CN110244224A - 一种风力发电机转子不对中故障的载荷参数识别方法 - Google Patents
一种风力发电机转子不对中故障的载荷参数识别方法 Download PDFInfo
- Publication number
- CN110244224A CN110244224A CN201910522159.2A CN201910522159A CN110244224A CN 110244224 A CN110244224 A CN 110244224A CN 201910522159 A CN201910522159 A CN 201910522159A CN 110244224 A CN110244224 A CN 110244224A
- Authority
- CN
- China
- Prior art keywords
- parameter
- unknown
- unknown worm
- worm
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/346—Testing of armature or field windings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种风力发电机转子不对中故障的载荷参数识别方法,属于不确定性反问题技术领域。该方法包括:步骤S1,基于电机转子系统的输入参数,获得输出参数;所述输入参数包括未知输入参数和已知输入参数,所述未知输入参数为待识别的载荷参数;步骤S2,依据输入参数的改变量和输出参数的改变量计算敏感矩阵,并由最大似然算法获得未知输入参数的增量;步骤S3,判断未知输入参数以及由下一步未知输入参数计算获得的目标函数值是否满足停止准则;满足,则转步骤S4;不满足,则由搜索区间进退法更新未知输入参数后返回步骤S1;步骤S4,计算所述未知输入参数的置信区间。本发明实现了在较高计算效率前提下准确而快速地识别载荷参数。
Description
技术领域
本发明涉及不确定性反问题技术领域,尤其涉及一种风力发电机转子不对中故障的载荷参数识别方法。
背景技术
在各类旋转机械故障中60%的故障与不对中有关,不对中是风力发电机组及辅机设备最常发生的故障之一。风力发电机组运行工况复杂,转子出现不对中后会引起设备的振动、联轴器的偏转、轴承的磨损等危害。转子不对中故障会引起风力发电机承受轴向载荷和扭矩等载荷参数,此载荷参数会引起转子系统特征值等动力学性能发生改变,从而加重运行故障。利用载荷参数识别技术进行不对中故障诊断是解决分析不对中故障问题的必要工作。但对于风力发电机转子系统,工程实际中,不对中故障是多个载荷参数耦合影响,工程师难以凭经验了解载荷参数的大致范围,即难以获得载荷参数的先验信息。同时由于转子几何特征、材料因素和测量响应的随机性这些不确定性因素即使是在较小情况下,也很可能导致载荷参数识别结果产生较大的偏差。如何减小随机性等不确定因素的影响,快速地识别载荷参数成为不确定性反问题领域的研究热点。
识别引起风力发电机转子不对中故障的载荷参数时,因转子结构参数和测试条件等不确定性参数的存在,载荷参数区间不好确定。工程中对于待识别参数的先验信息未知的不确定性反问题经常采用最大似然法识别结构参数或载荷参数。最大似然法采用的搜索计算面临计算量大,且迭代过程中灵敏度会带来一些数值问题,从而影响到参数识别结果的准确性和可靠性、有时还会引起识别过程发散而得不到有效的辩识结果。
目前现有的一种基于RSSI的无线传感器网络自适应迭代定位方法,是基于最速梯度下降的自适应迭代方法,基于最大似然法的数学模型,将非线性最小二乘代价函数作为目标函数进行最速梯度下降搜索定位,最终通过迭代得到目标位置,由于采用了时变步长,继承了传统最大似然法可以定位非合作目标的优点,在目标RSSI值未知的情况下,可以对目标的RSSI值进行估计,然后定位,与最大似然定位的搜索算法相比,运算量小且定位精度高。该方法没有采用灵敏矩阵法将部分已知参数转化为显式可解的形式,而采用基于Sigmoid函数的时变步长来处理迭代,仍然难以适用于不能获得数模的复杂结构。
发明内容
鉴于上述的分析,本发明旨在提供一种风力发电机转子不对中故障的载荷参数识别方法,用以解决上述的部分或全部问题,实现有效快速识别引起风力发电机转子系统不对中故障的载荷参数,并减小不确定性因素对识别结果的影响。
本发明的目的主要是通过以下技术方案实现的:
