明具有以下有益的技术效果：

本发明提供的多特征多级综合评判的风电机组主传动装置故障诊断方法，对于被测的风电机组只需要通过一次历史数据的采集获得传感器和特征值两级评判模型，在风电机组运行时，就可以采集齿轮箱实时运行数据，对于某部件的某故障，调用相应的数字信号处理算法对所采集的数据进行处理，提取其典型特征值并经模糊化之后作为传感器和特征值两级评判模型的输入参数，模型最终评判结果向量即该部件出现该故障概率，循环执行上述步骤即可得到整机各部件发生故障的概率。

本发明提供的多特征多级综合评判的风电机组主传动装置故障诊断方法，以8路振动信号和1路转速信号为输入信号，再根据具体诊断内容（诊断对象以及故障类型等）和诊断知识库，从多路振动信号中选择与诊断对象相关的振动信号，同时从数字信号处理算法库中选择适用于诊断该故障的典型特征提取算法，从而计算出振动信号的特征数据，经过模糊化之后用做两级综合评判的输入。最后，经过对模糊特征值矩阵的两级评判，得出诊断对象发生该故障的概率。诊断方式简单、快捷、稳健并具有很强的容错性。

本发明提供的多特征多级综合评判的风电机组主传动装置故障诊断方法，实现了对齿轮箱内各个部件进行故障诊断的功能，并具有扩展性，可以针对不同的齿轮箱，不同的部件进行不同的设置。

本发明提供的多特征多级综合评判的风电机组主传动装置故障诊断方法，对于主轴前轴承保持架磨损故障，其诊断正确率达到87%，对于高速轴齿轮的诊断正确率也达到了83%。

附图说明

图1是本发明的传感器和特征值两级评判模型构建流程示意图。

图2是本发明的模糊化函数示意图，其中横坐标为特征值的幅值，纵坐标为隶属度，a、b、c、d、e由历史数据统计得出。

图3是本发明的风电机组主传动装置故障诊断流程示意图。

具体实施方式

本发明提供的方法，通过收集风电机组齿轮箱的历史运行数据，对数据进行数字信号处理提取特征信息，制作成故障诊断样本库。然后进行两级评判设计，利用层次分析权重法计算权重向量，并根据样本诊断结果进行调整，得到满足精度要求的权重向量，这些信息便构成了风电机组齿轮箱故障诊断模型。应用时，在线实时读取风电机组齿轮箱的最新运行振动数据，将这些数据输入风电机组故障诊断模型，模型调用所保存的两级评判模型的权重向量信息，通过模糊计算得到评判结果，即齿轮箱各部件故障概率，从而判定齿轮箱各个部件的运行状态和故障情况，实现对齿轮箱状态的在线实时监控与故障诊断分析。下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

参见图1～图3，一种多特征多级综合评判的风电机组主传动装置故障诊断方法，包括以下步骤：

1）收集风电机组机型数据和维护记录，确定目标齿轮箱的易损部件数目m和每个部件的常见故障种类n_i，i＝1...m；并将各部件的故障程度分级，建立评判集V；

具体的，风电机组齿轮箱的历史运行数据、实时数据均由分别安装在主轴前轴承垂直方向、主轴前轴承水平方向、齿轮箱输入端垂直方向、齿轮箱齿圈垂直方向、齿轮箱低速端垂直方向、齿轮箱高速端垂直方向、发电机前轴承垂直方向和发电机后轴承垂直方向的八个振动传感器和一个安装在主桨轴叶端的转速传感器采集得到；

而故障程度分级可根据需要来调整，比如将各部件的故障程度定为正常、轻微、中等、较重和严重五个等级，建立评判集V={正常,轻微,中等,较重,严重}。

2）收集风电机组齿轮箱的历史运行数据，包括齿轮箱正常运行数据与故障数据；

3）对于齿轮箱的第i个部件的第j种故障，根据已有经验（专家经验）选择对当前故障诊断最有贡献的几路传感器信号及特征值，并选用相应的数字信号处理算法对选定的传感器的历史运行数据提取相应的特征值；

特征值提取时所用的数字信号处理算法包括：时域统计指标计算、波形指标计算、信号相关分析、FFT、倒频谱、包络谱分析、小波分解、小波包分解和经验模式分解，根据诊断部位和具体故障类型来进行选择；

4）对所选定的传感器的特征值进行模糊化处理，并将得到的模糊化特征值矩阵作为输入，其对应的输出为当时该部件发生该故障的概率；将所得的输入和输出按照输入-输出对模式组织成故障诊断样本集（样本的格式为：每一条数据按输入-输出对模式进行组织）；

