CN110361193A - 用于风力发电机组变桨轴承故障识别的方法 - Google Patents

Abstract

本发明公开了一种用于风力发电机组变桨轴承故障识别的方法，包括如下步骤：1.离线建模，收集训练样本集：收集包含风力发电机组正常运行工况数据和变桨轴承故障工况数据，对于训练集数据进行变异系数分析，挑选对变桨轴承故障敏感的变量作为隐马尔可夫模型HMM的输入变量，训练隐马尔可夫模型；2.在线数据识别：在线识别，对于在线采集的数据，仍然采用训练集挑选的变量作为隐马尔可夫模型的观测变量，用隐马尔可夫模型对在线数据进行变桨轴承故障识别。本发明对于风力发电机组变桨轴承故障识别具有更高的准确率的特点。

Description

用于风力发电机组变桨轴承故障识别的方法

技术领域

本发明涉及风力发电技术领域，尤其是涉及一种能够提高监测准确率的 用于风力发电机组变桨轴承故障识别的方法。

背景技术

风力发电系统中，变桨控制系统是风力发电机组控制系统的重要组成部 分，而保障其变桨轴承的安全性和可靠性对保证整个变桨控制系统的正常运 行至关重要。因此,对于风电机组轴承的故障进行监测诊断,对于减少由于轴 承故障引起的经济损失具有重要的实际意义。

近年来，机组变桨轴承故障的监测受到风力发电领域的极大关注，其监 测方法主要分为以下几类：1.基于振动信号分析的故障诊断技术，这是因为当 轴承发生故障时，其故障信息在振动信号中往往会有不同的反映。机组的振 动参数相比于其他参数(如润滑油或设备温度、压力、流量等)往往更能直 接、准确、快速地反映机组的运行状态；2.基于油液信号分析的故障诊断技术， 油液分析法利用的信息载体是润滑油，即从轴承润滑油中提取油样，收集和 分析油样中金属颗粒来判断轴承工作状况以达到故障诊断的目的；3.基于声信 号分析的故障诊断技术，与振动信号一样，机械设备的声信号中蕴含着丰富 的设备状态信息，声信号同样用于变桨轴承的故障诊断。

但是，上述方法都有其自己的局限性，油液分析法目前在线监测技术还 不成熟，通常油样取样具有一定的周期，检测成本较高、故障准确定位困难、 对操作人员要求较高。而振动信号和声音信号虽然蕴含着机械状态信息，但 因其易受其他信号干扰，使得有时监测效果不佳。而随着传感器技术的不断 发展，基于监控系统SCADA数据的故障监测方法慢慢发展起来，但其所选监 测变量一般都是基于人工经验，难以应用数据中更深层次的信息，对于变桨 轴承故障的早期诊断是不利的。

因此，设计一种能够提高监测准确率的用于风力发电机组变桨轴承故障 识别的方法，就显得十分必要。

发明内容

本发明是为了克服现有技术中，现有机组变桨轴承故障监测方法存在检 测成本较高、故障准确定位困难以及对操作人员要求较高的问题，提供了一 种能够提高监测准确率的用于风力发电机组变桨轴承故障识别的方法。

为实现上述目的，本发明采用以下技术方案：

一种用于风力发电机组变桨轴承故障识别的方法，包括如下步骤：

(1-1)离线建模，收集训练样本集：

收集包含风力发电机组正常运行工况数据和变桨轴承故障工况数据，对 于训练集数据进行变异系数分析，挑选对变桨轴承故障敏感的变量作为隐马 尔可夫模型HMM的输入变量，训练隐马尔可夫模型；

(1-2)在线数据识别：

在线识别，对于在线采集的数据，仍然采用训练集挑选的变量作为隐马 尔可夫模型的观测变量，用隐马尔可夫模型对在线数据进行变桨轴承故障识 别。

本发明采用基于变异系数的变量选择方法来挑选对机组变桨轴承故障更 为敏感的变量，并且利用隐马尔可夫模型极强的动态过程时间序列建模能力 和时序模式分类能力进行在线故障识别。本发明对于风力发电机组变桨轴承 故障识别具有更高的准确率的特点。

