CN110046562A - 一种风电系统健康监测方法及装置 - Google Patents

Abstract

本发明公开了一种风电系统健康监测方法及装置，该方法包括获取风电系统各种设备工作时的振动信号；对所述振动信号应用语谱图和PCA进行预处理；根据多维模糊聚类网络将经预处理后的数据，分为显著故障数据和微小故障数据；当数据为所述显著故障数据时，输入DBN‑ELM显著故障诊断模型，输出故障诊断结果。该方法可提高显著故障的诊断正确率，降低未知故障类型辨识的复杂度；且简单快速，诊断结果有效，可以为风力发电机组状态监测提供很好的技术支持，在大大提高风机安全性的同时，也可有效降低风力发电的成本。

Description

一种风电系统健康监测方法及装置

技术领域

本发明涉及风力发电设备监测技术领域，特别涉及一种风电系统健康监测方法及装置。

背景技术

风能是一种取之不尽用之不竭的绿色能源，根据全球风能协会(Global WindEnergy Council)公布的最新数据，北美洲、中美洲和南美洲的总风电装机容量在2018年增加至135千兆瓦，新增风电11.9吉瓦，同比增长12％；欧洲在2018年新增海上风电总装机容量为2.6吉瓦，使该地区的总装机容量达到18.5吉瓦。据不完全统计我国2018年1月份至7月份，新增风电发电装机容量946万千瓦，同比增长216万千瓦，同比增长近23％。仅2018年8-9月累计新增装机容量分别为12.61千兆瓦、14.47千兆瓦，同比分别增长30％和35.22％。随着经济社会稳步快速发展，能源资源瓶颈制约日益突出，已成为经济社会发展的主要制约因素之一。大力开发利用风能资源，加快风电等新能源产业发展，有利于优化全省能源结构、减少化石能源消耗、促进节能减排、缓解能源约束，培育新的经济增长点，促进产业结构升级、转变经济发展方式，推动经济平稳较快发展有着十分重要的意义。

但是风力发电系统往往安装在偏僻的、难以接近的或者气候不适合人类长期逗留的地域，长期以来，一直采用计划维修和事后维修的方式。计划维修在运行2500h或者5000h后进行例行维护，无法全面及时地了解设备状况；事后维修则更是维修工作旷日持久，损失重大。

