CN112560916A - 基于倾角传感器信息的风电塔筒倾覆智能诊断方法 - Google Patents

Abstract

本发明提供了一种基于倾角传感器信息的风电塔筒倾覆智能诊断方法，利用风电塔筒数据采集系统将原始的倾斜角数据通过光纤通信传输到控制室的数据服务器进行存储和预处理，对固定时间段内的倾斜量数据进行特征提取；采用高斯核函数构建高斯过程下的核自适应滤波概率估计预警模型，并引入遗忘因子实时跟踪数据的非稳定状态；将倾斜量特征值输入到模型中，得到测试信号的分布预测结果。该智能诊断方法以数据信息为驱动，自适应的构建了倾斜量特征值的概率估计预测模型，增加了风机塔筒提前预警的可靠性，而且采用遗忘因子和递归处理数据方式，增强了模型对于大数据的泛化能力，实现了基于数据驱动的风电塔筒智能诊断。

Description

基于倾角传感器信息的风电塔筒倾覆智能诊断方法

技术领域

本发明属于风电设备故障诊断技术领域，涉及一种基于倾角传感器信息的风电塔筒倾覆智能诊断方法。

背景技术

随着环境的日益恶化和化石能源的严重短缺，开发清洁低碳的可再生能源成为全球能源发展的新方向，其中发展风电产业，是建设低碳社会，保障能源供应、培育战略性新兴产业、推动经济结构调整的重要方向。截止至2018年，全球风电市场累计装机容量已达591GW，同比增长9.24%，其中，海上风电累计容量为23GW，在累计装机容量中占比3.89% (A.Report, GWEC Global wind report 2018.)。然而，在越来越多大容量兆瓦级风机陆续安装运行的同时，风电机组很多运行隐患也开始逐步暴露出来，由于缺乏必要的监测和保护手段，叶片脱落、倒塔和风机失火等恶性事故时有发生。尤其是塔筒，作为整个风电机组的承载部件，其性能直接影响了风电机组运行的稳定性和可靠性，但由于制造、安装质量不合格，设备巡检、运行维护检查不到位，风机塔筒倾斜和倒塔事故时有发生，造成了巨大的经济损失。因此，对风机塔筒运行状态进行监测已成为行业研究的热点。

目前，针对风电机组塔筒进行实时监测仍缺乏有效的技术手段。2013年，华锐风电科技股份有限公司提出了一种风电机组塔筒状态检测方法，仅仅是利用风电机舱内的振动传感器实时监测塔筒及基础的状态，提前预警性能较差。为了改进，国家电投集团提出了一种基于塔筒应力点选取和Pearson相关系数与灰色神经网络相结合的塔筒应力预警方法，首先通过分析塔筒形变得出应力最大点，而后根据风机所处的不同工况设置不同阈值，从而为风电机组塔筒的检测提供依据。然而，由于应力点选取有限，同时考虑因素较少，导致检测结果不全面，难以满足风电集群智能监测需求。因此，实现风电塔筒运行状态的智能诊断和早期预警，对避免风机倾覆重大安全生产事故的发生，有着显著的安全和经济效益。

发明内容

本发明的目的是提供一种基于倾角传感器信息的风电塔筒倾覆智能诊断方法，实现风电塔筒运行状态的智能监测和早期预警。

为实现上述目的，本发明所采用的技术方案是：一种基于倾角传感器信息的风电塔筒倾覆智能诊断方法，具体按以下步骤进行：

1）利用分别安装在塔筒顶端和底座法兰平面上的倾角传感器实时采集塔筒倾斜数据和塔筒基础沉降数据，并将采集到的数据传输给远程监测平台进行预处理，得到塔筒基础沉降数据集{a _x ,a _y }与塔筒倾斜数据集{b _x ,b _y }；

2）根据公式

提取固定时间段内倾角数据集{a _x ,a _y ,b _x ,b _y }的中的能量特征e _h ，得到风机倾斜能量特征集合e=[e ₁,e ₂,…,e _n ] ^T ；