作为优选，在上述步骤(1-1)中，还包括如下步骤：

(1-1-1)离线建模：

设定风电机组运行过程中采集的监测数据构成两个数据集 X＝{x_m,1 x_m,2 …x_m,n}∈R^m×n和其中数据 集X表示在正常运行时收集的数据，其中m是正常样本的数目，n是监测变量 的数目，而数据集X_f表示在风电机组变桨轴承发生故障时收集的数据，其中 m_f是故障样本的数目，n是监测变量的数目；

作为优选，在上述步骤(1-1)中，还包括如下步骤：

(1-1-2)对采集的训练样本集进行变异系数分析，挑选对变桨轴承故障最 为敏感的变量：

变异系数是衡量观察值变异程度的一个统计量，能够反映变量单位平均值 上离散程度，变异系数能够消除不同单位和平均值对多变量变异性的影响，计 算公式如下：

CV(X)＝{CV(X_m,1) CV(X_m,2) … CV(X_m,n)}；

DCV＝|CV(X)-CV(X_f)|；

其中，DCV是变异系数差的绝对值，故DCV_i表示故障发生前后第i个变 量的变化程度；选择DCV中前a个最大值所对应的变量作为模型的输入变 量。

如果DCV的值相对较大，则意味着故障发生后该变量产生了相对较大的 变化。即，该变量对故障更为敏感。基于上述分析，该方法可以用于挑选真 正反映故障特征的变量。

作为优选，在上述步骤(1-1)中，还包括如下步骤：

(1-1-3)将选择的变量作为隐马尔可夫模型的输入变量，用于训练隐马尔 可夫模型，得到模型参数λ＝(A,B,π,M,N)：

A是隐含状态转移概率矩阵，B是观测值概率密度矩阵，π是初始状态概 率矩阵，M是每个隐含状态下的高斯混合成分的数目，N是隐含状态的数目， 这里隐含状态的数目就是训练样本集中所有工况的数目；

A是隐含状态转移概率矩阵，描述了隐马尔可夫模型中各个状态之间的转 移概率，公式如下：

式中简记为a_i,j，表示在t时刻，隐含状态为S_i的条件下，在t+1 时刻隐含状态是S_j的概率，q_t表示t时刻下的隐含状态；

B是观测值概率密度矩阵，具体计算见下式：

B＝{b_j(O),j＝1,2,…N}

其中，O是观测向量，C_jm是隐含状态S_j的第m个混合成分的混合系数， H是对数凹或椭圆对称密度，μ_jm是隐含状态S_j的第m个混合成分的均值向 量，U_jm是隐含状态S_j的第m个混合成分的协方差矩阵，C_jm满足随机约束：

C_jm≥0,1≤j≤N,1≤m≤M

C_jm、μ_jm、U_jm的重估为：C_jm的重估值是HMM在隐含状态S_j带有第k个 混合成分的次数的期望除以HMM处于隐含状态S_j的次数的期望，μ_jm的重估值 是由第k个混合成分说明的观测矢量的部分期望值，U_jm是由第k个混合成分 说明的观测矢量的部分协方差,公式如下：

其中，α_t(j)＝P(O₁,O₂,…,O_t,q_t＝S_j|λ)表示在给定模型参数 λ＝(A,B,π,M,N)条件下，t时刻下隐含状态为S_j且观测序列为 O₁,O₂,…,O_t的概率；β_t(j)＝P(O_t+1,O_t+2,…,O_T|q_t＝S_j,λ)表示在给定模型参 数λ＝(A,B,π,M,N)和t时刻下隐含状态q_t＝S_j的条件下，从t+1到T时刻观 测序列为O_t+1,O_t+2,…,O_T的概率；是C_jk的估计值，是μ_jk的估计值，是U_jk的估计值。

