CN111625762B - 风机故障诊断方法 - Google Patents

Abstract

本发明公开了一种风机故障诊断方法。本发明针对发电机故障的预测问题，提出基于定子电流的监测数据，利用一种融合灰色理论与ELM极限状态机的故障诊断方法，该方法利用灰色理论在处理波动性、信号不完整的优势，结合ELM神经网络的高线性映射特性，形成了一种运算速度快，泛化性能好转子的匝间短路故障解决方案。

Description

风机故障诊断方法

技术领域

本发明涉及电力技术领域，特别涉及到一种风机故障诊断方法。

背景技术

风力发电作为目前可再生能源发电的主要形式之一，由于技术和设施都较为成熟，因此得到了大力的推广和应用。然而风电机组的结构复杂、运行环境恶劣，使得发电机组的故障率居高不下，整个系统的维修成本也不断增加，尤其在海上风电场。在风力发电中使用最多的发电机为双馈异步发电机(Doubly fed Induction Generator,DFIG)，其常见的故障设备有发电机、齿轮箱和轴承等，其中轴承故障占40％、定子故障为38％、转子故障为10％、其他故障占12％。

发明内容

本发明针对发电机故障的预测问题，提出基于定子电流的监测数据，利用一种融合灰色理论与ELM极限状态机的故障诊断方法，该方法利用灰色理论在处理波动性、信号不完整的优势，结合ELM神经网络的高线性映射特性，形成了一种运算速度快，泛化性能好转子的匝间短路故障解决方案。

为实现以上目的，本发明通过以下技术方案予以实现：风机故障诊断方法，包括如下步骤：

1)故障信号频域变换：采用定子电流法提取故障时的定子电流信号，对该信号进行傅里叶变换，并利用RV窗函数对变换后的频谱进行提取，确保变换后频谱信息集中在窗口范围内，提高信号特征分辨率，其中所述的RV窗为RV(I)-5型窗；

2)灰色处理：通过步骤1)将各故障频点处的幅值数据建立成新的数据序列，再经过变化得到幅值序列的累加生成序列(1-AGO)，以弱化序列的随机波动性，挖掘出序列的深度规律；

3)ELM神经网络训练：将步骤2)中处理后的幅值序列作为ELM神经网络的训练输入数据；设定隐含层节点数K，随机生成输入权重a_i和单元偏差b_i，利用公式(9)求出输出矩阵H；

此时，输出权值矩阵获得其最小二乘范数解便能得到，最小二乘范数解为：

β＝H⁺T (10)

其中H⁺为隐含层输出矩阵H的广义逆矩阵，T表示期望的输出；

4)ELM输出迭代：利用(10)式得到的输出结果，再对原有输出数据采用迭代算法进行更新，以提高输出数据的精度；

5)累减还原：将ELM神经网络的输出数据经GM(1,1)的累减还原模块(IAGO)得到原始幅值的预测值，如公式(14)所示，将预测值减去最小值的绝对值，进而完成整个灰色ELM预测；

x⁽⁰⁾(k+1)＝x⁽¹⁾(k+1)-x⁽¹⁾(k) (14)。

步骤1)所述的故障信号频域变换具体如下：

能量RV窗函数的时域表达式为式(1)：

其中，M表示窗函数项数，N为窗长，m表示数据的顺序，a_m满足公式(2)：

将式(2)经过离散傅里叶变换，则有：

由于N远远大于1，于是得：

即得到RV窗h次谐波表达式：

式中，f为基波频率，W_R表示傅里叶变换，Δf表示频率间隔，A_h表示第h次谐波的幅值，表示第h次谐波的相位。

所述步骤3)的基体流程如下：

设待处理数据序列为X⁽⁰⁾：

X⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n)} (6)

经过第一次累加生成得到其一次生成序列1-AGO序列：

X⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n)} (7)

其中：x⁽⁰⁾(k)≥0,(k＝1,2,...,n)

类似地，得R-AGO序列：

式中，x(i)表示第i次谐波的幅值，R表示第R个时刻。

所述的步骤4)的操作具体为：

最初输入的训练样本向量为T₀,其对应隐含层输出矩阵为H₀,此时神经网络的输出向量为β₀，此时满足：

当后续新样本数据达到网络，根据一般递归最小二乘法与最小二乘解的更新的递归算法基本一致,此时神经网络的输出可以利用式(12)进行更新计算；

式中，K表示时刻；

此时，为了使迭代后的输出与原来模型的输出有同等的识别效果，此时在初始化数据时界定其数量，使H₀的秩不小于隐含节点的数目；

ELM算法中，选取Sigmoid函数作为神经网络的激活函数，其表达式为：

本发明同现有技术相比，本发明具有如下优点：

1、提取定子电流的频谱特征时，选取了RV(I)-5型窗，该窗相对于其他几类其旁瓣特性整体最为理想，旁瓣峰值为-74dB，衰减速率高达30dB，是衰减速率最快的一类窗。