本发明提供了一种风力发电机转子不对中故障的载荷参数识别方法包括:
步骤S1,基于风力发电机转子系统的输入参数,获得输出参数;所述输入参数包括未知输入参数和已知输入参数,所述未知输入参数为待识别的载荷参数;
步骤S2,依据输入参数的改变量和输出参数的改变量计算敏感矩阵,并由最大似然算法获得未知输入参数的增量;
步骤S3,判断未知输入参数以及由下一步未知输入参数计算获得的目标函数值是否满足停止准则;满足,则转步骤S4;不满足,则由搜索区间进退法更新未知输入参数后返回步骤S1;
步骤S4,计算所述未知输入参数的置信区间。
进一步地,所述步骤S1基于电机转子系统的输入参数,获得输出参数包括:未知输入参数Xu结合已知输入参数Xk的均值通过电机转子系统径向位移的正问题程序计算获得相应的前后圆盘处和前后轴承处的径向位移<Yu,Yk>;其中,Yu为未知输出参数,Yk为已知输出参数。
进一步地,所述步骤S2依据输出参数的改变量和输入参数的改变量计算敏感矩阵的公式如下:
其中,R=[Δyi,i=1,2,…,m]为输出参数的改变量,Q=[Δxi,i=1,2,…,n]为输入参数的改变量,m,n分别为输出参数和输入参数的个数,u,k分别表示参数的未知和已知,S11,S12,S21,S22为计算得到的敏感矩阵。
进一步地,由所述最大似然算法获得未知输入参数的增量包括:
其中,Aw=WA,Dw=WD,W=diag(1/σ1,1/σ2), 且 为方差, 分别为已知输入参数和已知输出参数的向量中第i个参数的偏差值。
进一步地,所述最大似然算法获得未知输入参数的增量B作为进退法迭代中的步长调整下一步未知输入参数的设计点,使得由下一步未知输入参数获得的目标函数值的变化呈现逐步下降趋势。
进一步地,所述步骤S3中判断未知输入参数以及由下一步未知输入参数计算获得的目标函数值是否满足停止准则包括:将增量B作为步长h并根据正问题程序分别计算并比较和
所述停止准则的具体公式如下:
其中,分别是第i步和第i+1步对应的未知输入参数, 是相对于未知输入参数 由正问题程序获得的目标函数值,是已知输出参数的测试结果,∈1,∈2为迭代停止设定的较小的实常数。
进一步地,所述更新未知输入参数采用搜索区间进退法包括:
若则向右前进,且加大步长h=2B,获得
若则向左后退,且h=-2B,获得
所述更新未知输入参数的具体公式如下:
其中,分别是第i步和第i+1步对应的未知输入参数, 是相对于未知输入参数 由正问题程序获得的目标函数值,ε2为设定的误差常数。
进一步地,所述步骤S4计算所述未知输入参数的置信区间的公式如下:
cov(B)=HTH/L;
利用该公式计算未知输入参数在预设置信度下的的置信区间为:
其中,cov(B)表示未知输入参数的协方差,H=BT-(Bc)T,H是L行M列的矩阵,表示最大似然算法计算值增量B与平均值Bc之间的距离,L为计算次数,M为未知输入参数的个数。
进一步地,所述已知输入参数包括转子锥段长度和密度,所述未知输入参数为载荷参数包括轴向载荷和扭矩;所述已知输入参数值xk服从概率密度正态分布为其中,为已知输入参数的平均值,为已知输入参数的偏差。
进一步地,所述输出参数包括已知输出参数和未知输出参数,所述未知输出参数为前后圆盘处的径向位移,所述已知输出参数为前后轴承处的径向位移;所述已知输出参数值yk服从概率密度正态分布为其中,为已知输出参数的平均值,为已知输出参数的偏差。
本发明技术方案的有益效果:本发明公开了一种风力发电机转子不对中故障的载荷参数识别方法,该方法引入搜索区间进退法对最大似然算法进行改进,避免搜索计算量大的问题,即该最大似然法中的迭代适于处理复杂工程优化问题,避免传统迭代数值法对搜索空间的苛刻要求,使改进后的最大似然法更快速地识别引起风力发电机转子不对中故障的载荷参数,减小不确定性因素对识别结果的影响,从而为不对中故障处理提供辅助决策依据。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分的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。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例的一种风力发电机转子不对中故障的载荷参数识别方法流程图;
图2为本发明实施例的载荷参数识别方法的具体算法流程图;
图3为本发明实施例的转子系统结构参数模型图;
图4为本发明实施例的载荷参数识别迭代过程的趋势曲线图;
图5为本发明实施例的轴向载荷置信度95%的置信区间迭代过程仿真图;