作为优选，在上述步骤(1-2)中，还包括如下步骤：

(1-2-1)在线采集风力发电机组运行过程的数据；

(1-2-2)对于采集到的样本点y_t，利用训练好的HMM计算属于正常运 行工况和变桨轴承故障的后验概率p(q_t|y_t,λ)，即获得 {p(q_t＝1|y_t,λ)，p(q_t＝2|y_t,λ)；

(1-2-3)若后验概率{p(q_t＝1|y_t,λ)，p(q_t＝2|y_t,λ)中最大的值为p^*，p^*所对应的工况为q_t ^*，则判断样本点y_t处于工况q_t ^*。

另外，本发明中所述的风力机组发电过程都具有动态性，本发明中所述 的故障为风力发电机组变桨轴承故障。

因此，本发明具有如下有益效果：(1)本发明提出了一种基于有效变量 选择和隐马尔可夫模型的风力发电机组变桨轴承故障识别方法，实现对变桨 轴承的故障识别；(2)本发明能够解决过程数据存在的动态性，从而能够更 有效地进行变桨轴承故障识别；(3)本发明能够针对变量对故障发生的敏感 性，选择对变桨轴承故障更为敏感的变量，从而能够更有效地进行故障识别。

附图说明

图1是本发明的一种流程图。

具体实施方式

下面结合附图与具体实施方式对本发明做进一步的描述：

实施例：如图1所示的一种用于风力发电机组变桨轴承故障识别的方法， 包括如下步骤：

(1-1)离线建模，收集训练样本集：

收集包含风力发电机组正常运行工况数据和变桨轴承故障工况数据，对 于训练集数据进行变异系数分析，挑选对变桨轴承故障敏感的变量作为隐马 尔可夫模型HMM的输入变量，训练隐马尔可夫模型；

(1-1-1)离线建模：

设定风电机组运行过程中采集的监测数据构成两个数据集 X＝{x_m,1 x_m,2 …x_m,n}∈R^m×n和其中数据 集X表示在正常运行时收集的数据，其中m是正常样本的数目，n是监测变量 的数目，而数据集X_f表示在风电机组变桨轴承发生故障时收集的数据，其中 m_f是故障样本的数目，n是监测变量的数目；

(1-1-2)对采集的训练样本集进行变异系数分析，挑选对变桨轴承故障最 为敏感的变量：

变异系数是衡量观察值变异程度的一个统计量，能够反映变量单位平均值 上离散程度，变异系数能够消除不同单位和平均值对多变量变异性的影响，计 算公式如下：

CV(X)＝{CV(X_m,1) CV(X_m,2) … CV(X_m,n)}；

DCV＝|CV(X)-CV(X_f)|；

其中，DCV是变异系数差的绝对值，故DCV_i表示故障发生前后第i个变 量的变化程度；选择DCV中前a个最大值所对应的变量作为模型的输入变 量。

如果DCV的值相对较大，则意味着故障发生后该变量产生了相对较大的 变化。即，该变量对故障更为敏感。基于上述分析，该方法可以用于挑选真 正反映故障特征的变量；

(1-1-3)将选择的变量作为隐马尔可夫模型的输入变量，用于训练隐马尔 可夫模型，得到模型参数λ＝(A,B,π,M,N)：

A是隐含状态转移概率矩阵，B是观测值概率密度矩阵，π是初始状态概 率矩阵，M是每个隐含状态下的高斯混合成分的数目，N是隐含状态的数目， 这里隐含状态的数目就是训练样本集中所有工况的数目；