具体的，模糊化处理是采用五段化的隶属度函数进行处理（参见图2所示的隶属度函数），所述的五段化为正常、轻微、中等、较重和严重五段，正常和严重采用单调形隶属度函数表征，轻微、中等和严重采用三角形隶属度函数表征；将历史数据提取的特征值使用聚类算法聚类为5簇，得到的5个聚类中心作为隶属度函数的参数a、b、c、d、e。

5）根据特征值与所属传感器本质上的隶属关系，可以划分出传感器和特征值两个级别的评判模型。构建传感器和特征值两级评判模型：

特征值级评判：B_i=A_iοR_i；其中，A_i为第i路传感器的K_i个特征值的权重向量，R_i为第i路传感器的模糊化特征值矩阵，B_i为第i路传感器评判结果向量；

传感器级评判：S＝AοR，其中

A为各传感器的权重向量，模糊算子ο为加权平均型算子权重向量A和A_i(i＝1...n)的初始值通过层次分析权重法计算：

请专家按重要性1～9的比例度，两两之间比较哪个传感器更重要，并为之打分，从而得到一个n*n的比较判断矩阵，其中n为当前部件当前故障所需要的传感器数目。（若传感器i比j重要，则根据重要性为a_ij赋值，同样重要=1、稍微重要=3、明显重要=5、强烈重要=7、绝对重要=9，2、4、6、8为上述相邻判断的中值，且规定若i和j相比得到a_ij,则j和i相比得到1/a_ij）。对比较判断矩阵进行列归一化得矩阵然后再按行求平均数得到归一化后得到W′即是所求的传感器的权重向量A。特征值权重向量A_i(i=1...n)的确定方式以此类推；

加权平均型算子的计算方法为：

对于X=YοZ有 $x_k=\min \{1,\underset{j}{\mathrm{\Σ}}{y}_j\·z_{\mathrm{jk}}\};$

6）将步骤4）所得的模糊化特征值矩阵输入步骤5）的评判模型，利用输出结果与故障诊断样本集中的输出结果的差值，对权重向量A和A_i(i＝1...n)进行调整；

调整过程为：根据诊断指标判断权重向量是否合适，如果不合适则重新调整权重向量，诊断指标为诊断正确率，目标范围是97%～100%，将最后得到的权重向量进行保存；

调整完成后，将其保存为第i个部件的第j种故障的权重矩阵；

7）重复步骤3）～6），获得所有部件所有故障的权重矩阵，得到风电机组主传动装置的传感器和特征值两级评判模型；

8）从风电机组主传动装置的实时运行数据中得到齿轮箱的第i个部件的第j种故障所对应的传感器信号，提取其相应的特征值并进行模糊化处理；将得到的模糊化特征值矩阵输入到传感器和特征值两级评判模型中，输出当前风电机组主传动装置第i个部件出现第j种故障的概率。

所述重复步骤8）对于同一部件的其他故障，以及不同部件的故障进行诊断，完成后终获得风电机组主传动装置整机的故障诊断结果。

具体的，对于主轴前轴承保持架磨损故障，针对该零件和传感器的相对位置，选择主轴前轴承垂直方向、主轴前轴承水平方向和齿轮箱输入端垂直方向这3路传感器。此例中，三路信号均使用轴承转频的1倍频、2倍频、3倍频、1/2倍频、1/3倍频共5个特征频率的幅值作为特征值。

利用上述方法，下面具体给出主轴前轴承保持架磨损故障时的传感器和特征选择：

当对于主轴前轴承保持架磨损故障进行诊断时，针对该零件和传感器的相对位置，选择主轴前轴承垂直方向、主轴前轴承水平方向和齿轮箱输入端垂直方向这3路传感器。其中，三路传感器均使用轴承转频的1倍频、2倍频、3倍频、1/2倍频、1/3倍频共5个特征频率的幅值作为特征值。

假设三路传感器的权重矩阵A=[0.40.40.2]，相应的三个特征值权重矩阵A₁=[0.250.120.130.30.2],A₂=[0.250.120.130.30.2]，A₃=[0.150.10.30.20.25]。

对各个信号进行包络谱解调即可得到各个特征频率处的幅值信息，然后进行模糊化得到三个模糊化特征值矩阵：

$R_1=\left[\begin{array}{ccccc}0.75& 0.25& 0& 0& 0\\ 0& 0.63& 0.37& 0& 0\\ 0.54& 0.46& 0& 0& 0\\ 0& 0& 0.34& 0.66& 0\\ 0& 0& 0& 0.8& 0.2\end{array}\right]$ $R_2=\left[\begin{array}{ccccc}0.67& 0.33& 0& 0& 0\\ 0& 0.65& 0.35& 0& 0\\ 0.5& 0.5& 0& 0& 0\\ 0& 0& 0.62& 0.38& 0\\ 0& 0& 0& 0.75& 0.2\end{array}\right]$

