CN104459388A - 一种永磁直驱风力发电系统一体化故障诊断方法 - Google Patents

Abstract

本发明公开了一种永磁直驱风力发电系统一体化故障诊断方法，包括：对永磁直驱风力发电系统的多种类型的信号进行采样及数据预处理；利用多小波包分解技术提取不同频带的采样信号暂态分量；计算采样信号的小波时间熵，支持向量机故障诊断模型进行训练，训练好的故障诊断模型输出对应风力发电系统的故障部件及故障类型信息；本发明采用小波理论结合多个“二叉树”支持向量机构成的故障诊断模型，有效提高了训练速度和识别精度，特别适用于解决小样本、非线性及高维数的大型机电系统故障诊断问题。

Description

一种永磁直驱风力发电系统一体化故障诊断方法

技术领域

本发明涉及新能源发电技术领域，具体涉及一种永磁直驱风力发电系统一体化故障诊断方法。

背景技术

近年来，风能作为一种绿色能源在世界能源结构中发挥着愈来愈重要的作用，风电装备也因此得到迅猛发展。风电场一般处于偏远地区，工作环境复杂恶劣，风力发电机组发生故障的几率比较大，而且风电机组安装在几十米高的塔架上，维修非常不便。如果机组的关键零部件发生故障，将会使设备损坏，甚至导致机组停机，造成巨大的经济损失。对于工作寿命为20年的机组，运行维护成本一般占到整个风电场总投入的10％～15％，而对于海上风电场，整个比例高达20％～25％。因此，为了降低风电机组运行的风险，维护机组安全经济运行，都应该发展风电机组故障诊断技术。风力发电系统故障诊断可以有效检测出传动系统、齿轮箱和发电机系统等的内部故障，优化维修策略、减少非计划停机次数和降低机组的运行维护费用等。

风力发电系统所处现场往往环境恶劣且长期运行于变工况和电磁干扰环境中，常见的永磁直驱风力发电系统其结构示意图如图2所示。永磁直驱风力发电系统故障率较高的部件主要有齿轮箱、发电机、变流器。永磁直驱风力发电系统的故障往往不是孤立，经常是由多个故障部件相互影响造成的，因此有必要研究永磁直驱风力发电系统的一体化故障诊断方法。

齿轮箱常见的故障中，齿轮和滚动轴承的故障占齿轮箱故障的80％左右，齿轮和滚动轴承的故障诊断，对于识别齿轮箱故障类型有重要的意义。齿轮常见的故障有齿轮磨损、断齿等。滚动轴承的常见故障有轴承内圈损坏和外圈损坏等。

风力发电机的常见故障有定子匝间短路故障、定子相间短路故障、转子气隙偏心故障和电机轴承故障等。

风力发电系统的变流器主要包括机侧变流器和网侧变流器，变流器装置的故障主要考虑其IGBT器件的故障，包括网侧变流器开路故障和机侧变流器开路故障。

现有的风力发电系统故障诊断技术仅仅针对某一部件进行故障分析，如专利号为CN201310694994.7的“一种针对风电齿轮箱的故障诊断方法”，或者是某一部件的某一故障进行故障分析，如专利号为CN201310184354.1的“一种永磁直驱式风力发电系统变流器的开路故障诊断方法”，只能辨识出故障与否，而不能诊断出故障类型和故障位置。目前，尚未有诊断方法能够集成对风力发电系统所有故障率较高部件的故障分析，快速准确地辨识出故障信息。

发明内容

为解决现有技术存在的不足，本发明公开了一种永磁直驱风力发电系统一体化故障诊断方法，该方法集成了齿轮箱、滚动轴承、发电机、变流器等风力发电系统的故障诊断一体化功能，快速准确地辨识出故障部件及故障类型，投入成本低，智能化水平高，工程化应用前景广阔，特别适用于解决小样本、非线性及高维数的大型机电系统故障诊断。