A是隐含状态转移概率矩阵，描述了隐马尔可夫模型中各个状态之间的转 移概率，公式如下：

式中简记为a_i,j，表示在t时刻，隐含状态为S_i的条件下，在t+1 时刻隐含状态是S_j的概率，q_t表示t时刻下的隐含状态；

B是观测值概率密度矩阵，具体计算见下式：

B＝{b_j(O),j＝1,2,…N}

其中，O是观测向量，C_jm是隐含状态S_j的第m个混合成分的混合系数， H是对数凹或椭圆对称密度，μ_jm是隐含状态S_j的第m个混合成分的均值向 量，U_jm是隐含状态S_j的第m个混合成分的协方差矩阵，C_jm满足随机约束：

C_jm≥0,1≤j≤N,1≤m≤M

C_jm、μ_jm、U_jm的重估为：C_jm的重估值是HMM在隐含状态S_j带有第k个 混合成分的次数的期望除以HMM处于隐含状态S_j的次数的期望，μ_jm的重估值 是由第k个混合成分说明的观测矢量的部分期望值，U_jm是由第k个混合成分 说明的观测矢量的部分协方差,公式如下：

其中，α_t(j)＝P(O₁,O₂,…,O_t,q_t＝S_j|λ)表示在给定模型参数 λ＝(A,B,π,M,N)条件下，t时刻下隐含状态为S_j且观测序列为 O₁,O₂,…,O_t的概率；β_t(j)＝P(O_t+1,O_t+2,…,O_T|q_t＝S_j,λ)表示在给定模型参 数λ＝(A,B,π,M,N)和t时刻下隐含状态q_t＝S_j的条件下，从t+1到T时刻观 测序列为O_t+1,O_t+2,…,O_T的概率；是C_jk的估计值，是μ_jk的估计值，是U_jk的估计值。

(1-2)在线数据识别：

在线识别，对于在线采集的数据，仍然采用训练集挑选的变量作为隐马 尔可夫模型的观测变量，用隐马尔可夫模型对在线数据进行变桨轴承故障识 别；

(1-2-1)在线采集风力发电机组运行过程的数据；

(1-2-2)对于采集到的样本点y_t，利用训练好的HMM计算属于正常运 行工况和变桨轴承故障的后验概率p(q_t|y_t,λ)，即获得 {p(q_t＝1|y_t,λ)，p(q_t＝2|y_t,λ)；

(1-2-3)若后验概率{p(q_t＝1|y_t,λ)，p(q_t＝2|y_t,λ)中最大的值为p^*，p^*所对应的工况为q_t ^*，则判断样本点y_t处于工况q_t ^*。

上述中涉及的风力机组发电过程都具有动态性，涉及的故障为风力发电 机组变桨轴承故障。

应理解，本实施例仅用于说明本发明而不用于限制本发明的范围。此外 应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作 各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范 围。

Claims (5)

1.一种用于风力发电机组变桨轴承故障识别的方法，其特征是，包括如下步骤：

(1-1)离线建模，收集训练样本集：

收集包含风力发电机组正常运行工况数据和变桨轴承故障工况数据，对于训练集数据进行变异系数分析，挑选对变桨轴承故障敏感的变量作为隐马尔可夫模型HMM的输入变量，训练隐马尔可夫模型；

(1-2)在线数据识别：

在线识别，对于在线采集的数据，仍然采用训练集挑选的变量作为隐马尔可夫模型的观测变量，用隐马尔可夫模型对在线数据进行变桨轴承故障识别。

2.根据权利要求1所述的用于风力发电机组变桨轴承故障识别的方法，其特征是，步骤(1-1)还包括如下步骤：

(1-1-1)离线建模：

设定风电机组运行过程中采集的监测数据构成两个数据集X＝{x_m,1 x_m,2…x_m,n}∈R^m×n和其中数据集X表示在正常运行时收集的数据，其中m是正常样本的数目，n是监测变量的数目，而数据集X_f表示在风电机组变桨轴承发生故障时收集的数据，其中m_f是故障样本的数目，n是监测变量的数目。

