CN104265577B - 一种基于压缩感知的风力发电机组异常检测方法 - Google Patents

Abstract

本发明公开了一种基于压缩感知的风力发电机组异常检测方法。它通过对风力发电机组中各种传感器采集的标量和矢量数据分析，采用压缩感知重构算法发现机组中出现异常的器件。本发明以集合X描述器件状态，器件状态良好设为0值，状态异常设为非0值。由于风力发电机组中多个器件同时出现故障和异常的概率非常低，因此，表示器件状态的集合X具有稀疏特点。首先基于各传感器采集的标量和矢量数据，通过对风机出现异常时的历史数据进行分析求出经验矩阵，然后采用压缩感知的重构算法还原出稀疏信号X，从而检测出异常器件。本发明通过将压缩感知应用于风力发电机组异常检测，将异常定位到具体器件，不仅提高了检测精确度，也减少了工程师的工作量。

Description

一种基于压缩感知的风力发电机组异常检测方法

技术领域

本发明涉及将信号处理中压缩感知技术应用于风力发电机组的硬件异常检测的方法，属于信号处理与异常检测领域。

背景技术

风机机组是现代工矿企业大量使用的动力设备，在企业生产和经济建设中起到非常重要地作用。随着风电行业的迅猛发展，风电机组规模越来越大，机组设备一旦出现故障将给企业带来较大的影响。风电机组一般都安装在空旷远离市区的地方，并且安装在60米以上的高空，如果不能预测故障的发生，在机组设备发生故障后，调用其他巨型机械对其拆机、组装等维修费用高昂。应用故障预测可以在风机出现故障之前进行停机检修，大幅度降低维修费用，预防突发事故。因此风电机组的异常检测具有重要的实际应用价值。

风力发电机组故障种类繁多，而现有的预测方法中能诊断故障类型却难以判断发生故障的部位，维修技术难度大、维修耗时长。因此，寻求一种能够精确定位到异常器件的方法具有重要的工程价值和经济价值。

压缩感知是建立在矩阵分析、统计概率论、拓扑几何、优化与运筹学、泛函分析等基础上的一种全新的信息获取与处理的理论框架。它基于信号的可压缩性，通过低维空间、低分辨率、欠Nyquist采样数据的非相关观测来实现高维信号的感知。将压缩感知应用于风力发电机组异常检测中，不仅具有检测异常器件的作用，而且有助于提高检测精度。压缩感知中要求重构信号是稀疏信号，而风力发电机组中多个器件同时出现故障和异常的概率非常低，因此满足了信号的稀疏性。测量矩阵可以通过采集的历史数据分析得出。压缩感知与风力发电机组异常检测的结合，将最新的信号处理技术应用到工程实践中，拓展了压缩感知的应用领域，也更好地解决了故障检测中异常器件地位问题。

发明内容

针对现有风电机组异常检测问题，本发明公开了一种基于压缩感知的风力发电机组异常检测方法。本发明所述的方法：将压缩感知理论应用于风力发电机组异常检测，通过对风力发电机组中各种传感器采集的标量和矢量数据分析，用压缩感知还原算法发现机组中出现异常的器件。本发明能够提高风机异常检测的精确度，并能将故障检测区域缩小至器件上。

根据本发明的一个方面，提供了一种基于压缩感知的风力发电机组异常检测方法，包括以下步骤：

步骤一、对风机机组出现异常时各种传感器采集的历史数据进行数据分析，获得测量矩阵的过程。

1)将各传感器在每τ秒内采集的实时数据取平均值作为一组测量值Y∈R^m，m为传感器的种类个数，即测量值Y的长度：

如传感器有：温度传感器、液压传感器、转速传感器，则m＝3；若τ＝2时，测量值Y＝[温度2秒间隔内平均值液压2秒间隔内平均值转速2秒间隔内平均值]；

2)将机组模块中的器件状态良好设为0值，状态异常设为非0值，对应出现异常时各个器件的状态组成集合X∈R^N，N为可能出现异常的器件个数，即稀疏信号长度；

如：在风机机翼部要检测的器件有：风轮轴、增速器、联轴器、液体、电磁阀、液压制动器和管路，则器件个数为7，稀疏信号X＝[风轮轴状态增速器状态联轴器状态液体状态电磁阀状态液压制动器状态管路状态]＝[0001000]；

