CN103852255A - 基于神经网络风力发电机组典型传动故障智能诊断方法 - Google Patents

Abstract

本发明涉及一种基于神经网络风力发电机组典型传动故障智能诊断方法。该方法通过对风力发电机组传动系统状态监控信息进行数据处理及特征提取，基于神经网络聚类技术，根据故障典型特征信息智能实现故障诊断识别，并对故障严重程度进行量化评估，有效的实现了风力发电机组传动系统故障诊断自动化，极大的提升了风电场运营维护效率。

Description

基于神经网络风力发电机组典型传动故障智能诊断方法

技术领域

本发明属于风力发电技术领域，涉及基于神经网络风力发电机组典型传动故障智能诊断方法。

背景技术

风力发电单位发电成本已经基本接近火电发电成本，是目前所有可再生能源中最具商业价值，最具推广现实的能源种类；

风力发电是一种清洁能源，对节能环保有重要的经济社会效益；

风力发电是国家能源领域中长期规划的重点方向，我国现有总装机容量达到7400万千瓦，占总电网装机容量的7％，“十二五”末规划风电总装机容量达到0.98亿千瓦；“十三五”末风电总装机容量达到1.5～2亿千瓦；到2050年，风电总装机容量达到电网总装机容量的17-20%左右；因此风力发电领域拥有广阔且较明朗的前景，由其带动的相关领域产业也必然拥有乐观的市场前景。

目前我国风力发电产业已经完全走出了小规模技术论证阶段，已经进入大规模推广阶段，由于我国风电产业起步较晚，技术积累薄弱，相关配套组件尚不能完全满足风电整机高效安全运行要求，特别是我国风电整机企业绝大部分采用的直接引进国外成套整机设计技术模式进一步导致目前风电整机可靠性无法满足实际运行需求，重大事故频率高发，风机可利用率明显低于国外机组。

随着我国风电产业的迅速发展，由于技术趋势及成本竞争需求，“十一五”期间主流的1.5MW风力发电机组已经不能满足当前风电市场需求，单机容量规模在2MW及以上的风力发电机组已经逐步成为目前国内风电市场的主流机型。随着单机容量的逐步上升，风电整机外形尺寸也迅速增大，整机的载荷水平也迅速攀升，因此对其机械组件的可靠性要求也迅速提高。

在目前风力发电机组机械故障中，传动系统机械故障是故障率最高因素之一，特别是针对双馈异步风力发电机组传动系统的故障已严重影响到风电场运营经济效益，一些早期运行的风电场已出现大批量的齿轮箱故障。

由于我国风电场运营保障水平十分低下，几乎所有的风电场都采用基于故障的维护方式，维护成本居高不下，维护资源利用率严重不足。同时由于针对机组故障特别是机械故障目前通常采用的都是基于故障的维修方式，维护成本极高，同时运营维护资源利用率极低，迫切需要提高运营维护自动化水平。

龙源电力集团股份有限公司所属中能电力公司受国家能源局委托起草制定的《风力发电机组振动状态监测导则》于2011年11月1日在全国风电行业实施。该导则针对通过检测风力发电机组振动信号实现状态监测方法进行了详细的表述，规定所有海上风电机组应选择采用固定安装系统，陆上2MW(及以上)风电机组选择采用固定安装系统，陆上2MW以下风电机组可选择半固定安装系统或便携式系统；导则同时对风电机组振动状态监测系统作出了详细的规定，对风电振动状态监测环节进行统一，可以更精细化的掌握机组的运行状态，合理安排检修时间，减少风电事故。

在现有的风力发电机组监控方法中，振动信号监控是一种相对比较成熟除的监控技术，在国外已经广泛的应用在风电状态监控系统中。现有技术中，基于振动信号监控的风力发电机组状态监控主要通过在风力发电机组机械传动环节及相关部位加装振动传感器，通过采集分析相关组件环节振动信息，利用信号分析处理技术，在上位机监控平台基于人工方式对特征频谱情况进行判断后实现风力发电机组故障智能诊断。

风力发电机组是典型的分布式系统，相对于水电火电机组，其单机容量较小，机组分布范围较广且均为野外环境，同容量电厂发电机组数量远远多于大型火力发电和水力发电。现有风力发电机组状态监控及故障诊断技术中，由于采用人工识别方法，很难实现对于风电场内大量风力发电机组逐一高效故障诊断识别，迫切需要实现基于计算智能的自动故障识别。