图6为本发明实施例的扭矩置信度95%的置信区间迭代过程仿真图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明的技术构思:风力发电机转子系统的载荷参数识别是建立在转子不对中故障的动力学分析的基础上进行的,即根据转子不对中故障动力学的基本分析方法建立转子的运动方程,进而由可测知的转子振动响应,结合运动方程,建立包括载荷参数的识别方程。转子系统的质量、阻尼和刚度矩阵已知,载荷参数为未知参数作为待识别参数,转子径向位移响应可以通过实验测量获得,通过转子径向位移响应来识别载荷参数。当载荷参数或转子结构参数有不确定因素时,转子径向位移响应也是不确定的。这种情况下基于转子径向位移响应识别载荷参数为不确定性识别问题。当只知道部分参数且已知测量参数满足正态分布的随机性时,这种不确定性识别问题属于结构系统输入和输出中同时存在不充足性和随机性的工程反问题。引入敏感矩阵可将输入和输出中参数的不充分性转化为显式可解形式。根据最大似然原理,将显式可解形式转化为类似最小二乘形式,从而将随机不确定性反问题转化为类似最小二乘形式的显式迭代优化问题,通过最小化实验测得的实验值和计算值的偏差来识别未知参数。本发明利用含有正态概论分布特性的已知输入参数和已知输出参数来识别未知输入参数的均值和置信区间,也即通过反复调整风力发电机转子系统计算模型的载荷参数,通过迭代使得计算的前后轴承处的径向位移与实验测量的前后轴承处的径向位移之间的误差最小,最后得到与现有测量结果吻合最好的载荷参数。也就是说,在工程反问题输入和输出中不确定性参数样本信息量充足时,可采用概率密度来描述参数的不确定性。根据已知参数概率密度,不考虑未知参数的先验信息,基于最大似然方法可以用最大似然函数取最大值时的参数值作为反求结果,并计算相应的置信区间。联合敏感矩阵将部分已知参数转化为显式可解的形式,通过简单求逆或是迭代方法识别未知参数,从而避免繁琐的数学处理。
本发明的一个具体实施例,如图1所示,一种风力发电机转子不对中故障的载荷参数识别方法包括:
S1,基于风力发电机转子系统的输入参数,获得输出参数;所述输入参数包括未知输入参数和已知输入参数,所述未知输入参数为待识别的载荷参数;
S2,依据输入参数的改变量和输出参数的改变量计算敏感矩阵,并由最大似然算法获得未知输入参数的增量;
S3,判断未知输入参数以及由下一步未知输入参数计算获得的目标函数值是否满足停止准则;满足,则转步骤S4;不满足,则由搜索区间进退法更新未知输入参数后返回步骤S1;
S4,计算所述未知输入参数的置信区间。
与现有技术相比,本发明针对搜索区间引起的问题,对最大似然法进行改进,引入确定搜索区间的进退法,使优化的目标函数值形成“高—低—高”的趋势,让目标函数值朝逐步下降方向牵引,避免了现有识别算法引起的数值问题,提高了载荷参数识别的鲁棒性,而且提高了识别的准确性和可靠性。
图2为本发明实施例的载荷参数识别方法的具体算法流程图。
本发明的一个具体实施例,结合图2所示,所述步骤S1基于电机转子系统的输入参数,获得输出参数包括:未知输入参数Xu结合已知输入参数Xk的均值通过电机转子系统径向位移的正问题程序计算获得相应的前后圆盘处和前后轴承处的径向位移<Yu,Yk>;其中,Yu为未知输出参数,Yk为已知输出参数。
实际应用中,风力发电机转子系统的载荷参数识别是建立在转子不对中故障的动力学分析的基础上进行的,即根据转子不对中故障动力学的基本分析方法建立转子的运动方程,进而由可测知的转子振动响应,结合运动方程,建立包括载荷参数的识别方程。
本发明的一个具体实施例,所述步骤S2依据输出参数的改变量和输入参数的改变量计算敏感矩阵的公式如下:
其中,R=[Δyi,i=1,2,…,m]为输出参数的改变量,Q=[Δxi,i=1,2,…,n]为输入参数的改变量,m,n分别为输出参数和输入参数的个数,u,k分别表示参数的未知和已知,S11,S12,S21,S22为计算得到的敏感矩阵。
需要说明的是,引入敏感矩阵可将输入和输出中参数的不充分性转化为显式可解形式。
具体地,对输入参数进行微小改变,从而由式(1)计算敏感矩阵。
本发明的一个具体实施例,由所述最大似然算法获得未知输入参数的增量包括:
其中,Aw=WA,Dw=WD,W=diag(1/σ1,1/σ2), 且 为方差, 分别为已知输入参数和已知输出参数的向量中第i个参数的偏差值。
具体地,由最大似然法获得如式(2)的未知参数增量B,根据该未知参数增量更新下一步输入参数的设计点。