3)将多组测量值Y∈R^m和稀疏信号X∈R^N，代入Y＝ΦX可得出测量矩阵Φ∈R^m×N；

4)将测量矩阵Φ进行优化，作为风力发电机组异常检测的经验矩阵。

步骤二、通过经验矩阵和各个传感器采集到的数据组，应用压缩感知重构算法，检测出现异常器件的过程。

1)将风力机组中各个传感器采集到的标量和矢量数据作为测量值Y∈R^m；

2)将风力机组的模块中各个器件的状态组成信号X∈R^N；

3)利用m维向量Y和经验矩阵Φ，通过OMP算法，重构稀疏信号X，步骤如下：

①初始化数据：残差初始值R₀为机组传感器采集的数据组Y，即R₀＝Y，记录异常器件地点的支撑集初始值设置最高迭代次数为m(m为测量值长度)，迭代初始值t＝1，初始支撑测量矩阵

②计算残差R和经验矩阵列向量的内积，并找到其最大值所对应的下标λ：

③更新支撑集Λ_t＝Λ_t-1∪{λ_t}，记录传感矩阵中重建原子集合

④采用最小二乘法估计表示器件状态的稀疏信号中非零值

⑤更新残差迭代次数t＝t+1；

⑥判断迭代次数：若t≤m跳至步骤②继续计算，否则输出器件状态信号并结束过程。

步骤三、得出测量矩阵Φ并优化的过程。

1)输入各传感器采集的数据组作为测量值Y∈R^m和表示器件状态的稀疏信号X∈R^N；

2)通过多组测量值数据与稀疏信号数据得出测量矩阵Φ∈R^m×N；

3)将测量矩阵进行优化，其优化过程如下；

①定义参数：相干性阈值Th∈R，稀疏基矩阵D∈R^N×m，测量值Y的长度m∈R，微小化因子γ∈R，迭代次数Iter∈R；

②输入上述得到的测量矩阵Φ∈R^m×N作为初始经验矩阵Φ₀，设置最高迭代次数C，C∈Z，初始化Iter＝1，k＝0，k∈Z；

③标准化矩阵中的列向量，并通过计算Gram矩阵G_k；

设定阈值并做收缩操作：设置固定的阈值Th，通过以下公式更新Gram矩阵并得到

⑤应用SVD(奇异值分解)，使得的秩为m。令求的均方根S_k，其中S_k∈R^m×N；

⑥更新Φ：赋值Φ_k+1为满足最小化的误差的Φ，并令k＝k+1，迭代次数Iter＝Iter+1；

⑦判断迭代次数：若Iter≤C则返回③继续执行，否则输出经验矩阵并结束过程；

4)将优化后的测量矩阵作为经验矩阵进行后续异常检测。

附图说明

图1是本发明应用压缩感知对风力发电机组预测故障的过程图；

图2是本发明应用压缩感知原理重构信号从而发现故障地点过程图；

图3是本发明中优化测量矩阵得到经验矩阵的过程图。

具体实施方式

以下传感器采集数据均为模拟数据，不做实际数据用。实验中以风机中机翼部分为例说明本发明的过程和得到的效果；

1、本发明涉及压缩感知原理，如图1所示，对风机机组出现异常时各种传感器采集的历史数据进行数据分析，获得测量矩阵的具体步骤如下：

1)将各传感器在每τ秒内采集的实时数据取平均值作为一组测量值Y∈R^m，m为传感器的种类个数，即测量值Y的长度：

如传感器有：温度传感器、液压传感器、转速传感器，则m＝3；若τ＝2时，测量值Y＝[温度2秒间隔内平均值液压2秒间隔内平均值转速2秒间隔内平均值]；

2)将机组模块中的器件状态良好设为0值，状态异常设为非0值，对应出现异常时各个器件的状态组成集合X∈R^N，N为可能出现异常的器件个数，即稀疏信号长度；