发明内容

针对现有风力发电机组状态监控及故障诊断技术中采用人工故障诊断识别方法，难以实现对于风电场内大量分布式风力发电机组逐一高效故障诊断识别，迫切需要实现自动故障识别的技术需求，提出了一种风力发电典型传动故障智能自动识别方法。该方法通过对传动系统状态监控信息进行数据处理及特征提取，基于神经网络聚类技术，根据故障典型特征信息智能实现故障诊断识别，并对故障严重程度进行量化评估，有效的实现了风力发电机组传动系统故障诊断自动化，极大的提升了风电场运营维护效率。

本发明的目的通过以下技术方案来实现：

基于神经网络风力发电机组典型传动故障智能诊断方法，该诊断方法包括如下步骤：

1)对风力发电机组相关组件进行监控得到监控信息，并将监控信息按照监控变量进行分类或依据所选择的监控变量筛选与其对应的监控信息；

2)根据所述监控信息对所述相关组件进行工况识别；

3）根据监控信息与识别的工况，确定相匹配的故障诊断模型；

4）将所述监控信息的数据进行数据处理，转换为便于所述故障诊断模型能够识别的数据；

5）对所述转换后的数据包含的典型特征进行特征提取；

6）对特征提取后的典型特征信息进行特征数据归一化处理；

7）传动故障智能模式识别,将归一处理后的典型特征信息进行故障模式识别；

8）根据典型特征信息评估值信息，衡量故障的严重程度；

9）故障程度归一化处理，得到不同类型的故障相应的归一化评估结果。

所述监控信息包括转速信息、振动信息、温度信息、压力信息、应力信息、载荷信息、音频信息或上述信息中的一种或多种；

所述步骤3中的故障诊断模型包括：

所述步骤4中的数据处理包括对特定频域的信号滤波、数学统计、傅里叶变换或者上述方法中的一种或多种。

对所述转换后的数据所包含的典型特征采用神经网络模型进行故障识别。

所述神经网络模型采用反向传播学习网络或者双层网络结构。

本发明的优点在于：

本发明所述基于神经网络风力发电机组典型传动故障智能诊断方法不仅适用于风力发电传动系统典型故障识别，也适用于具有典型故障模态的其它各种不同场合。基于神经网络风力发电机组典型传动故障智能诊断方法实现了风力发电机组典型传动故障诊断的自动化和智能化，大大地提高了风力发电机组故障诊断的效率，提升了风电场的经济效益。

附图说明

图1基于神经网络风力发电机组典型传动故障智能诊断方法流程示意图。

具体实施方式

如图1所示为基于神经网络风力发电机组典型传动故障智能诊断方法流程示意图，该方法可以在但不仅限于工控机平台、PLC平台、嵌入式系统平台等平台实现。

基于神经网络风力发电机组典型传动故障智能诊断方法可以通过分布式机组本地故障诊断系统实现，也可以通过位于中控室的上位监控系统对风电场内所有风电机组集中进行故障诊断。

该方法主要包括如下几个方面：

1：监测信息对应变量确认，对风力发电机组相关组件进行监控得到监控信息，并将监控信息按照监控变量进行分类或依据所选择的监控变量筛选与其对应的监控信息；

2：监测信息运行工况识别，根据所述监控信息对所述相关组件进行工况识别；

3：传动故障识别模型匹配，根据监控信息与识别的工况，确定相匹配的故障诊断模型；

4：状态监测数据数据处理，将所述监控信息的数据进行数据处理，转换为便于所述故障诊断模型能够识别的数据；

5：状态监测信息特征提取，对所述转换后的数据包含的典型特征进行特征提取；

6：故障模态归一化处理，对特征提取后的数据进行特征数据归一化处理；

7：传动故障智能模式识别；

8：故障程度定量评估计算，根据典型特征信息评估值信息，衡量故障的严重程度；

9：故障程度归一化处理。

下面分别对各个部分进行详细说明。

步骤1：监测信息对应变量确认，主要确认信息包括但不仅限于监控信息传感器来源、监控信息所对应组件、监控信息类型等。所述监控信息包括转速信息、振动信息、温度信息、压力信息、应力信息、载荷信息、音频信息或上述信息中的一种或多种。然后将所有的状态监控信息按照监控变量进行分类或依据所选择的监控变量筛选与其对应的监控信息。例如监测信息对应变量确认可以表述为主传动轴承垂直于传动链方向的低频振动加速度信号监控信息。