本发明的一个具体实施例,所述最大似然算法获得未知输入参数的增量B作为进退法迭代中的步长调整下一步未知输入参数的设计点,使得由下一步未知输入参数计算获得的目标函数值的变化呈现逐步下降趋势。
具体地,根据最大似然原理将显式可解形式转化为类似最小二乘形式,从而将随机不确定性反问题转化为类似最小二乘形式的显式迭代优化问题,通过最小化实验测得的实验值和计算值的偏差来识别未知参数。当出现目标函数值与测试结果之间的误差值变大时,选取上一步的设计点作为初始设计点,重新开始搜索。
本发明的一个具体实施例,结合图2所示,所述步骤S3中判断未知输入参数以及由下一步未知输入参数计算获得的目标函数值是否满足停止准则包括:将增量B作为步长h并根据正问题程序分别计算并比较和
所述停止准则的具体公式如下:
其中,分别是第i步和第i+1步对应的未知输入参数, 是相对于未知输入参数 由正问题程序获得的目标函数值,是已知输出参数的测试结果,∈1,∈2为迭代停止设定的较小的实常数。
本发明的一个具体实施例,结合图2所示,所述更新未知输入参数采用搜索区间进退法包括:
若则向右前进,且加大步长h=2B,获得
若则向左后退,且h=-2B,获得
所述更新未知输入参数的具体公式如下:
其中,分别是第i步和第i+1步对应的未知输入参数, 是相对于未知输入参数 由正问题程序获得的目标函数值,ε2为设定的误差常数。
具体地,参见图2,开始设定误差常数ε,输入已知参数值的正态分布为输出已知参数值的正态分布为测试获得前后轴承处测试结果为假设未知输入参数值结合已知输入参数Xk的均值通过转子系统径向位移的正问题计算获得相应的前后圆盘和前后轴承处的径向位移对输入参数进行微小改变,由式(1)计算敏感矩阵,由最大似然法获得如式(2)的未知参数增量B后更新 当不符合式(3)中的停止准则时,即根据迭代停止设定的较小的实常数来判定,并由进退法式(4)更新未知输入参数返回重新设定误差常数ε2,同时根据更新的未知输入参数及已知输入参数Xk的均值再次通过转子系统径向位移的正问题计算获得相应的前后圆盘和前后轴承处的径向位移
本发明的一个具体实施例,结合图2所示,所述步骤S4计算所述未知输入参数的置信区间的公式如下:
cov(B)=HTH/L;
利用该公式计算未知输入参数在预设置信度下的的置信区间为:
其中,cov(B)表示未知输入参数的协方差,H=BT-(Bc)T,H是L行M列的矩阵,表示最大似然算法计算值增量B与平均值Bc之间的距离,L为计算次数,M为未知输入参数的个数。
具体地,当符合式(3)中的停止准则时,得到未知输入参数和未知输出参数后,根据蒙特卡罗法计算公式(5)输出的置信区间。
本技术方案利用了含有正态概论分布特性的已知输入参数和已知输出参数来识别未知参数的均值和置信区间,即通过反复调整转子系统计算模型的载荷参数,通过迭代使得计算的前后轴承处的径向位移与实验测量的前后轴承处的径向位移之间的误差最小,最后得到与现有测量结果吻合最好的载荷参数。
本发明的一个具体实施例,所述已知输入参数包括转子锥段长度和密度,所述未知输入参数为载荷参数包括轴向载荷和扭矩;所述已知输入参数值xk服从概率密度正态分布为其中,为已知输入参数的平均值,为已知输入参数的偏差。
本发明的一个具体实施例,所述输出参数包括已知输出参数和未知输出参数,所述未知输出参数为前后圆盘处的径向位移,所述已知输出参数为前后轴承处的径向位移;所述已知输出参数值yk服从概率密度正态分布为其中,为已知输出参数的平均值,为已知输出参数的偏差。
需要说明的是,转子系统的质量、阻尼和刚度矩阵均为已知参数,载荷参数为未知参数作为待识别参数,转子径向位移响应可以通过实验测量获得,通过转子径向位移响应来识别载荷参数。当载荷参数或转子结构参数有不确定因素时,转子径向位移响应也是不确定的。这种情况下基于转子径向位移响应识别载荷参数为不确定性识别问题。当只知道部分参数且已知测量参数满足正态分布的随机性时,这种不确定性识别问题属于结构系统输入和输出中同时存在不充足性和随机性的工程反问题。
具体地,风力发电机转子系统的输入参数包括轴向载荷和扭矩载荷参数(F,T)、锥段转子全长和密度(L,ρ)。输出参数为转子系统的前后轴承处和前后圆盘处的径向位移(d1,d2,d3,d4)。通过输出径向位移识别载荷参数及其置信区间,进而验证改进的最大似然法。本方案中输出参数的前后轴承处的径向位移是已知的并可以通过实验测量获得,而前后圆盘的径向位移未知。输入中的一部分参数,即转子锥度全长、密度(L,ρ)可以通过测量确定的。考虑测量结果中随机误差的影响,输入和输出中的已知参数是服从概率密度正态分布的随机变量,以3%测量偏差为例,已知参数表示为L~N(1050,31.52)mm、ρ~N(7850,235.52)、d1~N(0.35,0.01052)、d2~N(1.58,0.04742)。