式中，h为固定时间段，E()表示求取期望；

3）利用步骤2）中得到的风机倾斜能量特征集合e建立模型训练数据集

和测试数据集

；其中，x _i =[e _i-m ,e _i-m+1,…,e _i ] ^T ，y _i =e _i+k ；

式中，t为训练集长度，l是测试集长度，m为嵌入维数，k表示预测步数；

4）根据公式y _i =f(x _i )+ξ _i 构建基于高斯过程的核自适应滤波模型；

式中，f(x _i )～GP(μ, Σ)表示符合均值向量为μ、协方差矩阵为Σ的高斯过程，

表示均值为零、方差为

的高斯噪声；

将训练集

输入该基于高斯过程的核自适应滤波模型中，根据公式(3)计算模型预测的后验分布；

式中，

为后验分布的均值，

表示后验分布的方差，其中k _j =[k(x ₁,x _j ),k(x ₂,x _j ),…,k(x _t ,x _j )] ^T ，K _t =[k ₁,k ₂,…,k _t ]，y _t =[y ₁,y ₂,…,y _t ] ^T ，GP表示高斯过程，每一个高斯过程完全由均值向量μ和协方差矩阵Σ共同决定，

为关于噪声方差的先验信息；

5）将遗忘因子λ∈(0,1]引入步骤4）构建的基于高斯过程的核自适应滤波模型中，并根据公式(4)构建实时核自适应滤波模型；

6）将测试集D _test 输入步骤5）构建的实时核自适应滤波模型中，得出任意k步的数据预测结果；

7）利用残差分析定量评估模型预测精准度。

本发明智能诊断方法利用塔筒顶端倾角传感器与塔筒底座倾角传感器得到塔筒倾角数据信号，并基于信号的能量对固定时间段内的倾斜量数据进行特征提取，以减小因传感器数据漂移产生的奇异值对数据的影响；然后通过基于高斯过程(Gaussianprocesses, GP)的核自适应滤波(Kernel recursive least-squares, KRLS)方法构建矩估计预警模型；再引入遗忘因子(forgetting factor)实时跟踪数据的非稳定状态，并增强模型对于大数据的泛化能力，实现基于数据驱动的风电塔筒监测诊断方法。可以对风电塔筒设备特征状态的在线监测和劣化过程进行早期预警。

本发明智能诊断方法相比于现有技术，具有以下优点：

1）以数据信息为驱动，引入“核技巧”将数据映射到高维特征空间，在高维特征空间中拟合数据空间拓扑结构，并采用遗忘因子实时跟踪数据非稳定状态，从而构建自适应的数据预测模型。

2） 不同于传统的自适应滤波预测方法，本发明构造了一个矩估计预测模型，不仅给出了准确的k步点估计预测，而且自适应的提供了该预测的可信程度，增加了提前预警的可靠性。

3）为了弥补高斯过程中批处理对大数据泛化能力差的缺陷，利用KRLS中的递归方法，实现了快速有效的回归和预测。

附图说明

图1是在风机上设置倾角传感器的安装位置示意图。

图2是实施本发明智能诊断方法时使用的风机基础运行监测系统的架构图。

图3是本发明智能诊断方法的流程图。

图4是实施例23号风机塔架的原始倾角数据图；(a)为实施例23号风机塔架上端原始倾角数据图；(b)为实施例23号风机塔架底座原始倾角数据图。

图5是实施例23号风机倾斜能量特征数据图。

图6是实施例23号风机倾斜能量特征数据划分图。

图7是实施例倾斜能量特征数据预测结果图。

图8是实施例实时核自适应滤波模型的收敛曲线图。

图9是实施例实时核自适应滤波模型的残差图。

图10(a)为实施例G3号风机塔架上端原始倾角数据图；(b)为实施例G3号风机塔架底座原始倾角数据图。

图11是实施例G3号风机倾斜能量特征数据图。

图12是实施例G3号风机倾斜能量特征数据划分图。

图13是实施例G3号风机倾斜能量特征数据预测结果图。

图14是实施例G3号风机实时核自适应滤波模型收敛曲线图。

图15是实施例G3号风机实时核自适应滤波模型残差图。

图1中：1.塔筒顶端倾角传感器，2.塔筒底座倾角传感器，3.机舱控制柜，4.第一光纤转换器，5.第一传感器，6.塔基控制柜，7.第二光纤转换器，8.第二传感器。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

为保障传感器采集的数据准确，将倾角传感器（倾角传感器选用传感器体积小、精度高、使用寿命长且安装方便的基于MEMS加速度计倾角传感器）安装在数据采集器中，然后将装有倾角传感器的第一个数据采集器固定安装在风机机舱上部的塔筒顶端内壁处，该第一个数据采集器中的倾角传感器为塔筒顶端倾角传感器1；将装有倾角传感器的第二个数据采集器固定安装在塔筒的基础法兰平面上，该第二个数据采集器中的倾角传感器为塔筒底座倾角传感器2，如图1所示。塔筒顶端倾角传感器1和塔筒底座倾角传感器2用于测量在不同工况下风机塔筒的角度变化。风机的机舱内设有机舱控制柜3，机舱控制柜3设有第一光纤转换器4，光纤转换器4通过光纤分别与第一传感器5和第二光纤转换器7相连，第二光纤转换器7位于塔基控制柜6内，第二光纤转换器7通过光纤与第二传感器8相连；塔基控制柜6和第二传感器8均位于塔基内，第一传感器5位于塔身上部，其中第一传感器5和第二传感器8均为基础水平传感器。

每个风机上再安装通信采集模块，同一风机上的第二光纤转换器7和通信采集模块信号相连，所有的通信采集模块通过光纤与风机环网相连，风机环网与远程终端信号连接，构成图2所示的风机基础运行监测系统。该监测系统包括了基础水平传感器、倾斜传感器、通信采集模块、风机环网、数据存储系统和远程应用系统等。倾角传感器采集到的数据通过光纤通信输入到控制室的数据服务器进行存储，并通过信息化手段，建立远程应用系统，对数据进行处理并实时展示。

本发明提供的一种流程图如图3所示的基于倾角传感器信息的风电塔筒倾覆智能诊断方法，具体按以下步骤进行：

1）利用分别安装在塔筒顶端和底座法兰平面上的倾角传感器实时采集塔筒倾斜数据和塔筒基础沉降数据，采样频率为1Hz，通过通信采集模块将采集的数据传输给风场环网，风场环网再将数据传输给远程监测平台，远程监测平台对接收到的数据进行预处理，得到塔筒基础沉降数据集{a _x ,a _y }与塔筒倾斜数据集{b _x ,b _y }，其中，a _x 和a _y 分别表示塔筒底座x向倾角与y向倾角，b _x 和b _y 分别表示塔架上端x向倾角与y向倾角；并将预处理后的数据进行实时显示；

例如，以23号风机为例，23号风机塔架的原始倾角数据图，如图4所示，图4中的(a)为该风机塔架上端原始倾角数据图；图4中的(b)为该风机塔架底座原始倾角数据图；从图中可以看出塔筒顶端倾角数据分布较为均匀，这说明塔筒未发生倾斜，塔筒底端数据在0^o和180^o附近，这说明塔筒几乎没有沉降，较为稳定；

2）针对可能出现的倾角传感器可靠性差，数据传输不稳定导致的数据缺失和不连续问题，根据公式

提取固定时间段内采集到的倾角数据集{a _x ,a _y ,b _x ,b _y }中的能量特征e _h ，得到风机倾斜能量特征集合e=[e ₁,e ₂,…,e _n ] ^T ；

式中，h为固定时间段的时长，E()表示求取期望；

图5是上例中23号风机倾斜能量特征数据图，从图中可以看出该时段内倾斜能量特征数据中没有特别大的奇异值，这表明23号风机塔筒运行平稳，并未发生倾斜；

3）利用步骤2）中得到的风机倾斜能量特征集合e建立模型训练集

和测试集

；其中，x _i =[e _i-m ,e _i-m+1,…,e _i ] ^T ，y _i =e _i+k ；式中，t为训练集长度，l是测试集长度，m为嵌入维数，k表示预测步数；