步骤2：监测信息运行工况识别，基于相关状态监控信息所识别的当前数据时间段内机组所运行的工况，可以通过对一种或多种监控信息综合分析，识别机组运行的工况。例如，通过风速信息或转速信息识别机组的不同运行工况。

步骤3：传动故障识别模型匹配，根据监控信息与识别的工况，确定相匹配的故障诊断模型。主要功能是根据监控变量的形式要求、监控变量所对应的组件环节和风电机组的实际运行工况，智能的选取与输入信息匹配的故障诊断模型。输入信息为步骤1的监控信息和步骤2的工况识别信息。例如，主传动轴径向低频振动加速度信号在风电机组停机过程中，应选取包含谐振频率改变等故障的诊断模型，而在风电机组满功率发电时，应选取包含主传动轴不平衡、不对中、螺栓松动等故障的诊断模型；在风电机组满功率发电时，主传动轴径向低频振动加速度信号，应选取包含主传动轴不平衡、不对中、螺栓松动等故障的诊断模型，而对于齿轮箱高速轴径向加速度振动信号应选取包含齿轮损伤、轴承损坏等故障的诊断模型。

步骤4：状态监测数据数据处理主要用于将监控信息转化为便于故障识别的其它类型信息。将状态监测信息中的无效数据筛选并进行必要的插值等工作，并基于筛选后的数据完成相关数据处理，数据处理方法包括但不仅限于对特定频域的信号滤波、数学统计、傅里叶变换等相关信号处理方法。步骤4输入信息为相关组件及系统监控信息，步骤4的输出为经过数据处理后的状态监控信息。经过数据处理后的状态监控信息可以表示为包括但不仅限于频谱、载荷谱、统计模型、包络线、瀑布图、线性及非线性模型等。

例如，对于传动系统各关键组件监控的振动、噪声等信息可以采用傅里叶信号分析方法，将时域振动信号转化为频谱信号；对于传动系统各关键组件监控的应力、载荷等信息，可以通过相关统计方法，将时域信息转化为统计分布信息；对于特殊频域段的监控数据进行滤波处理，提取典型频域段的相关时域频域信息等。

步骤5：状态监测信息特征提取实现对模块4数据处理后的信息所包含的典型特征进一步进行特征提取，使其与步骤7所述神经网络模型故障诊断输入的类型一致。例如，当对主轴垂直于传动方向振动监控信息进行傅里叶分析后，可以对其0.5倍转速频率、1倍转速频率、2倍转速频率、3倍转速频率等特征频谱信息进行提取。

步骤6：主要实现对用于故障识别的典型特征信息的归一化处理，故障模态归一化处理主要为了提高神经网络模型诊断准确率，将特征数据归一化处理后使所有诊断模型输入都在一定范围内。优选地故障模态归一化方法可以按照下式进行：

$b_i=\frac{a_i}{\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{a}_i^2}}$

式中，N为正整数；a_i表示第i个特征信息的特征值；b_i表示第i个特征信息归一化后特征值。

步骤7：传动故障智能模式识别主要通过传动故障识别匹配模型信息选择训练好具有智能自动聚类功能的神经网络模型。神经网络模型经过训练后，其本身就具备了任意非线性映射能力，依靠这种固有的任意非线性映射能力，能够自动地将状态监控信息进行智能模态分类。步骤7的输入信息为步骤6输出的根据匹配模型信息对应衡量标准下的归一化故障识别的典型特征信息及传动故障识别匹配模型信息，步骤7的输出信息为状态监控信息所对应的故障模式识别结果，故障模式识别结果包括诊断无故障结论和诊断有故障时相关故障模态信息结论等。

优选地，神经网络模型可以选用反向传播学习网络（BP网络），可以选取为双层网络结构，并采用反向传播学习算法，网络的第一层是用正切S型函数，第二层使用对数S型函数。网络设计可以通过matlab工具包快速实现。

传动故障智能模式识别所采用的神经网络学习训练的原始数据可以通过大量故障诊断经验数据获取，也可以通过针对机理分析人工生成在覆盖全故障范围内的特征故障数据获取。

步骤8：故障程度定量评估计算主要通过典型特征信息评估值信息，衡量故障的严重程度。优选地，故障程度定量评估计算可以按照下式进行：

$F=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_1{a}_1^2+{\mathrm{\ω}}_2{a}_2^2+\·\·\·+{\mathrm{\ω}}_N{a}_N^2}$