实际应用中,以风力发电机锥形转子系统检验基于改进的最大似然法的载荷参数识别算法的精度和速度。
如图3所示的转子系统结构参数模型图。
转子弹性模量为210GPa,剪切弹性模量为80GPa,密度为7850kg/m3,转子总长为1410mm,锥形转子部分为1050mm,转子最小外径为35mm,最大外径为80mm,三个等效圆盘的外径分别为394mm,厚度为70mm。轴承为各向异性滑动轴承,距转子端面为185mm处为前轴承,滑动轴承油膜动力特性如表1所示。
表1滑动轴承油膜动力特性系数
实际应用具体来说,载荷参数识别的详细计算过程,参见图2所示的识别方法的算法流程,将此问题的参数向量写成如下形式:X={Xu,Xk}、Xu={F,T}、Xk={L,ρ}、Y={Yu,Yk}、Yu={d3,d4}、Yk={d1,d2}。设定停止准则常数,给定载荷参数的初始值为{300kN,400kN.m},将载荷参数的初始值和锥段转子全长、密度的均值1.05m、7850Kg/m3代入径向位移的有限元法计算程序中,得到输出参数前后圆盘和前后轴承处径向位移的计算结果分别为{2.21,29.04,2.06,4.14}um。如表2第一行所示,然后对输入参数做微小变化,并计算输出前后轴承处和前后圆盘处的径向位移的改变量,利用这些结果计算得到敏感矩阵,用最大似然法获得输入未知参数轴向载荷、扭矩均值分别为300.33kN、400.24kN.m,代入径向位移的有限元法计算程序中,得到输出参数前后圆盘和前后轴承处径向位移的计算结果分别为{2.21,29.05,2.06,4.14}um。如表2第二行所示。不满足式(3)中的停止准则时由进退法更新输入未知参数,更新后的轴向载荷、扭矩载荷参数值为301.66kN、401.88kN.m,如表2第三行所示。按照上述方式继续运行。针对本算例。经过94迭代后误差为0.00075352,满足停止准则,计算结束。
表2载荷参数识别结果
图4给出每一迭代步的载荷参数和前后轴承处径向位移仿真结果与测试结果之间的位移误差更新过程。从图4可知,每次迭代所得载荷参数使位移误差呈下降趋势,使待识别载荷参数朝最优点逼近。
具体应用中,对不同测量偏差下载荷参数识别进行分析如下:考虑已知参数1%、3%、5%三种测量偏差对载荷参数识别结果的影响,如表3所示。在每一迭代步中,采用式(6)计算95%置信区间。
表3载荷参数识别均值和95%置信区间
图5和图6给出每一迭代步中计算得到的载荷参数:轴向载荷和扭矩的置信区间。可知,随着测量误差的增大,载荷参数的置信区间也随之增大。
综上所述,本发明公开了一种风力发电机转子不对中故障的载荷参数识别方法包括:步骤S1,基于风力发电机转子系统的输入参数,获得输出参数;所述输入参数包括未知输入参数和已知输入参数,所述未知输入参数为待识别的载荷参数;步骤S2,依据输入参数的改变量和输出参数的改变量计算敏感矩阵,并由最大似然算法获得未知输入参数的增量;步骤S3,判断未知输入参数以及由下一步未知输入参数计算获得的目标函数值是否满足停止准则;满足,则转步骤S4;不满足,则由搜索区间进退法更新未知输入参数后返回步骤S1;步骤S4,计算所述未知输入参数的置信区间。本发明解决了目前技术中最大似然法不考虑未知参数的先验信息,使得迭代过程中的搜索区间未知造成搜索的盲目性,影响参数识别结果的准确性和可靠性,通过引入搜索区间进退法对最大似然法进行改进,避免了搜索计算量大的问题,使改进后的最大似然法更快速地识别引起转子不对故障的载荷参数,提高了不确定性识别问题的效率。本技术方案可在线识别转子系统载荷参数,对转子系统进行不对故障预测,解决各种因素引起的转子不对中故障,由于考虑了转子系统的环境因素和测试引起的不确定性,符合实际工程条件,具有工程实际应用价值。
本领域技术人员可以理解,实现上述实施例中方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种风力发电机转子不对中故障的载荷参数识别方法,其特征在于,包括:
步骤S1,基于风力发电机转子系统的输入参数,获得输出参数;所述输入参数包括未知输入参数和已知输入参数,所述未知输入参数为待识别的载荷参数;