接上例，利用提取的风机倾斜能量特征集合建立模型训练集

和测试集

(其中嵌入维数m=6，预测步数k=10，训练集长度t=3000，测试集长度l=500)，得到图6所示的23号风机倾斜能量特征数据划分图，从图中可以看出前3000小时的数据为训练集，后500小时的数据为测试集；

4）为了更好的拟合数据空间拓扑结构，引入核函数将风机倾斜能量特征数据(x _i )映射(x _i →k(x _i ))到高维特征空间k(x _i )，即：

（1）式中，x _i , x _j 是风机倾斜能量特征数据，δ为高斯核函数参数；

然后，在该高维特征空间中根据公式（2）构建基于高斯过程(GP)的核自适应滤波(KRLS)模型；

y _i =f(x _i )+ξ _i （2）

（2）式中，

表示均值为零、方差为

的高斯噪声，f(x _i )～GP(μ,Σ)表示符合均值向量为μ、协方差矩阵为Σ的高斯过程；

将训练集

输入公式（2）构建的模型中，根据公式（3）计算模型预测的后验分布；

式中，

为后验分布的均值，

表示后验分布的方差，其中k _j =[k(x ₁,x _j ),k(x ₂,x _j ),…,k(x _t ,x _j )] ^T ，K _t =[k ₁,k ₂,…,k _t ]，y _t =[y ₁,y ₂,…,y _t ] ^T ，GP表示高斯过程，而每一个高斯过程完全由均值向量μ和协方差矩阵Σ共同决定，

为关于噪声方差的先验信息；

接上例，本实施例中选取高斯核函数参数δ=5，与噪声相关的先验信息

为置信区间；

5）为了及时跟踪数据变化状态，将遗忘因子λ∈(0,1]引入步骤4）所构建的模型中，并根据公式(4)构建实时核自适应滤波模型(GP-KRLS-Tracker)：

接上例，由于遗忘因子λ=1-k/l，因此在本实施例中选取λ=0.98；

6）将测试集D _test 输入步骤5）构建的实时核自适应滤波模型中，得出任意k步的数据预测结果

；

为了评估模型收敛速度，根据公式(5)计算模型训练过程中的均方误差(Meansquare error, MSE)，

（5）式中，

表示预测均值向量，y _test 表示实际测试值向量；

接上例，将测试集D _test 输入实时核自适应滤波模型中，得出任意k步的预测数据分布结果，如图7所示，其中预测均值几乎与实际测试值相重合，预测的置信区间几乎完全涵盖了整个测试集数据；计算模型训练过程中的均方误差，得图8所示的核自适应滤波模型收敛曲线图。

7）为了进一步衡量实时核自适应滤波模型的预测准确程度，计算测试信号与预测结果之间的残差估计模型预测准确程度，利用残差分析定量评估模型预测精准度。

接上例，利用残差分析定量评估模型预测精准度，得图9所示的实时核自适应滤波模型的残差图，从图中可以看出预测误差最大值不超过±0.1。

从图7中可以看出实际测试值数据与预测均值几乎重合，预测的置信区间几乎包含了所有的测试集数据，这说明所构建的模型不仅可以实时的提前预测风机塔筒的运行状态，实现劣化过程的早期预警，有效避免事故发生，而且所估计的置信区间涵盖了塔筒正常状况下的数据，这为检测塔筒的异常提供了一种自适应的方法；从图8中可以看出本发明所提出的方法在1000步时已达到收敛状态，这说明本发明预测方法的收敛速度快；从图9可以看到所得到的预测误差较小，这进一步的证明了本发明的多步预测效果清晰。

为了进一步的验证本发明智能诊断方法的有效性，选取华电集团窑坡山风场G3号风机从2020年5月15日至2020年5月29日采集到的倾角数据进行分析。该G3号风机的倾角数据图见图10，图10中的 (a)图为G3号风机塔架上端原始倾角数据图；图10中的(b) 图为G3号风机塔架底座原始倾角数据图。图11是G3号风机倾斜能量特征数据图。图12是G3号风机倾斜能量特征数据划分图。图13是G3号风机倾斜能量特征数据预测结果图。图14是G3号风机实时核自适应滤波模型收敛曲线图。图15是G3号风机实时核自适应滤波模型残差图。

