CN108799012A - 基于改进多胞型观测方法的风力机桨距执行器故障诊断方法 - Google Patents

Abstract

本发明提出一种基于改进多胞型观测方法的风力机桨距执行器故障诊断方法，主要包括：(1)建立风力机线性变参数模型，在MATLAB中进行模型搭建；（2）在无故障条件下运行MATLAB中的风力机模型，采集正常运行时的桨距角数据；（3）基于风力机线性变参数模型，利用多胞型未知输入观测方法实现干扰项的解耦，通过重构干扰矢量解耦干扰，从而消除未知干扰的影响；（4）通过配置状态反馈矩阵来减小噪声信号对系统的影响；（5）观测系统正常运行时的输出残差，设计阈值进行残差的评估，利用一段时间里残差信号的均方根值是否超过阈值来检测系统是否发生故障。本发明能够有效判断出桨距执行器故障，利于及时发现故障，确保系统稳定运行。

Description

基于改进多胞型观测方法的风力机桨距执行器故障诊断方法

技术领域

本发明涉及到风力机系统故障诊断技术领域，具体为一种利用改进多胞型未知输入观测方法实现桨距执行器故障诊断的方法。

背景技术

风能作为资源丰富的可再生能源，清洁无污染，因为它具有取之不尽用之不竭的特性，所以风能利用已经成为世界各国用于解决能源危机、环境污染问题的有效方法。风力机是实现风能转换成电能的有效途径。桨距系统属于风力机系统中重要的组成部分，而桨距执行器又是桨距系统中的关键部件，该部件主要负责调整叶片桨距角。桨距执行器是一个特别容易出现故障的部件，一旦桨距执行器出现故障，就会造成桨距角得不到及时的调整或者无法调整，导致桨距系统的动态滞后甚至造成系统失控，对快速随机变化的风速反应不及时，造成工作在额定风速以上时输出功率不稳定。

为确保风力机系统安全稳定的运行，有效阻止故障的传播和扩散，减少风力机系统运行维护的成本，及时的诊断和处理桨距执行器故障是必要的。

利用观测方法实现故障诊断属于基于分析模型的方法，在对象模型的基础上根据输入信号和输出信号，结合相应的方法，诊断出系统当前存在的故障。

发明内容

本发明针对风力机桨距执行器故障诊断受干扰和噪声影响的问题，提出一种基于改进多胞型未知输入观测方法的故障诊断方法，实现对桨距执行器的故障诊断。所设计的改进多胞型观测方法能够在能在解耦干扰的同时抑制噪声信号的影响，并能准确诊断出桨距执行器的故障。

按照本发明提供的技术方案，所述基于改进多胞型观测方法的风力机桨距执行器故障诊断方法包括5个步骤：

步骤1、在风力机各个子模型的基础上建立线性变参数模型，在MATLAB中进行模型搭建；

步骤2、在无故障条件下运行MATLAB中的风力机模型，采集风力机模型正常运行时的桨距角数据，并将采集到的桨距角运行数据离线保存；

步骤3、基于风力机线性变参数模型，利用多胞型未知输入观测方法实现干扰项的解耦，通过重构干扰矢量解耦干扰，从而消除未知干扰的影响；

步骤4、考虑到实际运行中噪声的影响，通过配置状态反馈矩阵来减小噪声信号对系统的影响；

步骤5、观测系统正常运行时的输出残差，设计阈值进行残差的评估，利用一段时间里残差信号的均方根值是否超过阈值来检测系统是否发生故障。

具体的，步骤1中，风力机系统包括空气动力子系统、传动子系统、桨距子系统和功率子系统，在风力机各个子模型的基础上建立风力机线性变参数模型；

风机的空气动力学模型为

传动系统模型为

功率系统的模型为

桨距系统模型为

其中，ρ为空气密度常数，R为风轮转子半径，v_r(t)为有效风速，在风速v_r(t)的驱动下带动风轮转子以速度ω_r(t)旋转，从而将风能转化为机械能；所转化的效率由功率系数C_p(λ(t),β(t))决定，功率系数C_p(λ(t),β(t))是叶尖速比λ(t)和桨距角β(t)的函数；传动机构由风轮转子侧的低速轴和发电机侧的高速轴组成，风轮捕获风中的动能，使低速轴转动产生机械转矩，然后通过变比为N_g的齿轮箱与高速轴连接，将机械转矩传递到与之相连的发电机上带动其旋转；J_r、^J _g和B_r、^B _g分别为高、低速轴的转动惯量和摩擦系数，B_dt和K_dt为传动机构的扭力衰减系数和扭转刚度，θ_Δ(t)为传动系统的输出扭矩角，ω_g(t)和T_g(t)分别为发电机速度和力矩；功率系统能够将机械能转换成电能并输送给电网，通过控制发电机力矩T_g(t)来跟踪其参考输出T_g,ref(t)，获得相应的功率；发电机产生的电能P_g(t)由发电机速度和负载大小决定，η_g是发电机的效率；β(t)和β_ref(t)分别为桨距角实际值和参考值，ω_n和ζ分别为桨距执行器的自然频率和阻尼系数；

风力机线性变参数模型为

各矩阵在凸包范围内变化，即：

其中ω_n0为无故障时的自然频率，k_r,β(θ)，B_r(θ)，k_r,v(θ)均为和力矩相关的气动参数；

按照上述模型在MATLAB中进行风力机模型搭建。

具体的，步骤3中，基于风力机线性变参数模型，利用多胞型未知输入观测方法实现干扰项的解耦，通过重构干扰矢量解耦干扰，从而消除未知干扰的影响；

多胞型未知输入观测模型为

z(t),x(t)∈Rⁿ分别为观测模型的状态向量和系统状态向量，u(t)∈R^m为系统的控制输入向量，y(t)∈R^l为系统输出向量，d(t)∈R^r为系统未知输入，分别为x(t),y(t)的估计向量，e_x(t)为状态偏差，N(θ),G(θ),L(θ)均为适维的参变矩阵

存在矩阵M，MCD＝I，使得干扰项估计值的表达式为：令K＝I-HC，整理可得多胞型未知输入观测结构的表达式为

式中H＝DM，N(θ)＝KA(θ)-L(θ)C，G(θ)＝KB(θ)，为待设计矩阵。

具体的，步骤4中，考虑到实际运行中噪声的影响，通过配置状态反馈矩阵来减小噪声信号对系统的影响；状态估计偏差表示成下列形式

状态估计偏差的协方差为p(t)＝ε{e_x(t)e_x(t)^T}

协方差的更新公式为

p(t+1)＝N(θ)p(t)N(θ)^T+KQK^T+HRH^T+L(θ)RL(θ)^T,令E(θ)＝W(θ)p(t)C^T(V^T)^-1

当p(t+1)最小时滤波效果达到最优，此时L(θ)V-E(θ)＝0；求得反馈矩阵表示如下

L(θ)＝W(θ)p(t)C^T(Cp(t)C^T+R)^-1。

步骤5中，采用前面4步搭建的观测器观测正常运行时桨距系统模型输出与它的故障模型输出对比产生的残差信号理想情况下，当系统正常运行时输出残差应该为零，故障情况下残差偏离零值。但实际运行中，由于建模偏差的影响，即使在正常情况下残差也不是严格收敛于零值的。因此，设计阈值进行残差的评估。阈值的设定采用RMS值的方法，即利用一段时间里残差信号的均方根值来检测系统的故障。具体的，将设定时间段残差信号均方根值的上确界定义为阈值；在实际运行中，当残差的均方根大于阈值时判断系统出现故障，当均方根值小于阈值时判断系统正常运行。