步骤S2,依据输入参数的改变量和输出参数的改变量计算敏感矩阵,并由最大似然算法获得未知输入参数的增量;
步骤S3,判断未知输入参数以及由下一步未知输入参数计算获得的目标函数值是否满足停止准则;满足,则转步骤S4;不满足,则由搜索区间进退法更新未知输入参数后返回步骤S1;
步骤S4,计算所述未知输入参数的置信区间。
2.根据权利要求1所述的方法,其特征在于,所述步骤S1基于电机转子系统的输入参数,获得输出参数包括:
未知输入参数Xu结合已知输入参数Xk的均值通过电机转子系统径向位移的正问题程序计算获得相应的前后圆盘处和前后轴承处的径向位移<Yu,Yk>;其中,Yu为未知输出参数,Yk为已知输出参数。
3.根据权利要求1所述的方法,其特征在于,所述步骤S2依据输出参数的改变量和输入参数的改变量计算敏感矩阵的公式如下:
其中,R=[Δyi,i=1,2,…,m]为输出参数的改变量,Q=[Δxi,i=1,2,…,n]为输入参数的改变量,m,n分别为输出参数和输入参数的个数,u,k分别表示参数的未知和已知,S11,S12,S21,S22为计算得到的敏感矩阵。
4.根据权利要求1或3所述的方法,其特征在于,由所述最大似然算法获得未知输入参数的增量包括:
其中,Aw=WA,Dw=WD,W=diag(1/σ1,1/σ2), 且 为方差, 分别为已知输入参数和已知输出参数的向量中第i个参数的偏差值。
5.根据权利要求4所述的方法,其特征在于,所述最大似然算法获得未知输入参数的增量B作为进退法迭代中的步长调整下一步未知输入参数的设计点,使得由下一步未知输入参数获得的目标函数值的变化呈现逐步下降趋势。
6.根据权利要求1所述的方法,其特征在于,所述步骤S3中判断未知输入参数以及由下一步未知输入参数计算获得的目标函数值是否满足停止准则包括:将增量B作为步长h并根据正问题程序分别计算并比较和
所述停止准则的具体公式如下:
其中,分别是第i步和第i+1步对应的未知输入参数, 是相对于未知输入参数由正问题程序获得的目标函数值,是已知输出参数的测试结果,∈1,∈2为迭代停止设定的较小的实常数。
7.根据权利要求1或6所述的方法,其特征在于,所述更新未知输入参数采用搜索区间进退法包括:
若则向右前进,且加大步长h=2B,获得
若则向左后退,且h=-2B,获得
所述更新未知输入参数的具体公式如下:
其中,分别是第i步和第i+1步对应的未知输入参数, 是相对于未知输入参数由正问题程序获得的目标函数值,ε2为设定的误差常数。
8.根据权利要求1所述的方法,其特征在于,所述步骤S4计算所述未知输入参数的置信区间的公式如下:
cov(B)=HTH/L;
利用该公式计算未知输入参数在预设置信度下的的置信区间为:
其中,cov(B)表示未知输入参数的协方差,H=BT-(Bc)T,H是L行M列的矩阵,表示最大似然算法计算值增量B与平均值Bc之间的距离,L为计算次数,M为未知输入参数的个数。
9.根据权利要求1所述的方法,其特征在于,所述已知输入参数包括转子锥段长度和密度,所述未知输入参数为载荷参数包括轴向载荷和扭矩;所述已知输入参数值xk服从概率密度正态分布为其中,为已知输入参数的平均值,为已知输入参数的偏差。
10.根据权利要求1所述的方法,其特征在于,所述输出参数包括已知输出参数和未知输出参数,所述未知输出参数为前后圆盘处的径向位移,所述已知输出参数为前后轴承处的径向位移;所述已知输出参数值yk服从概率密度正态分布为其中,为已知输出参数的平均值,为已知输出参数的偏差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910522159.2A CN110244224B (zh) | 2019-06-17 | 2019-06-17 | 一种风力发电机转子不对中故障的载荷参数识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910522159.2A CN110244224B (zh) | 2019-06-17 | 2019-06-17 | 一种风力发电机转子不对中故障的载荷参数识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110244224A true CN110244224A (zh) | 2019-09-17 |
CN110244224B CN110244224B (zh) | 2021-06-22 |
Family