因此，如何实现对风电系统实时在线监测，是同行从业人员亟待解决的问题。

发明内容

鉴于上述问题，本发明提供了一种风电系统健康监测方法及装置，该方法可减少设备事故率，降低维修费用，大大提高风机安全性的同时，可有效降低风力发电的成本。

第一方面，本发明实施例提供一种风电系统健康监测方法，所述方法包括：

获取风电系统各种设备工作时的振动信号；

对所述振动信号应用语谱图和PCA进行预处理；

根据多维模糊聚类网络将经预处理后的数据，分为显著故障数据和微小故障数据；

当数据为所述显著故障数据时，输入DBN-ELM显著故障诊断模型，输出故障诊断结果。

在一个实施例中，所述方法还包括：

当数据为所述微小故障数据时，输入DBN-CNN组合模型显著故障诊断模型，输出故障诊断结果。

在一个实施例中，所述DBN-CNN组合模型的诊断过程，包括：

采用DBN-CNN组合模型结合动态分配权值进行组合预测及故障类型的识别，并建立故障库；

当有未知故障发生，组合模型进行故障识别；所述未知故障称为第一故障；

当所述第一故障不属于故障库中的故障类型，且所述第一故障出现多次，将其定义为第二故障，并更新原来的故障库，以实现对未知故障的动态辨识诊断。

在一个实施例中，所述DBN-ELM显著故障诊断模型的生成过程如下：

获取风电系统各种设备工作时的振动信号；

对所述振动信号应用语谱图和PCA进行预处理，作为训练样本；

将所述训练样本输入RBM，通过无监督贪婪训练每一层RBM；

将训练后的RBM组合构建DBN，采用FA优化算法对DBN网络进行微调；

将隐层1之后的网络去除，以极限学习机作为输出层；

第1个隐层到第2隐层以及第2隐层到输出层的权重和偏置由ELM算法确定，生成DBN-ELM显著故障诊断模型。

在一个实施例中，对所述振动信号应用语谱图和PCA进行预处理，包括：

将所述振动信号加窗分帧、短时傅里叶变换得到短时幅度谱估计,计算信号的功率谱函数，生成语谱图。

将所述语谱图进行归一化处理，得到语谱灰度图；

采用Gabor小波对所述语谱灰度图进行处理，再通过采用分块降采样PCA降维处理。

第二方面，本发明实施例提供一种风电系统健康监测装置，所述装置包括：

获取模块，用于获取风电系统各种设备工作时的振动信号；

预处理模块，用于对所述振动信号应用语谱图和PCA进行预处理；

划分模块，用于根据多维模糊聚类网络将经预处理后的数据，划分为显著故障数据和微小故障数据；

诊断模块，用于当数据为所述显著故障数据时，输入DBN-ELM显著故障诊断模型，输出故障诊断结果。

在一个实施例中，所述诊断模块，还用于当数据为所述微小故障数据时，输入DBN-CNN组合模型显著故障诊断模型，输出故障诊断结果。

在一个实施例中，所述诊断模块中DBN-CNN组合模型的诊断过程，包括：

采用DBN-CNN组合模型结合动态分配权值进行组合预测及故障类型的识别，并建立故障库；

当有未知故障发生，组合模型进行故障识别；所述未知故障称为第一故障；

当所述第一故障不属于故障库中的故障类型，且所述第一故障出现多次，将其定义为第二故障，并更新原来的故障库，以实现对未知故障的动态辨识诊断。

在一个实施例中，所述诊断模块中所述DBN-ELM显著故障诊断模型的生成过程如下：

获取风电系统各种设备工作时的振动信号；

对所述振动信号应用语谱图和PCA进行预处理，作为训练样本；

将所述训练样本输入RBM，通过无监督贪婪训练每一层RBM；

将训练后的RBM组合构建DBN，采用FA优化算法对DBN网络进行微调；

将隐层1之后的网络去除，以极限学习机作为输出层；

第1个隐层到第2隐层以及第2隐层到输出层的权重和偏置由ELM算法确定，生成DBN-ELM显著故障诊断模型。

在一个实施例中，所述预处理模块，包括：

生成子模块，用于将所述振动信号加窗分帧、短时傅里叶变换得到短时幅度谱估计,计算信号的功率谱函数，生成语谱图；

归一化处理子模块，用于将所述语谱图进行归一化处理，得到语谱灰度图；

降维子模块，用于采用Gabor小波对所述语谱灰度图进行处理，再通过采用分块降采样PCA降维处理。

本发明实施例提供的上述技术方案的有益效果至少包括：

本发明实施例提供的一种风电系统健康监测方法，该方法获取反映风电系统运行状态的振动信号，在对振动信号进行处理后，输入DBN-ELM显著故障诊断模型，可输出设备运行的状况报告和诊断结果，并根据诊断结果安排合适的检修计划。该方法利用主成分分析(Principal Components Analysis,PCA)结合语谱图机进行风电系统故障特征提取，提升信息提取的完备性和精确度；根据DBN-ELM显著故障诊断模型，提高显著故障的诊断正确率，降低未知故障类型辨识的复杂度。并且可减少设备事故率，降低维修费用，获利投资比较高；在大大提高风机安全性的同时，也可有效降低风力发电的成本。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例提供的一种风电系统健康监测方法的流程图；

图2为本发明实施例提供的风电系统故障诊断方法总技术路线图；

图3为本发明实施例提供的故障特征提取网络流程图；

图4为本发明实施例提供的DBN-ELM网络结构图；

图5为本发明实施例提供的微故障诊断模型DBN-CNN诊断流程图；

图6为本发明实施例提供的一种风电系统健康监测装置的框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

参照图1所示，本发明实施例提供的一种风电系统健康监测方法，包括：S11～S14；

S11、获取风电系统各种设备工作时的振动信号；

S12、对所述振动信号应用语谱图和PCA进行预处理；

S13、根据多维模糊聚类网络将经预处理后的数据，分为显著故障数据和微小故障数据；

S14、当数据为所述显著故障数据时，输入DBN-ELM显著故障诊断模型，输出故障诊断结果。

本实施中，步骤S11可利用有效的设备监测和故障诊断手段，能对风电机组运行中的各个参数进行连续监测，实时获取反映风电机组运行状态的各种信息，步骤S12-S14在对各种信息进行分析处理后，给出设备运行的状况报告和诊断结果，并根据诊断结果安排合适的检修计划，并且可减少设备事故率，降低维修费用，获利投资比较高；在大大提高风机安全性的同时，也可有效降低风力发电的成本；且简单快速，诊断结果有效，可以为风力发电机组状态监测提供很好的技术支持。

其中，步骤S13中多维模糊聚类网络的目标函数为：

U为隶属度矩阵，为隶属度，c为聚类类别，X为待分类样本集,为第个样本，n为待分类样本集中样本元素的个数，m为隶属度矩阵的指数。

步骤：

初始化:给定聚类类别数c，n是数据个数，设定迭代阈值ε，初始化聚类中心矩阵C(0)，设置迭代次数

步骤一:计算或更新隶属度矩阵计算公式为：

步骤二:更新聚类中心矩阵计算公式：

步骤三:如果则算法停止并输出隶属度矩阵U和聚类中心C，否则令转向步骤一

表1为电机组关键部件故障详细情况为例：

可见叶片的平均排除故障耗时最长，达到229.54h，其次是齿轮箱和发电机，分别是158.01h和105.93h。

表1 风电机组关键部件故障详细情况

该表1为来自德国某风场的故障统计，从表中可见发电机和传动链系统是最容易发生故障的部件，由它们引起的停机率高达60％。

因此，本实施例中，结合风电机组大数据的特点与深度学习的优势，从而提出了本风电系统故障诊断方法，科利用主成分分析(Principal Components Analysis,PCA)结合语谱图机进行风电系统故障特征提取，提升信息提取的完备性和精确度；建立DBN-ELM智能风电显著故障诊断与预测模型，提高显著故障的诊断正确率，降低未知故障类型辨识的复杂度；并且可减少设备事故率，降低维修费用，获利投资比较高；在大大提高风机安全性的同时，也可有效降低风力发电的成本。

进一步地，参照图1所示，该方法还包括：

S15、当数据为所述微小故障数据时，输入DBN-CNN组合模型显著故障诊断模型，输出故障诊断结果。

通过DBN-CNN诊断微故障预测模型，还可以克服风力发电系统不能及时预测微故障或产生虚警的不足；并且进一步地，将诊断结果通过可视化图形技术实现直观表达、灵活互动、有效沟通的信息呈现方式。

参照图2所示，采集风电系统各种设备工作时的振动信号数据，应用语谱图和PCA对采集数据进行故障特征预处理，然后通过多维模糊聚类网络将其分为两类，一类为显著故障数据，应用DBN-ELM进行诊断，另一类为微小故障数据，应用DBN-CNN组合模型进行故障诊断预测，最终输出结果。

在一个实施例中，上述步骤S12中，语谱图-PCA故障特征提取网络实现：故障诊断结果依赖于所提取特征信息的完备性和精准性，同时也依赖于对提取特征信息的完美程度。大型复杂设备振动信号的语谱图静音段包含大量的非零数值，直接提取计算语谱图的特征可能会引入误差。因此，需要对语谱图进行预处理，得到归一化的语谱图灰度图像。

图3为本项目故障特征提取网络流程图，包括：

将所述振动信号加窗分帧、短时傅里叶变换得到短时幅度谱估计,计算信号的功率谱函数，生成语谱图；

将所述语谱图进行归一化处理，得到语谱灰度图；

采用Gabor小波对所述语谱灰度图进行处理，再通过采用分块降采样PCA降维处理。

1)加窗分帧：把声振数据采样保存为文本格式并进行语言学分析，确定句子的低层结构和每个字的音素的组成，再把处理好的文本数据所对应的单字或短语从语音数据集中提取，把语言学描述转化成言语波形，然后保存为WAV格式的数据；

2)将语音数据解析得到采样信号x(n)，n＝1,2...N-1,其中n为时域采样点序号，N是信号长度，再对信号进行分帧加窗处理，然后采用离散短时傅里叶变换得到短时幅度谱估计X(n,k)：

其中0≤k≤N-1，m是帧同步的时间序号。

接下来计算信号的功率谱函数p(n,k)：

p(n,k)＝|X(n,k)|²＝(X(n,k))×(conj(X(n,k))) (2)

最后画出以时间n为横坐标，k为纵坐标，p(n,k)的值为灰度级的二维图像，即为语谱图。

3)进行归一化处理，得到归一化语音图谱，即

式中，p(n,k)为语谱图，p_max(n,k)，p_min(n,k)分别为语谱图灰度级中的最大值和最小值，最后将语谱图量化成0～255的灰度级图像S(n,k)。

4)由于Gabor小波具有良好的局部空域、频域分辨力,对相邻灰度纹理的分析很有效。因此本项目应用Gabor小波对振动信号语谱图进行处理。

定义Gabor小波核函数如下：

式中，μ表示Gabor的核方向；ν表示核尺度；z表示像素点的空间坐标；σ表示高斯函数的半径；k_μ,ν控制高斯窗宽度、震荡波长及方向,k_v为滤波采样率。

根据上述计算得到复系数Gabor图谱,取幅值后与语谱灰度图S(z)进行卷积,即S_μ,ν＝S(z)*abs(ψ_μ,ν(z))，然后所有向量化的S_μ,ν依次排列，构成特征矩阵

S_O＝[vec(S_0，0)，…，vec(S_k，l)]。

5)特征矩阵S_O维数很高，含有很对振动信号贡献很小或这没有贡献的特征，直接送入分类器训练或识别，计算效率将降低。本文采用分块降采样PCA降维处理,即先将矩阵分块,对每块最大值降采样,再将矩阵化为均值为0、方差为1的正态分布阵,最后作为独立样本进行PCA,过程如下：

(1)设S_μ,ν大小为m×n，将其分解为p·q个子块，子块矩阵大小为i×k，表示为S_ik，这里p·i＝m，q·k＝n

(2)每个子块S_k只保留最大值，即i×k→1,缩减为一个大小的矩阵p×q,表示为SA_μ,ν＝[max((S_ik)_ii)]_p×q,SA_μ,ν向量化,构成列μ·ν、p·q行降采样后新的特征矩阵,表示为：

SA_O＝[vec(SA_0，0)，…，vec(SA_k，l)] (6)

(3)高维矩阵进行PCA处理,投影到低维子空间：

PCA(SA_O)＝A^T(SA_O-μ) (7)

A^T为低维映射矩阵,由代表主成分方向的k个本征向量构成,大小(μ,ν)×k；这里k＝p·q,μ为SA_O的均值。

通过分块降采样和PCA处理,在保留贡献较大的信号素成分的同时,使滤波后的特征矩阵冗余信息大大约减,节省了分类模型训练和识别的计算开销。

在一个实施例中，DBN-ELM显著故障诊断模型的实现：

故障诊断结果依赖于所提取特征信息的完备性和精准性，同时也依赖于故障诊断模型对特征信息识别的完美程度。图4为显著故障诊断DBN-ELM网络结构图。

在本实施例中，首先通过无监督贪婪训练每一层RBM，，将训练后的RBM组合构建DBN，采用萤火虫(Firefly Algorithm，FA)优化算法对整个网络进行微调。