为实现上述目的，本发明的具体方案如下：

一种永磁直驱风力发电系统一体化故障诊断方法，包括以下步骤：

步骤一：对永磁直驱风力发电系统的多种类型的信号进行采样及数据预处理；

步骤二：利用多小波包分解技术对步骤一中进行采样及数据预处理的信号分别提取不同频带的暂态分量；

步骤三：根据步骤二中的采样信号暂态分量计算小波时间熵，采样信号的小波时间熵作为支持向量机故障诊断模型的特征向量；

步骤四：将步骤三中采样信号的小波时间熵作为样本输入支持向量机故障诊断模型进行训练，训练好的支持向量机故障诊断模型输出对应风力发电系统的故障部件及故障类型信息；

步骤五：以每隔设定时间以设定的频率采样信号并存入数据库，按照步骤二和步骤三计算采样信号的小波时间熵，作为步骤四中训练好的支持向量机故障诊断模型的输入特征向量，获得风力发电系统的故障部件及故障类型信息。

所述步骤一中，对永磁直驱风力发电系统的多种类型的信号进行采样及数据预处理，具体为：对永磁直驱风力发电系统机侧变流器三相交流电流、变流器直流侧母线电压、网侧变流器三相交流电流以及滚动轴承振动加速度这8个信号按设定的频率分别进行采样，获得离散时间序列作为样本，并存入数据库中。

所述步骤二中，利用多小波包分解技术提取不同频带的采样信号暂态分量，包括对机侧变流器三相交流电流、变流器直流侧母线电压、网侧变流器三相交流电流以及滚动轴承振动加速度这8个信号的离散时间序列分别进行多小波包分解。

每个信号的离散时间序列进行多小波包分解方法为：

离散时间序列x(n)被分解到m个频带下，每个频带下的暂态分量为D_j(n)(j＝1,2,...,m)。通过多小波包分解后的故障信号离散时间序列x(n)可以表示为

$x\left(n\right)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{D}_j\left(n\right).$

所述步骤三中，计算采样信号的小波时间熵，包括对机侧变流器三相交流电流、变流器直流侧母线电压、网侧变流器三相交流电流以及滚动轴承振动加速度8个信号的离散时间序列分别计算小波时间熵。

每个信号的离散时间序列计算小波时间熵，具体为：在求出的D_j(n)上定义滑动窗，设窗宽为w，滑动因子为δ，于是D_j(n)在滑动窗内的离散时间序列可以表示为

W(r；w,δ)＝{D_j(k),k＝1+rδ,...,w+rδ}

式中，r＝1,2,...,R；

将滑动窗划分为以下L个区间，有

$W(r;w,\mathrm{\δ})=\underset{l=1}{\overset{L}{\∪}}{Z}_l$

式中，{Z_l＝[s_l-1,s_l),l＝1,2,…,L}，互不相交，s₀＜s₁＜s₂＜...＜s_L

s₀＝min[W(r；w,δ)]＝min[D_j(k),k＝1+rδ,...,w+rδ]

s_L＝max[W(r；w,δ)]＝min[D_j(k),k＝1+rδ,...,w+rδ]

设P^r(Z_l)表示小波系数D_j(k)∈W(r；w,δ)落于区间Z_l的概率，即等于D_j(k)落入Z_l的数目与W(r；w,δ)滑动窗宽w的比值；

计算离散时间序列x(n)的小波时间熵Q作为支持向量机故障诊断模型的输入特征向量

$Q=-\underset{r=1}{\overset{R}{\mathrm{\Σ}}}{P}^r\left(Z_l\right)\log \left(P^r\left(Z_l\right)\right).$

所述步骤四中，支持向量机故障诊断模型的训练，将计算得到的机侧变流器三相交流电流、变流器直流侧母线电压、网侧变流器三相交流电流以及滚动轴承振动加速度的小波时间熵作为样本输入支持向量机故障诊断模型进行训练，其中设定组数据用于模型的训练，其余的组数据用于模型的测试。

所述支持向量机故障诊断模型由8个“二叉树”支持向量机模型构成，分别用于分类正常状态与故障状态，齿轮箱故障与非齿轮箱故障，齿轮磨损故障与齿轮断齿故障，滚动轴承故障与非滚动轴承故障，滚动轴承内圈故障与滚动轴承外圈故障，风力发电机故障与非风力发电机故障，风力发电机定子匝间短路故障与定子相间短路故障，机侧变流器开路故障与网侧变流器开路故障。

所述支持向量机故障诊断模型进行训练时，为了获得尽可能丰富的训练样本，设计了以下风力发电系统的状态：风力发电系统正常运行、齿轮箱齿轮磨损、齿轮箱齿轮断齿、滚动轴承内圈损坏、滚动轴承外圈损坏、风力发电机定子匝间短路故障、风力发电机定子相间短路故障、网侧变流器开路故障和机侧变流器开路故障。