ID=67887578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910522159.2A Active CN110244224B (zh) | 2019-06-17 | 2019-06-17 | 一种风力发电机转子不对中故障的载荷参数识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110244224B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991765A (zh) * | 2019-12-16 | 2020-04-10 | 浙江中智达科技有限公司 | 工业生产的预测模型的监测方法、装置及电子设备 |
CN111113265A (zh) * | 2019-12-12 | 2020-05-08 | 湖南工程学院 | 一种电主轴-刀具系统偏心距识别方法 |
CN111181462A (zh) * | 2020-03-11 | 2020-05-19 | 天津工业大学 | 基于变步长神经网络的表贴式永磁同步电机参数辨识方法 |
CN113357101A (zh) * | 2021-07-05 | 2021-09-07 | 湖南工程学院 | 一种风力发电机电磁时空耦合载荷的识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104301999A (zh) * | 2014-10-14 | 2015-01-21 | 西北工业大学 | 一种基于rssi的无线传感器网络自适应迭代定位方法 |
CN207923454U (zh) * | 2018-03-28 | 2018-09-28 | 哈尔滨电气股份有限公司 | 一种转子系统不对中故障实验模拟装置 |
-
2019
- 2019-06-17 CN CN201910522159.2A patent/CN110244224B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104301999A (zh) * | 2014-10-14 | 2015-01-21 | 西北工业大学 | 一种基于rssi的无线传感器网络自适应迭代定位方法 |
CN207923454U (zh) * | 2018-03-28 | 2018-09-28 | 哈尔滨电气股份有限公司 | 一种转子系统不对中故障实验模拟装置 |
Non-Patent Citations (3)
Title |
---|
廖明夫 等: "风力发电机组的不对中故障分析", 《机械科学与技术》 * |
张伟: "基于概率和区间的工程不确定性反问题研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
芮延年: "《现代设计方法及其应用》", 31 March 2005, 苏州大学出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111113265A (zh) * | 2019-12-12 | 2020-05-08 | 湖南工程学院 | 一种电主轴-刀具系统偏心距识别方法 |
CN111113265B (zh) * | 2019-12-12 | 2021-07-06 | 湖南工程学院 | 一种电主轴-刀具系统偏心距识别方法 |
CN110991765A (zh) * | 2019-12-16 | 2020-04-10 | 浙江中智达科技有限公司 | 工业生产的预测模型的监测方法、装置及电子设备 |
CN111181462A (zh) * | 2020-03-11 | 2020-05-19 | 天津工业大学 | 基于变步长神经网络的表贴式永磁同步电机参数辨识方法 |
CN111181462B (zh) * | 2020-03-11 | 2023-03-14 | 天津工业大学 | 基于变步长神经网络的表贴式永磁同步电机参数辨识方法 |
CN113357101A (zh) * | 2021-07-05 | 2021-09-07 | 湖南工程学院 | 一种风力发电机电磁时空耦合载荷的识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110244224B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110244224A (zh) | 一种风力发电机转子不对中故障的载荷参数识别方法 | |