从图13中可以看出，所预测的分布均值几乎与原始的测试数据重合，预测的置信区间几乎完全涵盖了所有的测试数据，这说明了本发明的预测效果明显；图14表示本发明的收敛速度，从图中可以看出本发明在1000步时已经收敛，这说明本发明智能诊断方法收敛速度快；图15为该模型所得的残差图，从图中可以看出，该模型残差较小，峰峰值小于±0.1，这说明该方法的多部预测准确度高。因此，本发明智能诊断方法可以自适应的对塔筒健康状态进行分析，为保障风电机组安全可靠运行提供了基础。

Claims (3)

1.一种基于倾角传感器信息的风电塔筒倾覆智能诊断方法，其特征在于，具体按以下步骤进行：

1）利用分别安装在塔筒顶端和底座法兰平面上的倾角传感器实时采集塔筒倾斜数据和塔筒基础沉降数据，并将采集到的数据传输给远程监测平台进行预处理，得到塔筒基础沉降数据集{a _x ,a _y }与塔筒倾斜数据集{b _x ,b _y }；

2）根据公式

提取固定时间段内倾角数据集{a _x ,a _y ,b _x ,b _y }的中的能量特征e _h ，得到风机倾斜能量特征集合e=[e ₁,e ₂,…,e _n ] ^T ；

式中，h为固定时间段，E()表示求取期望；

3）利用步骤2）中得到的风机倾斜能量特征集合e建立模型训练数据集

和测试数据集

；其中，x _i =[e _i-m ,e _i-m+1,…,e _i ] ^T ，y _i =e _i+k ；

式中，t为训练集长度，l是测试集长度，m为嵌入维数，k表示预测步数；

4）根据公式y _i =f(x _i )+ξ _i 构建基于高斯过程的核自适应滤波模型；

式中，f(x _i )～GP(μ, Σ)表示符合均值向量为μ、协方差矩阵为Σ的高斯过程，

表示均值为零、方差为

的高斯噪声；

将训练集

输入该基于高斯过程的核自适应滤波模型中，根据公式(3)计算模型预测的后验分布；

式中，

为后验分布的均值，

表示后验分布的方差，其中k _j =[k(x ₁,x _j ),k(x ₂,x _j ),…,k(x _t ,x _j )] ^T ，K _t =[k ₁,k ₂,…,k _t ]，y _t =[y ₁,y ₂,…,y _t ] ^T ，GP表示高斯过程，每一个高斯过程完全由均值向量μ和协方差矩阵Σ共同决定，

为关于噪声方差的先验信息；

5）将遗忘因子λ∈(0,1]引入步骤4）构建的基于高斯过程的核自适应滤波模型中，并根据公式(4)构建实时核自适应滤波模型；

6）将测试集D _test 输入步骤5）构建的实时核自适应滤波模型中，得出任意k步的数据预测结果；

7）利用残差分析定量评估模型预测精准度。

2.如权利要求1所述的基于倾角传感器信息的风电塔筒倾覆智能诊断方法，其特征在于：所述步骤4）中，先引入核函数将风机倾斜能量特征数据(x _i )映射(x _i →k(x _i ))到高维特征空间k(x _i )，即：

（1）式中，x _i , x _j 是风机倾斜能量特征数据，δ为高斯核函数参数；

再在该高维特征空间中根据公式y _i =f(x _i )+ξ _i 构建基于高斯过程的核自适应滤波模型；

式中，

表示均值为零、方差为

的高斯噪声，f(x _i )～GP(μ, Σ)表示符合均值向量为μ、协方差矩阵为Σ的高斯过程。

3.如权利要求1所述的基于倾角传感器信息的风电塔筒倾覆智能诊断方法，其特征在于：该智能诊断方法采用均方误差定量估计模型收敛速度，

（5）式中，

表示预测均值向量，y _test 表示实际测试值向量。

Images