3.根据权利要求2所述的用于风力发电机组变桨轴承故障识别的方法，其特征是，步骤(1-1)还包括如下步骤：

(1-1-2)对采集的训练样本集进行变异系数分析，挑选对变桨轴承故障最为敏感的变量：

变异系数是衡量观察值变异程度的一个统计量，能够反映变量单位平均值上离散程度，变异系数能够消除不同单位和平均值对多变量变异性的影响，计算公式如下：

CV(X)＝{CV(X_m,1)CV(X_m,2)…CV(X_m,n)}；

DCV＝|CV(X)-CV(X_f)|；

其中，DCV是变异系数差的绝对值，故DCV_i表示故障发生前后第i个变量的变化程度；选择DCV中前a个最大值所对应的变量作为模型的输入变量。

4.根据权利要求3所述的用于风力发电机组变桨轴承故障识别的方法，其特征是，步骤(1-1)还包括如下步骤：

(1-1-3)将选择的变量作为隐马尔可夫模型的输入变量，用于训练隐马尔可夫模型，得到模型参数λ＝(A,B,π,M,N)：

A是隐含状态转移概率矩阵，B是观测值概率密度矩阵，π是初始状态概率矩阵，M是每个隐含状态下的高斯混合成分的数目，N是隐含状态的数目，隐含状态的数目指训练样本集中所有工况的数目；

A是隐含状态转移概率矩阵，描述了隐马尔可夫模型中各个状态之间的转移概率，公式如下：

式中简记为a_i,j，表示在t时刻，隐含状态为S_i的条件下，在t+1时刻隐含状态是S_j的概率，q_t表示t时刻下的隐含状态；

B是观测值概率密度矩阵，具体计算见下式：

B＝{b_j(O),j＝1,2,…N}

其中，O是观测向量，C_jm是隐含状态S_j的第m个混合成分的混合系数，H是对数凹或椭圆对称密度，μ_jm是隐含状态S_j的第m个混合成分的均值向量，U_jm是隐含状态S_j的第m个混合成分的协方差矩阵，C_jm满足随机约束：

C_jm≥0,1≤j≤N,1≤m≤M

C_jm、μ_jm、U_jm的重估为：C_jm的重估值是HMM在隐含状态S_j带有第k个混合成分的次数的期望除以HMM处于隐含状态S_j的次数的期望，μ_jm的重估值是由第k个混合成分说明的观测矢量的部分期望值，U_jm是由第k个混合成分说明的观测矢量的部分协方差,公式如下：

其中，α_t(j)＝P(O₁,O₂,…,O_t,q_t＝S_j|λ)表示在给定模型参数λ＝(A,B,π,M,N)条件下，t时刻下隐含状态为S_j且观测序列为O₁,O₂,…,O_t的概率；β_t(j)＝P(O_t+1,O_t+2,…,O_T|q_t＝S_j,λ)表示在给定模型参数λ＝(A,B,π,M,N)和t时刻下隐含状态q_t＝S_j的条件下，从t+1到T时刻观测序列为O_t+1,O_t+2,…,O_T的概率；是C_jk的估计值，是μ_jk的估计值，是U_jk的估计值。

5.根据权利要求1或2或3或4所述的用于风力发电机组变桨轴承故障识别的方法，其特征是，步骤(1-2)还包括如下步骤：

(1-2-1)在线采集风力发电机组运行过程的数据；

(1-2-2)对于采集到的样本点y_t，利用训练好的HMM计算属于正常运行工况和变桨轴承故障的后验概率p(q_t|y_t,λ)，即获得{p(q_t＝1|y_t,λ)，p(q_t＝2|y_t,λ)；

(1-2-3)若后验概率{p(q_t＝1|y_t,λ)，p(q_t＝2|y_t,λ)中最大的值为p^*，p^*所对应的工况为q_t ^*，则判断样本点y_t处于工况q_t ^*。