本发明的优点如下：

1、所设计的观测方法能够实现未知干扰解耦；

2、所设计的观测方法对噪声具有鲁棒性；

3、所设计的观测方法能够准确诊断出风力机的桨距执行器故障。

附图说明

图1为仿真风速。

图2为仿真风速下的转矩。

图3为仿真风速下的桨距角。

图4为正常运行时的残差曲线。

图5为白噪声下的桨距角输出。

图6为泵堵塞时的观测残差。

图7是本发明总体流程图。

具体实施方式

下面结合附图和实施例对本发明做进一步的说明。

如图7所示，本发明总体包括以下步骤：

步骤1、在风力机各个子模型的基础上建立线性变参数模型，在MATLAB中进行模型搭建；

步骤2、在无故障条件下运行MATLAB中的风力机模型，采集风力机模型正常运行时的桨距角数据，并将采集到的桨距角运行数据离线保存；

步骤3、基于风力机线性变参数模型，利用多胞型未知输入观测方法实现干扰项的解耦，通过重构干扰矢量解耦干扰，从而消除未知干扰的影响；

步骤4、考虑到实际运行中噪声的影响，通过配置状态反馈矩阵来减小噪声信号对系统的影响；

步骤5、观测系统正常运行时的输出残差，设计阈值进行残差的评估，利用一段时间里残差信号的均方根值是否超过阈值来检测系统的故障。

风力机系统包括空气动力子系统、传动子系统、桨距子系统和功率子系统，在风力机各个子模型的基础上建立风力机线性变参数模型。

实施例中以4.8MW三叶片水平轴风力机模型在MATLAB中进行仿真，仿真参数如表1所示：

表1风力机仿真参数

仿真运行100s，仿真风速如图1所示，风速在15m/s和25m/s之间变化。仿真风速下的转矩输出曲线和桨距角输出曲线分别如图2和图3所示。对比两图可知，转矩到达额定转速之前，桨距角输出为零；转速到达额定值时出现短时超调，超调期间桨距角不为零；转矩到达额定值后，通过调节桨距角实现恒功率输出。

观测模型构建步骤：首先，根据MCD＝I，K＝I-HC，H＝DM以及观测模型的表达式可以求解得到矩阵M和矩阵K；然后，根据公式

L(θ)＝W(θ)p(t)C^T(Cp(t)C^T+R)^-1

p(t+1)＝W(θ)p(t)W(θ)^T+KQK^T+HRH^T-L(θ)Cp(t)W(θ)^T

求解反馈增益矩阵L(θ)；最后根据观测结构构建改进多胞型未知输入观测结构。

观测正常运行时桨距系统模型输出与它的故障模型输出对比产生的残差信号系统正常运行时，仿真得到的残差曲线如图4所示。由仿真结果可知，系统正常运行时，一般观测残差的最大值r_max＝1.96，残差最小值r_min＝-1.52；改进多胞型未知输入观测结构的残差幅值接近于零值，避免误警报，能够增加故障诊断的准确性。

在输入信号中引入高斯白噪声，并且在10s<t<18s时间段内加入干扰信号，桨距角输出曲线如图5所示。由图5可知，噪声信号使桨距角输出产生波动，另外，受干扰信号的影响，10s<t<18s时间段内，桨距角输出存在一定幅值。改进多胞型未知输入观测结构桨距角输出曲线在10s<t<18s时间段内幅值没有增加，同时去除了噪声信号。对比桨距角输出曲线图可知，改进多胞型未知输入观测结构能够使干扰解耦，并且能抑制噪声信号的影响。

理想情况下，当系统正常运行时输出残差应该为零，故障情况下残差偏离零值。但实际运行中，由于建模偏差等因素的影响，即使在正常情况下残差也不是严格收敛于零值的。因此，设计阈值进行残差的评估。阈值的设定采用RMS值的方法，即利用一段时间里残差信号的均方根值来检测系统的故障。具体的，将设定时间段残差信号均方根值的上确界定义为阈值；在实际运行中，当残差的均方根大于阈值时判断系统出现故障，当均方根值小于阈值时判断系统正常运行。

桨距执行器卡死故障通常是由液压传动系统中的泵堵塞引起的，该故障会使执行器失效，桨距角无法调整，极易造成系统失控。结合残差的均方根(RMS)公式和阈值设定公式得到阈值J_th,RMS＝1.8。如图6所示，50s<t<70s时发生泵堵塞故障，该时间段内，桨距角输出残差的RMS值J_RMS处于区间[3.34,4.12]内，大于阈值J_th,RMS＝1.8，表明系统存在故障。0s<t<50s和70s<t<100s两个时间段内，桨距角输出残差的RMS值均小于阈值，表明系统处于正常运行状态。

Claims (5)

1.基于改进多胞型观测方法的风力机桨距执行器故障诊断方法，其特征是，包括以下步骤：

步骤1、在风力机各个子模型的基础上建立线性变参数模型，在MATLAB中进行模型搭建；

步骤2、在无故障条件下运行MATLAB中的风力机模型，采集风力机模型正常运行时的桨距角数据，并将采集到的桨距角运行数据离线保存；

步骤3、基于风力机线性变参数模型，利用多胞型未知输入观测方法实现干扰项的解耦，通过重构干扰矢量解耦干扰，从而消除未知干扰的影响；

步骤4、考虑到实际运行中噪声的影响，通过配置状态反馈矩阵来减小噪声信号对系统的影响；

步骤5、观测系统正常运行时的输出残差，设计阈值进行残差的评估，利用一段时间里残差信号的均方根值是否超过阈值来检测系统是否发生故障。

2.如权利要求1所述基于改进多胞型观测方法的风力机桨距执行器故障诊断方法，其特征是，步骤1中，风力机系统包括空气动力子系统、传动子系统、桨距子系统和功率子系统，在风力机各个子模型的基础上建立风力机线性变参数模型；