式中：I为输入向量，O为输出向量，H_i为第i个隐层的输出向量。

然后将隐层1之后的网络去除，以极限学习机作为输出层。这样第1个隐层到第2隐层以及第2个隐层到输出层的权重和偏置则是由ELM算法确定。则该深度结构的神经网络可以表示为：

式中：W₁为输入层到第2个隐层的权重，b_i为输入层到第1个隐层的偏置，β_i为第1个隐层到第2隐层的输出权重。

对于深度信念网DBN，目标是最小化输出的误差，可以表示为

式中：为隐层1节点的个数；为期望输出。

将ELM运用到DBN模型的训练中，使得该网络兼有两种模型的优点，在故障诊断过程中一方面DBN-ELM网络识别复杂系统本征属性能力更强，诊断精度更高，学习速度更快且泛化性能更好；另一方面DBN-ELM网络等同于一种降维方法，可减少网络层数和每层节点数设置，能够提高系统运算速度。

在一个实施例中，DBN-CNN组合智能复杂系统微故障诊断模型实现：

为了克服目前复杂设备报警装置易受外界干扰发生微故障产生虚警的不足，参照图5所示，对于微故障本实施例中，应用DBN-CNN组合模型进行故障检测，当系统运行时，采用DBN-CNN组合模型结合动态分配权值进行组合预测及故障类型的识别，并建立故障库。若有未知故障发生，，组合模型进行故障识别后，如不属于故障库中的故障类型，且这类故障又是多次出现的，便会将其定义为新故障，并更新原来的故障库。当新故障再次发生时，诊断系统便可将它作为已知故障识别出来，以实现动态辨识诊断功能。

该组合方法动态分配权重，可向单次预测效果最好的模型倾斜，相互补充各诊断模型之间的不足，综合应对能力强。

上述动态分配权值方法：

根据DBN和CNN与期望值只差分别为J₁和J₂，权重分配的新性能指标函数设计为：minJ＝ω₁J₁+ω₂J₂，ω₁,ω₂∈[0,1],ω₁+ω₂＝1，为权系数，反映了每个子目标的重要程度。

基于同一发明构思，本发明实施例还提供了一种风电系统健康监测装置，由于该装置所解决问题的原理与前述一种风电系统健康监测方法相似，因此该装置的实施可以参见前述方法的实施，重复之处不再赘述。