如：在风机机翼部要检测的器件有：风轮轴、增速器、联轴器、液体、电磁阀、液压制动器和管路，则器件个数为7，稀疏信号X＝[风轮轴状态增速器状态联轴器状态液体状态电磁阀状态液压制动器状态管路状态]＝[0001000]；

3)由压缩感知原理可得：

Y＝ΦX (1)

将多组测量值Y∈R^m和稀疏信号X∈R^N，代入公式(1)，可得出测量矩阵Φ∈R^m×N；

4)将测量矩阵Φ进行优化，作为风力发电机组异常检测的经验矩阵。

2、结合图2，通过经验矩阵和各个传感器采集到的数据组，应用压缩感知重构算法，检测出现异常器件的具体步骤如下：

1)将风力机组中各个传感器采集到的标量和矢量数据作为测量值Y∈R^m；

2)将风力机组的模块中各个器件的状态组成信号X∈R^N；

3)利用m维向量Y和经验矩阵Φ，通过OMP算法，重构稀疏信号X，步骤如下：

①初始化数据：残差初始值R₀为机组传感器采集的数据组Y，即R₀＝Y，记录异常器件地点的支撑集初始值设置最高迭代次数为m(m为测量值长度)，迭代初始值t＝1，初始支撑测量矩阵

②计算残差R和经验矩阵列向量的内积，并找到其最大值所对应的下标λ：

③更新支撑集Λ_t＝Λ_t-1∪{Φ_t}，记录传感矩阵中重建原子集合

④采用最小二乘法估计表示器件状态的稀疏信号中非零值

⑤更新残差迭代次数t＝t+1；

⑥判断迭代次数：若t≤m跳至步骤②继续计算，否则输出器件状态信号并结束过程。

3、结合图3，得出测量矩阵Φ并优化的具体步骤如下：

1)输入各传感器采集的数据组作为测量值Y∈R^m和表示器件状态的稀疏信号X∈R^N；

2)通过多组测量值数据与稀疏信号数据得出测量矩阵Φ∈R^m×N；

3)将测量矩阵进行优化，其优化过程如下；

①定义参数：相干性阈值Th∈R，稀疏基矩阵D∈R^N×m，测量值Y的长度m∈R，微小化因子(又叫比例下降因子)γ∈R，迭代次数Iter∈R；

②输入上述得到的测量矩阵Φ∈R^m×N作为初始经验矩阵Φ₀，设置最高迭代次数C，C∈Z，初始化Iter＝1，k＝0，k∈Z；

③标准化矩阵中的列向量，已知Gram矩阵为：

G＝Θ^T·Θ， (2)

将代入公式(2)计算Gram矩阵G_k；

④设定阈值并做收缩操作：设置一个固定的阈值Th，通过公式(3)更新Gram矩阵并得到

⑤应用SVD(奇异值分解)，使得的秩为m。令求的均方根S_k，其中S_k∈R^m×N；

⑥更新Φ：赋值Φ_k+1为满足最小化的误差的Φ，并令k＝k+1，迭代次数Iter＝Iter+1；

⑦判断迭代次数：若Iter≤C则返回③继续执行，否则输出经验矩阵并结束过程。

4)将优化后的测量矩阵作为经验矩阵进行后续异常检测。

综上所述：本发明将压缩感知应用于风力发电机组的故障检测中，为风电机组异常检测提供了新的方法，并且将异常检测精度提高到具体器件上，降低维护成本。

Claims (3)

1.一种基于压缩感知的风力发电机组异常检测方法，其特征在于，对风机机组出现异常时各种传感器采集的历史数据进行数据分析，获得测量矩阵的过程，所述方法至少包括以下步骤：