2、利用灰色理论对数据量少，存在干扰的数据进行预处理，消除外界干扰。

3、引入极限状态机ELM神经网络，解决灰色预测时对非线性性问题拟合不完整的缺点。

4、在神经网络的训练中，采取迭代的运算方式，对时间序列训练样本进行迭代运算，降低了传统神经网络在训练时对数据样本完整性的要求，适合实时的现场运用场景。

附图说明

图1为多回路法等效示意图。

图2为定子电流采集方案图。

图3为灰色ELM预测模型。

图4为预测算法流程图。

具体实施方式

本发明的实施例：风机故障诊断方法，包括如下步骤：

1)故障信号频域变换：采用定子电流法提取故障时的定子电流信号，对该信号进行傅里叶变换，并利用RV窗函数对变换后的频谱进行提取，确保变换后频谱信息集中在窗口范围内，提高信号特征分辨率，其中所述的RV窗为RV(I)-5型窗；

2)灰色处理：通过步骤1)将各故障频点处的幅值数据建立成新的数据序列，再经过变化得到幅值序列的累加生成序列(1-AGO)，以弱化序列的随机波动性，挖掘出序列的深度规律；

3)ELM神经网络训练：将步骤2)中处理后的幅值序列作为ELM神经网络的训练输入数据；设定隐含层节点数K，随机生成输入权重a_i和单元偏差b_i，利用公式(9)求出输出矩阵H；

此时，输出权值矩阵获得其最小二乘范数解便能得到，最小二乘范数解为：

β＝H⁺T (10)

其中H⁺为隐含层输出矩阵H的广义逆矩阵，T表示期望的输出；

4)ELM输出迭代：利用(10)式得到的输出结果，再对原有输出数据采用迭代算法进行更新，以提高输出数据的精度；

5)累减还原：将ELM神经网络的输出数据经GM(1,1)的累减还原模块(IAGO)得到原始幅值的预测值，如公式(14)所示，将预测值减去最小值的绝对值，进而完成整个灰色ELM预测；

x⁽⁰⁾(k+1)＝x⁽¹⁾(k+1)-x⁽¹⁾(k) (14)。

步骤1)所述的故障信号频域变换具体如下：

能量RV窗函数的时域表达式为式(1)：

其中，M表示窗函数项数，N为窗长，式(1)中m，m表示数据的顺序，a_m满足公式(2)：

将式(2)经过离散傅里叶变换，则有：

由于N远远大于1，于是得：

即得到RV窗h次谐波表达式：

式中，f为基波频率，W_R表示傅里叶变换，Δf表示频率间隔，A_h表示第h次谐波的幅值，表示第h次谐波的相位。

所述步骤3)的基体流程如下：

设待处理数据序列为X⁽⁰⁾：

X⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n)} (6)

经过第一次累加生成得到其一次生成序列1-AGO序列：

X⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n)} (7)

其中：x⁽⁰⁾(k)≥0,(k＝1,2,...,n)

类似地，得R-AGO序列：

式中，x(i)表示第i次谐波的幅值，R表示第R个时刻。

所述的步骤4)的操作具体为：

最初输入的训练样本向量为T₀,其对应隐含层输出矩阵为H₀,此时神经网络的输出向量为β₀，此时满足：

当后续新样本数据达到网络，根据一般递归最小二乘法与最小二乘解的更新的递归算法基本一致,此时神经网络的输出可以利用式(12)进行更新计算；

式中K表示时刻，其他含义同式(11)；

此时，为了使迭代后的输出与原来模型的输出有同等的识别效果，此时在初始化数据时界定其数量，使H₀的秩不小于隐含节点的数目；

ELM算法中，选取Sigmoid函数作为神经网络的激活函数，其表达式为：

本发明借助多回路理论进行分析：将电机看作多个独立回路组成的电路网络，当转子绕组发生匝间短路故障时，将其作用等效为在短路匝增加一条故障回路，如图1所示的等效模型。当绕组AB段发生匝间短路故障，便可等效为在故障段AB上并联一个电阻Rf，故障的程度由被短路匝数与总匝间数比值μ表示。

由于故障的发生往往不是瞬时性的，在真正发生之前会有一些故障特征参数发生相应的变化，故而本申请通过监测这些故障特征参数，对其进行处理和分析从而对将要出现的故障进行预测分析。定子电流法(MCSA,Motor Current Signature Analysis)即电机电流特征分析法，在定子端线中接入电流互感器对风电机组进行数据的采集。定子电流法是直接利用电流互感器感应出定子的输出电流，所以对发电机的其他部件没有其他的影响，是一种非侵入式的测量方法，可以避免由于转子高速旋转而不利于传感器的安装等问题。同时，定子电流法采集的电流信号受外界因素的干扰很少，便于信号的处理和特征提取。如图2所示。

为了从采集的电流信号中，找出故障谐波特征，需要进行变换域处理，在本发明中，将对采集的信号进行傅里叶快速变换法进行处理，在处理过程中，为了防止有效的频谱泄漏到无效的观测范围内，本发明利用窗函数对傅里叶变换后的频谱进行加窗处理，以确保有用信号能量集中在窗口内，便于观测处理。本发明利用Rife-Vincent窗FFT转子故障特征提取。