工作原理：当风力发电系统发生上述故障时，其风力发电机输出电流和电压，以及传动系统振动输出中都含有丰富的故障信息，本发明在不同频带内所含暂态故障信息量随故障部件以及故障类型的不同而不同。通过有效地提取输出信号的故障特征分量并通过智能手段进行分析和处理，可以实现永磁直驱风力发电系统的故障诊断。小波变换相比其他信号分析技术，在分析处理暂态信号领域显示了其优越性和广阔的应用前景。多小波包具有比传统小波变换更为优良的性能，能够对故障暂态信号进行更为精细的逼近和提取到更丰富的故障特征量。支持向量机(Support Vector machine,SVM)通过核函数将低维的非线性空间映射到高维的线性特征空间，相比人工神经网络等传统智能诊断方法，不需要大量的数据样本或先验知识，在解决小样本、非线性及高维模式识别问题中具有显著优势，特别适用于大量典型故障数据很难获取的大型机电系统的故障诊断。

本发明的有益效果：

本发明的有益效果是和现有技术相比，本发明的优点是：

(1)本发明集成了齿轮箱、滚动轴承、发电机、变流器等风力发电系统的故障诊断一体化功能，能够诊断出风力发电系统齿轮箱、滚动轴承、发电机、变流器等多个部件的多种类型的故障，如齿轮箱齿轮磨损、齿轮箱齿轮断齿、滚动轴承内圈损坏、滚动轴承外圈损坏、风力发电机定子匝间短路故障、风力发电机定子相间短路故障、网侧变流器开路故障和机侧变流器开路故障。

(2)本发明采用小波理论结合多个“二叉树”支持向量机构成的故障诊断模型，有效提高了训练速度和识别精度，特别适用于解决小样本、非线性及高维数的大型机电系统故障诊断问题。

附图说明

图1为永磁直驱风力发电系统一体化故障诊断流程图；

图2为永磁直驱风力发电系统结构示意图；

图3为小波包分解示意图；

图4为支持向量机故障诊断模型结构图；

图5为“二叉树”支持向量机模型示意图；

图6为永磁直驱风力发电系统模拟试验平台；

附表1为小波时间熵计算结果；

附表2为永磁直驱风力发电系统故障诊断结果。

具体实施方式：

本发明提供一种永磁直驱风力发电系统一体化故障诊断方法，以下结合附图及具体实施方式，对本发明作进一步的详细描述。

小波变换是分析非平稳信号或具有奇异性突变信号的最有效方法，适合于故障检测这种瞬态突变信号的场合。小波分析技术的引入，在电力系统暂态信号特征提取及分类领域发挥了重要作用，开拓了电网及设备智能故障诊断、电力灾变防治等的新思路。然而，由于小波变换是一种时频分析，不像FFT变换结果频域表示那样直观明了。而且，由于小波变换结果中包含了大量的小波分解信息和数据，在通常的检测方法中，特征提取都少不了人工干预或对待定工况的假设。而分类方法中，由于小波信息繁多，是神经网络等职能判别系统变得庞大。因此，小波分析大量的信息提取还需要研究恰当的数据挖掘方法。Shannon信息熵表示某种特定信息出现概率的统计方法。一个系统越是有序，信息熵就越低；反之，一个系统越是混乱，信息熵就越高。利用信息熵和小波分析相结合的小波熵理论提取系统表征系统特征，为检测和分类器提供有效的预处理方法，给电力系统故障分析与诊断、新型继电保护原理提供有效依据。

大多数文献都是将BP神经网络应用于系统故障诊断。然而，BP网络权值的调节采用负梯度下降法，这种方法存在其局限性，即局部极小问题和收敛速度慢等。支持向量机通过结构风险最小化原理来提高泛化能力，较好的解决了小样本、非线性、高维数、局部最小点等问题，相比人工神经网络等传统智能诊断方法，不需要大量的数据样本或先验知识，在解决小样本、非线性及高维模式识别问题中具有显著优势，特别适用于大量典型故障数据很难获取的大型机械设备的故障诊断。

根据图1所示的永磁直驱风力发电系统一体化故障诊断方法流程图，本发明的具体实施方案是：

(1)信号采样与数据预处理。

对图2所示的永磁直驱风力发电系统以5120Hz的频率采样机侧变流器三相交流电流、变流器直流侧母线电压、网侧变流器三相交流电流以及滚动轴承振动加速度8个信号，将获得的离散时间序列作为样本存入数据库中。