1)将各传感器在每τ秒内采集的实时数据取平均值作为一组测量值Y∈R^m，m为传感器的种类个数，即测量值Y的长度；

2)将机组模块中的器件状态良好设为0值，状态异常设为非0值，对应出现异常时各个器件的状态组成集合X∈R^N，N为可能出现异常的器件个数，即稀疏信号长度；

3)将多组测量值Y∈R^m和稀疏信号X∈R^N，代入Y＝ΦX可得出测量矩阵Φ∈R^m×N；

4)将测量矩阵Φ进行优化，作为风力发电机组异常检测的经验矩阵。

2.根据权利要求1所述的一种基于压缩感知的风力发电机组异常检测方法，其特征在于，将经验矩阵和各个传感器采集到的数据组，应用压缩感知重构算法，检测出现异常器件，所述方法至少还包括以下过程：

1)将风力机组中各个传感器采集到的标量和矢量数据作为测量值Y∈R^m；

2)将风力机组的模块中各个器件的状态组成信号X∈R^N；

3)利用m维向量Y和经验矩阵Φ，通过正交匹配追踪(OMP)算法，重构稀疏信号X，步骤如下：

①初始化数据：残差初始值R₀为机组传感器采集的数据组Y，即R₀＝Y，记录异常器件地点的支撑集初始值设置最高迭代次数为m，其中m为测量值长度，迭代初始值t＝1，初始支撑测量矩阵

②计算残差R和经验矩阵列向量的内积，并找到其最大值所对应的下标λ_l：

③更新支撑集Λ_t＝Λ_t-1∪{λ_t}，记录传感矩阵中重建原子集合

④采用最小二乘法估计表示器件状态的稀疏信号中非零值

${\tilde{X}}_t=\arg \min \left|\right|Y-{\mathrm{\Φ}}_t\tilde{X}\left|\right|;$

⑤更新残差迭代次数t＝t+1；

⑥判断迭代次数：若t≤m跳至步骤②继续计算，否则输出器件状态信号并结束过程。

3.根据权利要求1所述的一种基于压缩感知的风力发电机组异常检测方法，其特征在于，还包括优化测量矩阵Φ得出经验矩阵的过程：

1)输入各传感器采集的数据组作为测量值Y∈R^m和表示器件状态的稀疏信号X∈R^N；

2)通过多组测量值数据与稀疏信号数据得出测量矩阵Φ∈R^m×N；

3)将测量矩阵进行优化，其优化过程如下；

①定义参数：相干性阈值Th∈R，稀疏基矩阵D∈R^N×m，测量值Y的长度m∈R，微小化因子γ∈R，迭代次数Iter∈R；

②输入上述得到的测量矩阵Φ∈R^m×N作为初始经验矩阵Φ₀，设置最高迭代次数C，C∈Z，初始化Iter＝1，k＝0，k∈Z；

③标准化矩阵中的列向量，并通过计算Gram矩阵G_k；

④设定阈值并做收缩操作：设置固定的阈值Th，通过以下公式更新Gram矩阵并得到

$g_{ij}=\left\{\begin{array}{c}{\mathrm{\γg}}_{ij},\left|g_{ij}\right|\≥Th\\ \mathrm{\γ}Th\·sign\left(g_{ij}\right),Th>\left|g_{ij}\right|\≥\mathrm{\γ}Th\\ g_{ij},\mathrm{\γ}Tj>\left|g_{ij}\right|\end{array}\right.;$

⑤应用SVD(奇异值分解)，使得的秩为m，令求G_k的均方根S_k，其中S_k∈R^m×N；

⑥更新Φ：赋值Φ_k+1为满足最小化的误差的Φ，并令k＝k+1，迭代次数Iter＝Iter+1；

⑦判断迭代次数：若Iter≤C则返回③继续执行，否则输出经验矩阵并结束过程；

4)将优化后的测量矩阵作为经验矩阵进行后续异常检测。