通常，窗函数的选取通常希望最大程度上要求其旁瓣峰值电平小、衰减速率快，这样就能很好地抑制频谱的泄露，进而使主瓣内的能量得以集中。在本发明中，选取RV(I)-5型窗，因为该窗相对于其他几类其旁瓣特性整体最为理想，旁瓣峰值为-74dB，衰减速率高达30dB/oct^-1，是衰减速率最快的一类窗，其具体频域表达式为：

风电机运行的状况具有多变性，致使所采集到的电流参数呈现一定的随机性，此外，当发生匝间短路故障时，故障信号往往很微弱且容易被风机自身的电气信号所掩盖，故障样本数据量一般较少。灰色预测模型已被证明在处理数据量少、信息贫乏的问题时具有良好的性能，适合处理转子匝间短路的故障预测问题。

灰色预测模型中，常用的模型有GM(1,1)和GM(1,n)模型两大类，其中尤以GM(1,1)模型使用最为广泛。该模型适用于数据量少、规律性较强且波动平滑的中短期数据预测，但是由于GM(1,1)中求解参数时是利用最小均方差准则，因此输入信号间的映射关系得不到很好体现；ELM神经网络是一种具有高线性映射特性的算法，适用于数据量大和长期预测的场景。为充分挖掘上述两种算法的优势，本发明引入ELM算法，作为GM(1,1)模型的补充，同时，对传统ELM神经网络进行改进，解决了ELM神经网络训练时间过长的问题，预测模型如图3所示。

Claims (3)

1.一种风机故障诊断方法，其特征在于，包括如下步骤：

1)故障信号频域变换：采用定子电流法提取故障时的定子电流信号，对该信号进行傅里叶变换，并利用RV窗函数对变换后的频谱进行提取，确保变换后频谱信息集中在窗口范围内，提高信号特征分辨率，其中所述的RV窗为RV(I)-5型窗；

2)灰色处理：通过步骤1)将各故障频点处的幅值数据建立成新的数据序列，再经过变化得到幅值序列的累加生成序列(1-AGO)，以弱化序列的随机波动性，挖掘出序列的深度规律；

3)ELM神经网络训练：将步骤2)中处理后的幅值序列作为ELM神经网络的训练输入数据；设定隐含层节点数K，随机生成输入权重a_i和单元偏差b_i，利用公式(9)求出输出矩阵H；

β＝[β₁，β₂，...，β_K]_K×m，T＝[T₁，T₂，...，T_N]_N×m (9)

此时，输出权值矩阵获得其最小二乘范数解便能得到，最小二乘范数解为：

β＝H⁺T (10)

其中H⁺为隐含层输出矩阵H的广义逆矩阵，T表示期望的输出；

4)ELM输出迭代：利用(10)式得到的输出结果，再对原有输出数据采用迭代算法进行更新，以提高输出数据的精度；操作具体为：

最初输入的训练样本向量为T₀,其对应隐含层输出矩阵为H₀,此时神经网络的输出向量为β₀，此时满足：

当后续新样本数据达到网络，根据一般递归最小二乘法与最小二乘解的更新的递归算法基本一致,此时神经网络的输出可以利用式(12)进行更新计算；

式中，K表示时刻；

此时，为了使迭代后的输出与原来模型的输出有同等的识别效果，此时在初始化数据时界定其数量，使H₀的秩不小于隐含节点的数目；

ELM算法中，选取Sigmoid函数作为神经网络的激活函数，其表达式为：

5)累减还原：将ELM神经网络的输出数据经GM(1,1)的累减还原模块(IAGO)得到原始幅值的预测值，如公式(14)所示，将预测值减去最小值的绝对值，进而完成整个灰色ELM预测；

x⁽⁰⁾(k+1)＝x⁽¹⁾(k+1)-x⁽¹⁾(k) (14)。

2.根据权利要求1所述的风机故障诊断方法，其特征在于：步骤1)所述的故障信号频域变换具体如下：

能量RV窗函数的时域表达式为式(1)：

其中，M表示窗函数项数，N为窗长，m表示数据的顺序，a_m满足公式(2)：

将式(2)经过离散傅里叶变换，则有：

由于N远远大于1，于是得：

即得到RV窗h次谐波表达式：

式中，f为基波频率，W_R表示傅里叶变换，Δf表示频率间隔，A_h表示第h次谐波的幅值，表示第h次谐波的相位。

3.根据权利要求1所述的风机故障诊断方法，其特征在于：所述步骤3)的基体流程如下：

设待处理数据序列为X⁽⁰⁾：

X⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n)} (6)

经过第一次累加生成得到其一次生成序列1-AGO序列：

X⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n)} (7)

其中：x⁽⁰⁾(k)≥0,(k＝1,2,...,n)

类似地，得R-AGO序列：

式中，x(i)表示第i次谐波的幅值，R表示第R个时刻。