(2)利用多小波包分解技术提取不同频带的信号暂态分量。

多小波包具有比传统小波变换更为优良的性能，能够对故障暂态信号进行更为精细的逼近和提取到更丰富的故障特征量，因此可以为人工神经网络提供更为丰富的特征信息，使学习后的人工神经网络对不同的故障信号更加敏感。

选择合适的小波基进行多小波包分解对故障诊断的效果影响很大。小波基的紧支性可减少相邻分解级间的信号能量的渗透以保证其局部化能力。而小波基的消失矩越大，通过离散小波变换所提取信号的精确性和完整性越好；另外，所选择小波基应具有正交性以允许重构原始信号。选择包括DB10小波基、DB4小波基、GHM小波基、SA4小波基分别进行多小波包分解，发现采用DB10小波基处理后信号特征差异最为明显，故选用DB10小波基进行多小波包分解。

小波包的分解方法实质上是把上一层分解得到的低频信号和高频信号同时进行分解，其示意图如图3所示。其中，S为原始信号；L1为第一层低频信号；LL2为L1分解的低频信号；HL2为L1分解的高频信号；LH2为H1分解的低频信号；HH2为H1分解的高频信号；其他以此类推。它不仅对低频部分进行分解，对高频部分也同样进行分解，与传统小波包相比，多小波包能够提取到更丰富、更精细的故障信息。

给定k时刻的采样信号离散时间序列x(n)，选择DB10小波基进行多小波包分解。离散时间序列x(n)被分解到m个频带下，每个频带下的暂态分量为D_j(n)(j＝1,2,...,m)。通过多小波包分解后的故障信号离散时间序列x(n)可以表示为

$x\left(n\right)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{D}_j\left(n\right)$

根据上述方法对机侧变流器三相交流电流、变流器直流侧母线电压、网侧变流器三相交流电流以及滚动轴承振动加速度等8个采样信号的离散时间序列分别进行多小波包分解。

(3)计算采样信号的小波时间熵。

在第(2)步求出的D_j(n)上定义滑动窗，设窗宽为w，滑动因子为δ，于是D_j(n)在滑动窗内的离散时间序列可以表示为

W(r；w,δ)＝{D_j(k),k＝1+rδ,…,w+rδ}

式中，r＝1,2,....,R。

将滑动窗划分为以下L个区间，有

$W(r;w,\mathrm{\δ})=\underset{l=1}{\overset{L}{\∪}}{Z}_l$

式中，{Z_l＝[s_l-1,s_l),l＝1,2,…,L}，互不相交。s₀＜s₁＜s₂＜…＜s_L

s₀＝min[W(r；w,δ)]＝min[D_j(k),k＝1+rδ,…,w+rδ]

s_L＝max[W(r；w,δ)]＝min[D_j(k),k＝1+rδ,…,w+rδ]

设P^r(Z_l)表示小波系数D_j(k)∈W(r；w,δ)落于区间Z_l的概率，即等于D_j(k)落入Z_l的数目与W(r；w,δ)滑动窗宽w的比值。

计算离散时间序列x(n)的小波时间熵Q作为支持向量机故障诊断模型的输入特征向量

$Q=-\underset{r=1}{\overset{R}{\mathrm{\Σ}}}{P}^r\left(Z_l\right)\log \left(P^r\left(Z_l\right)\right)$

Q对电力系统的电压电流信号或系统参数的变化具有较强的检测和定位能力，且计算量大为降低。

根据上述方法对机侧变流器三相交流电流、变流器直流侧母线电压、网侧变流器三相交流电流以及滚动轴承振动加速度8个信号的离散时间序列分别计算小波时间熵。

应用多小波包分解技术和小波时间熵分析机侧变流器三相交流电流、变流器直流侧母线电压、网侧变流器三相交流电流以及滚动轴承振动加速度8个信号，相比传统的只采样分析单一变量的方法，能够有效辨识出故障部件和故障类型，减小了支持向量机的判断误区。

(4)支持向量机故障诊断模型的训练。

支持向量机的结构类似于神经网络，如图4所示。中间层各节点的线性组合形成了网络的输出。决策函数的形式为：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{*}{y}_{i}K(Q_i\·Q)+b^{*})$

式中，sgn()为符号函数；K(Q_i,Q)为核函数，取高斯函数，为权重，b^*为最优阈值。

支持向量机最初是针对二值分类问题提出来的，而要对滚动轴承故障类型进行识别，必然要求是多分类问题识别，故将多分类问题分解为二值分类问题进行支持向量机训练，即每次SVM将其中一类的数据作为一个类别，其余的数据划分为另一个类别，类似于二分树的结构。用于永磁直驱风力发电系统故障诊断的模型由多个“二叉树”支持向量机模型构成，结构如图5所示。对于SVM1，输出等于1表示正常状态，输出等于-1表示故障状态；对于SVM2，输出等于1表示齿轮箱故障，输出等于-1表示非齿轮箱故障；对于SVM3，输出等于1表示齿轮磨损故障，输出等于-1表示齿轮断齿故障；对于SVM4，输出等于1表示滚动轴承故障，输出等于-1表示非滚动轴承故障。对于SVM5，输出等于1表示滚动轴承内圈故障，输出等于-1表示滚动轴承外圈故障；对于SVM6，输出等于1表示风力发电机故障，输出等于-1表示非风力发电机故障；对于SVM7，输出等于1表示风力发电机定子匝间短路故障，输出等于-1表示风力发电机定子相间短路故障；对于SVM8，输出等于1表示机侧变流器开路故障，输出等于-1表示网侧变流器开路故障。

将第(3)步计算得到的机侧变流器三相交流电流、变流器直流侧母线电压、网侧变流器三相交流电流以及滚动轴承振动加速度的小波时间熵作为样本输入支持向量机故障诊断模型进行训练，其中15组数据用于模型的训练，10组数据用于模型的测试。训练好的故障诊断模型输出对应风力发电系统的故障部件及故障类型信息。

(5)每隔200ms按5120Hz的频率采样故障信号并存入数据库，按照步骤(2)和步骤(3)计算故障信号离散时间序列的小波时间熵，作为训练好的支持向量机故障诊断模型的输入特征向量，获得风力发电系统的故障部件及故障类型信息。

按照图2所示的永磁直驱风力发电系统结构，本发明在实验室环境下搭建了风力发电系统模拟试验平台如图6所示，模拟风力发电系统的各种故障部件及故障类型。采样机侧变流器三相交流电流、变流器直流侧母线电压、网侧变流器三相交流电流以及滚动轴承振动加速度8个信号，利用MATLAB/Simulink仿真软件进行小波包分解并计算相应的小波时间熵，小波时间熵计算结果如表1所示，其中i_A1,i_B1,i_C1为机侧变流器三相电流，i_A2,i_B2,i_C2为网侧变流器三相电流，u_dc为直流侧电压，a为滚动轴承加速度。

表1

离线训练永磁直驱风力发电系统支持向量机故障诊断模型并进行测试，如表2所示的诊断测试结果与试验设计相符，验证本发明所提出方法的有效性。

表2

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种永磁直驱风力发电系统一体化故障诊断方法，其特征是，包括以下步骤：

步骤一：对永磁直驱风力发电系统的多种类型的信号进行采样及数据预处理；

步骤二：利用多小波包分解技术对步骤一中进行采样及数据预处理的信号分别提取不同频带的暂态分量；

步骤三：根据步骤二中的采样信号暂态分量计算小波时间熵，采样信号的小波时间熵作为支持向量机故障诊断模型的特征向量；

步骤四：将步骤三中采样信号的小波时间熵作为样本输入支持向量机故障诊断模型进行训练，训练好的支持向量机故障诊断模型输出对应风力发电系统的故障部件及故障类型信息；

步骤五：以每隔设定时间以设定的频率采样信号并存入数据库，按照步骤二和步骤三计算采样信号的小波时间熵，作为步骤四中训练好的支持向量机故障诊断模型的输入特征向量，获得风力发电系统的故障部件及故障类型信息。

2.如权利要求1所述的一种永磁直驱风力发电系统一体化故障诊断方法，其特征是，所述步骤一中，对永磁直驱风力发电系统的多种类型的信号进行采样及数据预处理，具体为：对永磁直驱风力发电系统机侧变流器三相交流电流、变流器直流侧母线电压、网侧变流器三相交流电流以及滚动轴承振动加速度这8个信号按设定的频率分别进行采样，获得离散时间序列作为样本，并存入数据库中。