风机的空气动力学模型为

传动系统模型为

功率系统的模型为

桨距系统模型为

其中，ρ为空气密度常数，R为风轮转子半径，v_r(t)为有效风速，在风速v_r(t)的驱动下带动风轮转子以速度ω_r(t)旋转，从而将风能转化为机械能；所转化的效率由功率系数C_p(λ(t),β(t))决定，功率系数C_p(λ(t),β(t))是叶尖速比λ(t)和桨距角β(t)的函数；传动机构由风轮转子侧的低速轴和发电机侧的高速轴组成，风轮捕获风中的动能，使低速轴转动产生机械转矩，然后通过变比为N_g的齿轮箱与高速轴连接，将机械转矩传递到与之相连的发电机上带动其旋转；J_r、J_g和B_r、B_g分别为高、低速轴的转动惯量和摩擦系数，B_dt和K_dt为传动机构的扭力衰减系数和扭转刚度，θ_Δ(t)为传动系统的输出扭矩角，ω_g(t)和T_g(t)分别为发电机速度和力矩；功率系统能够将机械能转换成电能并输送给电网，通过控制发电机力矩T_g(t)来跟踪其参考输出T_g,ref(t)，获得相应的功率；发电机产生的电能P_g(t)由发电机速度和负载大小决定，η_g是发电机的效率；β(t)和β_ref(t)分别为桨距角实际值和参考值，ω_n和ζ分别为桨距执行器的自然频率和阻尼系数；

风力机线性变参数模型为各矩阵在凸包范围内变化，即：

其中ω_n0为无故障时的自然频率，k_r,β(θ)，B_r(θ)，k_r,v(θ)均为和力矩相关的气动参数；

按照上述模型在MATLAB中进行风力机模型搭建。

3.如权利要求2所述基于改进多胞型观测方法的风力机桨距执行器故障诊断方法，其特征是，步骤3中，基于风力机线性变参数模型，利用多胞型未知输入观测方法实现干扰项的解耦，通过重构干扰矢量解耦干扰，从而消除未知干扰的影响；

多胞型未知输入观测模型为

z(t),x(t)∈Rⁿ分别为观测模型的状态向量和系统状态向量，u(t)∈R^m为系统的控制输入向量，y(t)∈R^l为系统输出向量，d(t)∈R^r为系统未知输入，分别为x(t),y(t)的估计向量，e_x(t)为状态偏差，N(θ),G(θ),L(θ)均为适维的参变矩阵存在矩阵M，MCD＝I，使得干扰项估计值的表达式为：令K＝I-HC，整理可得多胞型未知输入观测结构的表达式为

式中H＝DM，N(θ)＝KA(θ)-L(θ)C，G(θ)＝KB(θ)，为待设计矩阵。

4.如权利要求3所述基于改进多胞型观测方法的风力机桨距执行器故障诊断方法，其特征是，步骤4中，考虑到实际运行中噪声的影响，通过配置状态反馈矩阵来减小噪声信号对系统的影响；状态估计偏差表示成下列形式

状态估计偏差的协方差为p(t)＝ε{e_x(t)e_x(t)^T}

协方差的更新公式为

p(t+1)＝N(θ)p(t)N(θ)^T+KQK^T+HRH^T+L(θ)RL(θ)^T,令E(θ)＝W(θ)p(t)C^T(V^T)^-1

当p(t+1)最小时滤波效果达到最优，此时L(θ)V-E(θ)＝0；求得反馈矩阵表示如下

L(θ)＝W(θ)p(t)C^T(Cp(t)C^T+R)^-1。

5.如权利要求4所述基于改进多胞型观测方法的风力机桨距执行器故障诊断方法，其特征是，步骤5中，采用前面4步搭建的观测器观测正常运行时桨距系统模型输出与它的故障模型输出对比产生的残差信号将设定时间段残差信号均方根值的上确界定义为阈值；在实际运行中，当残差的均方根大于阈值时判断系统出现故障，当均方根值小于阈值时判断系统正常运行。