$R_3=\left[\begin{array}{ccccc}0& 0.43& 0.57& 0& 0\\ 0.55& 0.45& 0& 0& 0\\ 0& 0.52& 0.48& 0& 0\\ 0& 0& 0& 0.34& 0.66\\ 0& 0& 0& 0.69& 0.31\end{array}\right]$

则可以得到特征值级评判结果：

B₁=A₁οR₁=[0.25770.19790.14640.35800.0400]

B₂=A₂οR₂=[0.23250.22550.22800.26400.0500]

B₃=A₃οR₃=[0.05500.26550.22950.24050.2095]

传感器级评判结果：

S=AοR=[0.20710.22250.19570.29690.0779]

该结果表示齿轮箱主轴前轴承保持架的磨损程度的诊断结果为正常、轻微、中等、较重、严重的概率分别为20.71%、22.25%、19.57%、29.69%和7.79%。

若使用最大隶属度法确定该轴承保持架的磨损程度故障，则该保持架磨损故障评判结果为较重。

Claims (3)

1.一种多特征多级综合评判的风电机组主传动装置故障诊断方法，其特征在于，包括以下步骤：

1)收集风电机组机型数据和维护记录，确定目标齿轮箱的易损部件数目m和每个部件的常见故障种类n_i，i＝1...m；并将各部件的故障程度分级，建立评判集V；

2)收集风电机组齿轮箱的历史运行数据，包括齿轮箱正常运行数据与故障数据；

3)对于齿轮箱的第i个部件的第j种故障，根据已有经验选择对当前故障诊断最有贡献的几路传感器信号及特征值，并选用相应的数字信号处理算法对选定的传感器的历史运行数据提取相应的特征值；

4)对所选定的传感器的特征值进行模糊化处理，并将得到的模糊化特征值矩阵作为输入，其对应的输出为当时该部件发生该故障的概率；将所得的输入和输出按照输入-输出对模式组织成故障诊断样本集；

5)构建传感器和特征值两级评判模型：

特征值级评判：B_i＝A_iоR_i；其中，A_i为第i路传感器的K_i个特征值的权重向量，R_i为第i路传感器的模糊化特征值矩阵，B_i为第i路传感器评判结果向量；

传感器级评判：S＝AоR，其中

A为各传感器的权重向量，模糊算子ο为加权平均型算子权重向量A和A_i(i＝1...n)的初始值通过层次分析权重法计算；

6)将步骤4)所得的模糊化特征值矩阵输入步骤5)的评判模型，利用输出结果与故障诊断样本集中的输出结果的差值，对权重向量A和A_i(i＝1...n)进行调整；调整完成后，将其保存为第i个部件的第j种故障的权重矩阵；

7)重复步骤3)～6)，获得所有部件所有故障的权重矩阵，得到风电机组主传动装置的传感器和特征值两级评判模型；

8)从风电机组主传动装置的实时运行数据中得到齿轮箱的第i个部件的第j种故障所对应的传感器信号，提取其相应的特征值并进行模糊化处理；将得到的模糊化特征值矩阵输入到传感器和特征值两级评判模型中，输出当前风电机组主传动装置第i个部件出现第j种故障的概率；

风电机组齿轮箱的历史运行数据、实时数据均由分别安装在主轴前轴承垂直方向、主轴前轴承水平方向、齿轮箱输入端垂直方向、齿轮箱齿圈垂直方向、齿轮箱低速端垂直方向、齿轮箱高速端垂直方向、发电机前轴承垂直方向和发电机后轴承垂直方向的八个振动传感器和一个安装在主桨轴叶端的转速传感器采集得到；

将各部件的故障程度定为正常、轻微、中等、较重和严重五个等级，建立评判集V＝{正常,轻微,中等,较重,严重}；

模糊化处理是采用五段化的隶属度函数进行处理，所述的五段化为正常、轻微、中等、较重和严重五段，正常和严重采用单调形隶属度函数表征，轻微、中等和严重采用三角形隶属度函数表征；将历史数据提取的特征值使用聚类算法聚类为5簇，得到的5个聚类中心作为隶属度函数的参数a、b、c、d、e。

2.如权利要求1所述的多特征多级综合评判的风电机组主传动装置故障诊断方法，其特征在于，重复步骤8)对于同一部件的其他故障，以及不同部件的故障进行诊断，完成后终获得风电机组主传动装置整机的故障诊断结果。

3.如权利要求1所述的多特征多级综合评判的风电机组主传动装置故障诊断方法，其特征在于，特征值提取时所用的数字信号处理算法包括：时域统计指标计算、波形指标计算、信号相关分析、FFT、倒频谱、包络谱分析、小波分解、小波包分解和经验模式分解，根据诊断部位和具体故障类型来进行选择。