3.如权利要求1所述的一种永磁直驱风力发电系统一体化故障诊断方法，其特征是，所述步骤二中，利用多小波包分解技术提取不同频带的采样信号暂态分量，包括对机侧变流器三相交流电流、变流器直流侧母线电压、网侧变流器三相交流电流以及滚动轴承振动加速度这8个信号的离散时间序列分别进行多小波包分解。

4.如权利要求3所述的一种永磁直驱风力发电系统一体化故障诊断方法，其特征是，每个信号的离散时间序列进行多小波包分解方法为：

离散时间序列x(n)被分解到m个频带下，每个频带下的暂态分量为D_j(n)(j＝1,2,...,m)，通过多小波包分解后的故障信号离散时间序列x(n)可以表示为

$x\left(n\right)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{D}_j\left(n\right).$

5.如权利要求4所述的一种永磁直驱风力发电系统一体化故障诊断方法，其特征是，所述步骤三中，计算采样信号的小波时间熵，包括对机侧变流器三相交流电流、变流器直流侧母线电压、网侧变流器三相交流电流以及滚动轴承振动加速度8个信号的设定组离散时间序列分别计算小波时间熵。

6.如权利要求5所述的一种永磁直驱风力发电系统一体化故障诊断方法，其特征是，每个信号的离散时间序列计算小波时间熵，具体为：在求出的D_j(n)上定义滑动窗，设窗宽为w，滑动因子为δ，于是D_j(n)在滑动窗内的离散时间序列可以表示为：

W(r；w,δ)＝{D_j(k),k＝1+rδ,...,w+rδ}

式中，r＝1,2,...,R； $R=\frac{m-w}{\mathrm{\δ}};$

将滑动窗划分为以下L个区间，有

$W(r;w,\mathrm{\δ})=\underset{l=1}{\overset{L}{\∪}}{Z}_l$

式中，{Z_l＝[s_l-1,s_l),l＝1,2,…,L}，互不相交，s₀＜s₁＜s₂＜...＜s_L

s₀＝min[W(r；w,δ)]＝min[D_j(k),k＝1+rδ,...,w+rδ]

s_L＝max[W(r；w,δ)]＝min[D_j(k),k＝1+rδ,...,w+rδ]

设P^r(Z_l)表示小波系数D_j(k)∈W(r；w,δ)落于区间Z_l的概率，即等于D_j(k)落入Z_l的数目与W(r；w,δ)滑动窗宽w的比值；

计算离散时间序列x(n)的小波时间熵Q作为支持向量机故障诊断模型的输入特征向量

$Q=-\underset{r=1}{\overset{R}{\mathrm{\Σ}}}{P}^r\left(Z_l\right)\log \left(P^r\left(Z_l\right)\right).$

7.如权利要求1所述的一种永磁直驱风力发电系统一体化故障诊断方法，其特征是，所述步骤四中，支持向量机故障诊断模型的训练，将计算得到的机侧变流器三相交流电流、变流器直流侧母线电压、网侧变流器三相交流电流以及滚动轴承振动加速度的小波时间熵作为样本输入支持向量机故障诊断模型进行训练，其中设定组数据用于模型的训练，其余的组数据用于模型的测试。

8.如权利要求7所述的一种永磁直驱风力发电系统一体化故障诊断方法，其特征是，所述故障诊断的模型由8个“二叉树”支持向量机模型构成，分别用于分类正常状态与故障状态，齿轮箱故障与非齿轮箱故障，齿轮磨损故障与齿轮断齿故障，滚动轴承故障与非滚动轴承故障，滚动轴承内圈故障与滚动轴承外圈故障，风力发电机故障与非风力发电机故障，风力发电机定子匝间短路故障与定子相间短路故障，机侧变流器开路故障与网侧变流器开路故障。

9.如权利要求8所述的一种永磁直驱风力发电系统一体化故障诊断方法，其特征是，所述支持向量机故障诊断模型进行训练时，为了获得尽可能丰富的训练样本，设计了以下风力发电系统的状态：风力发电系统正常运行、齿轮箱齿轮磨损、齿轮箱齿轮断齿、滚动轴承内圈损坏、滚动轴承外圈损坏、风力发电机定子匝间短路故障、风力发电机定子相间短路故障、网侧变流器开路故障和机侧变流器开路故障。