本发明实施例还提供了一种风电系统健康监测装置，该装置参照图6所示，包括：

获取模块61，用于获取风电系统各种设备工作时的振动信号；

预处理模块62，用于对所述振动信号应用语谱图和PCA进行预处理；

划分模块63，用于根据多维模糊聚类网络将经预处理后的数据，划分为显著故障数据和微小故障数据；

诊断模块64，用于当数据为所述显著故障数据时，输入DBN-ELM显著故障诊断模型，输出故障诊断结果。

在一个实施例中，所述诊断模块64，还用于当数据为所述微小故障数据时，输入DBN-CNN组合模型显著故障诊断模型，输出故障诊断结果。

在一个实施例中，所述诊断模块中DBN-CNN组合模型的诊断过程，包括：

采用DBN-CNN组合模型结合动态分配权值进行组合预测及故障类型的识别，并建立故障库；

当有未知故障发生，组合模型进行故障识别；所述未知故障称为第一故障；

当所述第一故障不属于故障库中的故障类型，且所述第一故障出现多次，将其定义为第二故障，并更新原来的故障库，以实现对未知故障的动态辨识诊断。

在一个实施例中，所述诊断模块中所述DBN-ELM显著故障诊断模型的生成过程如下：

获取风电系统各种设备工作时的振动信号；

对所述振动信号应用语谱图和PCA进行预处理，作为训练样本；

将所述训练样本输入RBM，通过无监督贪婪训练每一层RBM；

将训练后的RBM组合构建DBN，采用FA优化算法对DBN网络进行微调；

将隐层1之后的网络去除，以极限学习机作为输出层；

第1个隐层到第2隐层以及第2隐层到输出层的权重和偏置由ELM算法确定，生成DBN-ELM显著故障诊断模型。

在一个实施例中，参照图6所示，所述预处理模块62，包括：

生成子模块621，用于将所述振动信号加窗分帧、短时傅里叶变换得到短时幅度谱估计,计算信号的功率谱函数，生成语谱图；

归一化处理子模块622，用于将所述语谱图进行归一化处理，得到语谱灰度图；

降维子模块623，用于采用Gabor小波对所述语谱灰度图进行处理，再通过采用分块降采样PCA降维处理。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种风电系统健康监测方法，其特征在于，所述方法包括：

获取风电系统各种设备工作时的振动信号；

对所述振动信号应用语谱图和PCA进行预处理；

根据多维模糊聚类网络将经预处理后的数据，分为显著故障数据和微小故障数据；

当数据为所述显著故障数据时，输入DBN-ELM显著故障诊断模型，输出故障诊断结果。

2.如权利要求1所述的一种风电系统健康监测方法，其特征在于，所述方法还包括：

当数据为所述微小故障数据时，输入DBN-CNN组合模型显著故障诊断模型，输出故障诊断结果。

3.如权利要求2所述的一种风电系统健康监测方法，其特征在于，所述DBN-CNN组合模型的诊断过程，包括：

采用DBN-CNN组合模型结合动态分配权值进行组合预测及故障类型的识别，并建立故障库；

当有未知故障发生，组合模型进行故障识别；所述未知故障称为第一故障；

当所述第一故障不属于故障库中的故障类型，且所述第一故障出现多次，将其定义为第二故障，并更新原来的故障库，以实现对未知故障的动态辨识诊断。

4.如权利要求1所述的一种风电系统健康监测方法，其特征在于，所述DBN-ELM显著故障诊断模型的生成过程如下：

获取风电系统各种设备工作时的振动信号；

对所述振动信号应用语谱图和PCA进行预处理，作为训练样本；

将所述训练样本输入RBM，通过无监督贪婪训练每一层RBM；

将训练后的RBM组合构建DBN，采用FA优化算法对DBN网络进行微调；

将隐层1之后的网络去除，以极限学习机作为输出层；

第1个隐层到第2隐层以及第2隐层到输出层的权重和偏置由ELM算法确定，生成DBN-ELM显著故障诊断模型。

5.如权利要求1或4所述的一种风电系统健康监测方法，其特征在于，对所述振动信号应用语谱图和PCA进行预处理，包括：

将所述振动信号加窗分帧、短时傅里叶变换得到短时幅度谱估计,计算信号的功率谱函数，生成语谱图；

将所述语谱图进行归一化处理，得到语谱灰度图；

采用Gabor小波对所述语谱灰度图进行处理，再通过采用分块降采样PCA降维处理。

6.一种风电系统健康监测装置，其特征在于，所述装置包括：

获取模块，用于获取风电系统各种设备工作时的振动信号；

预处理模块，用于对所述振动信号应用语谱图和PCA进行预处理；

划分模块，用于根据多维模糊聚类网络将经预处理后的数据，划分为显著故障数据和微小故障数据；

诊断模块，用于当数据为所述显著故障数据时，输入DBN-ELM显著故障诊断模型，输出故障诊断结果。

7.如权利要求6所述的一种风电系统健康监测装置，其特征在于，所述诊断模块，还用于当数据为所述微小故障数据时，输入DBN-CNN组合模型显著故障诊断模型，输出故障诊断结果。

8.如权利要求6所述的一种风电系统健康监测装置，其特征在于，所述预处理模块，包括：

生成子模块，用于将所述振动信号加窗分帧、短时傅里叶变换得到短时幅度谱估计,计算信号的功率谱函数，生成语谱图；

归一化处理子模块，用于将所述语谱图进行归一化处理，得到语谱灰度图；

降维子模块，用于采用Gabor小波对所述语谱灰度图进行处理，再通过采用分块降采样PCA降维处理。