式中N为正整数；a_i表示第i个特征信息的特征值；ω_i表示第i个特征信息的加权系数；F表示故障程度定量评估计算值。

步骤9：故障程度归一化处理主要实现对不同故障信息的故障程度评估信息进行统一标准评估，优选地，评估方法可按照下式进行：

$f_i=\mathrm{\η}\left(F_i\right)\frac{F_i-F_{\min }}{F_{\max }-F_{\min }}100\%,i=\mathrm{1,2,3}\·\·\·$

式中i为正整数；F_i表示针对特定故障的第i次故障程度评估计算值；F_min表示针对特定故障的故障程度评估计算值理论最小值；F_max表示针对特定故障的故障程度评估计算值理论最大值；η表示故障程度归一化非线性校正系数，其可以表示为F_i的线性或非线性的函数。

以风力发电机组满发工况下，主传动轴径向振动加速度信号为例，其故障诊断过程如下：根据步骤1确认检测信息为主传动轴径向振动加速度信号，根据步骤2确认风力发电机组处于满发工况下，综合步骤1和步骤2的信息，选取步骤3所述的包含不平衡、不对中等故障的诊断模型。在步骤4对主传动轴径向振动加速度信号进行傅里叶变换，在步骤5提取出主传动轴径向振动加速度信号在1倍频处的幅值信息。根据步骤3所选取的故障诊断模型，选择相应的神经网络模型，该神经网络模型采用BP结构，将步骤5所产生的特征频率，进行归一化处理后，作为BP神经网络的输入，BP神经网络的输出即为故障诊断的结果。同时，将步骤5所产生的特征频率作为步骤8的输入，进行故障程度定量评估。故障程度定量评估的结果结合BP神经网络的模式识别结果，作为步骤9的输入，进行故障程度归一化处理，得到故障程度归一化评估结果。

本发明提出一种基于神经网络风力发电机组典型传动故障智能诊断方法，该方法通过监测信息对应变量确认、监测信息运行工况识别、传动故障识别模型匹配、状态监测数据数据处理、状态监测信息特征提取、故障模态归一化处理、传动故障智能模式识别、故障程度定量评估计算、故障程度归一化处理9个功能模块实现风力发电机组传动系统典型故障智能识别，并对故障程度进行数值化评估。本方法可以有效地集中对大量风力发电机组进行智能故障识别诊断，大幅度风电场运营保障人力资源投入，极大的提高检修维护效率和综合运营保障技术水平应当理解，以上借助优选实施例对本发明的技术方案进行的详细说明是示意性的而非限制性的。

本领域的普通技术人员在阅读本发明说明书的基础上可以对各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.基于神经网络风力发电机组典型传动故障智能诊断方法，其特征在于，该诊断方法包括如下步骤： 

1)对风力发电机组相关组件进行监控得到监控信息，并将监控信息按照监控变量进行分类或依据所选择的监控变量筛选与其对应的监控信息； 

2)根据所述监控信息对所述相关组件进行工况识别； 

3）根据监控信息与识别的工况，确定相匹配的故障诊断模型； 

4）将所述监控信息的数据进行数据处理，转换为便于所述故障诊断模型能够识别的数据； 

5）对所述转换后的数据包含的典型特征进行特征提取； 

6）对特征提取后的典型特征信息进行特征数据归一化处理； 

7）传动故障智能模式识别,将归一处理后的典型特征信息进行故障模式识别； 

8）根据典型特征信息评估值信息，衡量故障的严重程度； 

9）故障程度归一化处理，得到不同类型的故障相应的归一化评估结果。 

2.根据权利要求1所述的基于神经网络风力发电机组典型传动故障智能诊断方法，其特征在于，所述监控信息包括转速信息、振动信息、温度信息、压力信息、应力信息、载荷信息、音频信息或上述信息中的一种或多种。 

3.根据权利要求1所述的基于神经网络风力发电机组典型传动故障智能诊断方法，其特征在于，所述步骤4中的数据处理包括对特定频域的信号滤波、数学统计、傅里叶变换或者上述方法中的一种或多种。 

4.根据权利要求1所述的基于神经网络风力发电机组典型传动故障智能诊断方法，其特征在于，对所述转换后的数据所包含的典型特征采用神经网络模型进行故障识别。 

5.根据权利要求4所述的基于神经网络风力发电机组典型传动故障智能诊断方法，其特征在于，所述神经网络模型采用反向传播学习网络或者双 层网络结构。 

Images