Häckell et al. | Monitoring a 5 MW offshore wind energy converter—Condition parameters and triangulation based extraction of modal parameters | |
Zhang et al. | Deep representation learning of activity trajectory similarity computation | |
US20060074595A1 (en) | Method and apparatus for improved fault detection in power generation equipment | |
CN108038315A (zh) | 一种基于谱随机有限元模型的随机动载荷识别方法 | |
CN108574290B (zh) | 受迫振荡的振荡源定位方法、装置、终端及可读存储介质 | |
Li et al. | A wiener-based remaining useful life prediction method with multiple degradation patterns | |
Mogos et al. | An effective very short-term wind speed prediction approach using multiple regression models | |
CN116292094B (zh) | 确定代表风力发电机组的方法和装置以及控制方法和装置 | |
CN116029618A (zh) | 一种电力系统动态安全分区评估方法及系统 | |
CN113946960A (zh) | 一种基于空间划分的实用动态安全域边界生成系统及方法 | |
CN103994858B (zh) | 基于生物地理学智能优化支持向量机算法的动平衡检测控制方法 | |
Han et al. | Novel condition monitoring method for wind turbines based on the adaptive multivariate control charts and SCADA data | |
Zou et al. | Rolling Bearing Fault Prediction Based On Feature Fusion Of HI Curves And GRU Networks | |
CN115146389B (zh) | 一种永磁磁浮列车动力学特征建模方法 | |
Xiong et al. | Fault diagnosis model of multi-axis industrial robot based on triplet network | |
CN107886126A (zh) | 基于动态集成算法的航空发动机气路参数预测方法及系统 | |
CN109989875B (zh) | 一种水轮机调节系统参数辨识方法 | |
Wang et al. | Design of Experimental Platform for Motor Fault Diagnosis Based on Embedded System and Shallow Neural Network | |
CN113408071B (zh) | 一种风电机组塔筒姿态预测方法及系统 | |
Van Der Veen et al. | Data-driven modelling of wind turbines | |
CN117578504A (zh) | 一种换流器接口电源时变虚拟惯量估计方法、装置及设备 | |
Li et al. | Multi region wind power prediction method based on improved transfer learning algorithm | |
CN117895529A (zh) | 基于风电机组等效惯量表征模型的频率响应分析方法 | |
CN117526298A (zh) | 一种基于尾流仿真模型的风机功率预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |