CN112949543A - 基于快速傅里叶变换和elm的风机叶片故障诊断方法 - Google Patents

基于快速傅里叶变换和elm的风机叶片故障诊断方法 Download PDF

Info

Publication number
CN112949543A
CN112949543A CN202110284821.2A CN202110284821A CN112949543A CN 112949543 A CN112949543 A CN 112949543A CN 202110284821 A CN202110284821 A CN 202110284821A CN 112949543 A CN112949543 A CN 112949543A
Authority
CN
China
Prior art keywords
fan
blade
amplitude
fault diagnosis
sampling interval
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
Application number
CN202110284821.2A
Other languages
English (en)
Other versions
CN112949543B (zh
Inventor
许兆鹏
李晓刚
崔立业
陈楠
张崇
夏永丰
郭金
高飞
曹生现
唐振浩
刘睿晨
董佳圆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Science & Technology Development Branch Of Jilin Electric Power Co ltd
Changchun Jidian Energy Technology Co ltd
Northeast Electric Power University
Original Assignee
Science & Technology Development Branch Of Jilin Electric Power Co ltd
Changchun Jidian Energy Technology Co ltd
Northeast Dianli University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Science & Technology Development Branch Of Jilin Electric Power Co ltd, Changchun Jidian Energy Technology Co ltd, Northeast Dianli University filed Critical Science & Technology Development Branch Of Jilin Electric Power Co ltd
Priority to CN202110284821.2A priority Critical patent/CN112949543B/zh
Publication of CN112949543A publication Critical patent/CN112949543A/zh
Application granted granted Critical
Publication of CN112949543B publication Critical patent/CN112949543B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Wind Motors (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及风机故障诊断技术领域，提供一种基于快速傅里叶变换和ELM的风机叶片故障诊断方法，包括：步骤1：风机叶片故障诊断模型建立：获取每台风机在每个采样区间的叶片振动信号、该采样区间最后一秒的瞬时风速与瞬时风功率形成样本，并添加故障状态标签；对叶片振动信号进行快速傅里叶变换；对叶片振动信号的频谱进行特征提取，记录特征值包括最大幅值、最大幅值对应的频率等；以每台风机在每个采样区间的特征值及该采样区间最后一秒的瞬时风速与瞬时风功率为输入、对应的故障状态标签为输出，构建并训练基于ELM的风机叶片故障诊断模型；步骤2：新工况叶片故障诊断。本发明能够提高风机叶片故障诊断的准确率与效率并降低成本。

Description

基于快速傅里叶变换和ELM的风机叶片故障诊断方法
技术领域
本发明涉及风机故障诊断技术领域，特别是涉及一种基于快速傅里叶变换和ELM的风机叶片故障诊断方法。
背景技术
随着新能源技术的发展及推广，风能作为一种清洁能源越来越受到广泛的关注。同时，风力发电机叶片是风力发电系统的主要设备，其健康状态直接影响发电效率。
风机叶片受到风能作用转动，能量经过传递转化为电能。自然风具有随机性、波动性，并且夹杂有沙石、冰雪等杂质，这些因素会导致叶片覆冰、开裂、透光，进而影响风机高效安全运行。
风机叶片故障诊断可以基于超声波技术、机器视觉技术、振动信号。基于超声波的检测方法取决于叶片内弹性波的传播和反射，使用超声波技术可以获得深度损伤信息，但其受到信号处理复杂、采集时间长、分辨率低的限制，无法获得准确的位置。基于机器视觉的检测方法是来获取目标物体不同位置和视角的图像序列的信息，其对成像设备和数据处理提出了很高的要求，尤其是在复杂背景下，需要大量计算，且准确性依赖于图像处理技术。基于振动的检测方法侧重于对不规则振动、变形等引起的异常振动进行监测，基于振动的技术可以使用智能方法实现损伤检测，以确保风力发电机组可靠运行，由于其具有高灵敏度，易于实施等优点，可用于风力发电机损坏位置和严重程度的检测。
目前风机叶片故障大多基于专家知识进行人工诊断，可推广性和一致性不能满足实际需求。随着人工智能的普及与发展，利用机器学习方法建立高精度智能故障诊断模型是实现风机叶片故障诊断的必然要求。
发明内容
针对现有技术存在的问题，本发明提供一种基于快速傅里叶变换和ELM的风机叶片故障诊断方法，大大提高了风机叶片故障诊断的准确率与效率，且降低了诊断成本。
本发明的技术方案为：
一种基于快速傅里叶变换和ELM的风机叶片故障诊断方法，其特征在于：包括下述步骤：
步骤1：风机叶片故障诊断模型建立
步骤1.1：构建风机叶片故障诊断原始数据集
获取每台风机在每个采样区间的叶片振动信号、该采样区间最后一秒的瞬时风速与瞬时风功率，一个采样区间的叶片振动信号、该采样区间最后一秒的瞬时风速与瞬时风功率形成一个样本，并给每个样本添加故障状态标签，形成风机叶片故障诊断原始数据集X＝[X1,X2,...,Xk,...,XK]T，
Figure BDA0002979997960000021
其中，Xk为第k台风机的数据，k＝1,2,...,K，K为风机总数；Xk＝[Xk1,Xk2,...,Xkm,...,XkM]T，
Figure BDA0002979997960000022
Xkm为第k台风机的第m条数据，m＝1,2,...,M，M为每台风机的样本总数；
Figure BDA0002979997960000023
Figure BDA0002979997960000024
为第k台风机在第m个采样区间的叶片振动信号，
Figure BDA0002979997960000025
Figure BDA0002979997960000026
为第k台风机在第m个采样区间最后一秒的瞬时风速，
Figure BDA0002979997960000027
为第k台风机在第m个采样区间最后一秒的瞬时风功率，ykm为第k台风机在第m个采样区间对应的故障状态标签，ykm＝1、2、3、4分别代表无故障、叶片透光、叶片开裂、叶片覆冰；叶片振动信号从风机振动信号监测站获取，瞬时风速、瞬时风功率从风电场的SCADA系统中获取，叶片振动信号在额定转速下进行采集，采样区间时间长度为T，采样频率为f0；
步骤1.2：对每个样本中的叶片振动信号进行快速傅里叶变换
对每个样本中的叶片振动信号
Figure BDA0002979997960000028
进行快速傅里叶变换，得到叶片振动信号
Figure BDA0002979997960000029
的频谱为
Figure BDA00029799979600000210
步骤1.3：对叶片振动信号的频谱进行特征提取，构建风机叶片故障诊断数据集
对频谱
Figure BDA00029799979600000211
进行特征提取，记录频谱
Figure BDA00029799979600000212
的特征值包括最大幅值
Figure BDA00029799979600000213
最大幅值对应的频率
Figure BDA00029799979600000214
幅值均值
Figure BDA00029799979600000215
幅值中位数值
Figure BDA00029799979600000216
幅值峰度
Figure BDA00029799979600000217
幅值偏度
Figure BDA00029799979600000218
幅值标准差
Figure BDA00029799979600000219
幅值方差
Figure BDA00029799979600000220
得到风机叶片故障诊断数据集为X'＝[X'1,X'2,...,X'k,...,X'K]T,X'∈R(K×M)×11；其中，X'k为第k台风机的训练数据，X'k＝[X'k1,X'k2,...,X'km,...,X'kM]T,X'k∈RM ×11，X'km为第k台风机的第m条训练数据，
Figure BDA00029799979600000221
X'km∈R1×11；
步骤1.4：建立基于ELM的风机叶片故障诊断模型
以每台风机在每个采样区间的叶片振动信号的频谱的特征值、该采样区间最后一秒的瞬时风速与瞬时风功率为输入，以该台风机在该采样区间对应的故障状态标签为输出，构建基于极限学习机的风机叶片故障诊断模型，并利用所述风机叶片故障诊断数据集训练基于极限学习机的风机叶片故障诊断模型；所述基于极限学习机的风机叶片故障诊断模型为Y＝MELM(w,b,β,x)，其中，Y为输出的故障状态标签，w为输入权重矩阵，b为偏置向量，β为输出权重矩阵，x为待诊断样本输入数据；
步骤2：新工况叶片故障诊断
步骤2.1：获取待诊断风机的原始数据包括该风机在当前时刻之前一个采样区间的叶片振动信号
Figure BDA0002979997960000031
及该采样区间最后一秒的瞬时风速
Figure BDA0002979997960000032
与瞬时风功率
Figure BDA0002979997960000033
其中，叶片振动信号
Figure BDA0002979997960000034
的采样频率为f0、采样区间时间长度为T；
步骤2.2：对待诊断风机的叶片振动信号
Figure BDA0002979997960000035
进行快速傅里叶变换，得到待诊断风机的叶片振动信号的频谱
Figure BDA0002979997960000036
步骤2.3：对待诊断风机的频谱
Figure BDA0002979997960000037
进行特征提取，记录待诊断风机的特征值包括最大幅值
Figure BDA0002979997960000038
最大幅值对应的频率
Figure BDA0002979997960000039
幅值均值
Figure BDA00029799979600000310
幅值中位数值
Figure BDA00029799979600000311
幅值峰度
Figure BDA00029799979600000312
幅值偏度
Figure BDA00029799979600000313
幅值标准差
Figure BDA00029799979600000314
幅值方差
Figure BDA00029799979600000315
步骤2.4：将
Figure BDA00029799979600000316
作为待诊断样本输入数据输入到步骤1.4所建立的风机叶片故障诊断模型中，计算得到待诊断风机的故障状态标签ydig。
进一步的，所述步骤1.1中，T＝64s，f0＝128HZ。
进一步的，所述步骤1.2中，快速傅里叶变换的公式为
Figure BDA00029799979600000317
其中，x(t)为需要进行快速傅里叶变换的信号，t为样本编号；x(f)为快速傅里叶变换后的信号，x(f)可以表示为x(f)＝a(f)+b(f)i，a(f)为x(f)的实部，b(f)为x(f)的虚部，f为频率序列中的频率值，M为频率序列中的频率总数，f＝0代表信号的直流分量，
Figure BDA00029799979600000318
进一步的，所述步骤1.4中，所述基于极限学习机的风机叶片故障诊断模型具体为
Figure BDA00029799979600000319
其中，w、b随机产生，β通过求解方程(1)获得；
上式可紧凑地表示如下:
Hβ＝T (1)
其中：
Figure BDA0002979997960000041
Figure BDA0002979997960000042
其中，H为隐层的输出矩阵，T为故障类别输出矩阵；g()为激活函数，wi∈R1×N为第i个隐层节点的输入权重，bi为第i个隐层节点的偏置，βi为第i个隐层节点的输出权重，i＝1,2,...,L，L为隐层节点数；xj为第j组输入数据(最大幅值,最大幅值对应的频率,幅值均值,幅值中位数值,幅值峰度,幅值偏度,幅值标准差,幅值方差,瞬时风速,瞬时风功率)，j＝1,2,...,N，N为输入数据组数，N＝K×M，tj为输入数据xj对应的故障状态标签yj；随机给定wi与bi，则训练单隐层前馈神经网络可以转化为求解线性方程(1)的最小二乘解。
进一步的，线性方程(1)的最小二乘解β＝H+T；其中，H+表示矩阵H的广义More-Penrose广义逆；T为输出值。
本发明的有益效果为：
本发明对风机叶片振动信号进行快速傅里叶变换，得到该信号的频谱，提取该频谱的特征值——最大幅值、最大幅值对应的频率、幅值均值、幅值中位数值、幅值峰度、幅值偏度、幅值标准差、幅值方差，进一步将特征值及风机工况数据(瞬时风速、瞬时风功率)作为极限学习机的输入、故障状态标签(叶片状态)作为输出，构建并训练了基于极限学习机的风机叶片故障诊断模型，不仅考虑了叶片振动信号还考虑了风机本身的工况信息，大大提高了风机叶片故障诊断的准确率与效率，而且降低了诊断成本，解决了现有风机叶片故障诊断方法存在的识别准确率较低、识别成本较高的技术问题。
附图说明
图1为本发明的基于快速傅里叶变换和ELM的风机叶片故障诊断方法的流程图。
图2为具体实施方式中无故障情况下叶片振动信号的波形及其快速傅里叶变换后的频谱示意图。
图3为具体实施方式中叶片透光情况下叶片振动信号的波形及其快速傅里叶变换后的频谱示意图。
图4为具体实施方式中叶片开裂情况下叶片振动信号的波形及其快速傅里叶变换后的频谱示意图。
图5为具体实施方式中叶片覆冰情况下叶片振动信号的波形及其快速傅里叶变换后的频谱示意图。
图6为ELM网络的结构示意图。
具体实施方式
下面将结合附图和具体实施方式，对本发明作进一步描述。
如图1所示，本发明的基于快速傅里叶变换和ELM的风机叶片故障诊断方法，包括下述步骤：
步骤1：风机叶片故障诊断模型建立
步骤1.1：构建风机叶片故障诊断原始数据集
获取每台风机在每个采样区间的叶片振动信号、该采样区间最后一秒的瞬时风速与瞬时风功率，一个采样区间的叶片振动信号、该采样区间最后一秒的瞬时风速与瞬时风功率形成一个样本，并给每个样本添加故障状态标签，形成风机叶片故障诊断原始数据集X＝[X1,X2,...,Xk,...,XK]T，
Figure BDA0002979997960000051
其中，Xk为第k台风机的数据，k＝1,2,...,K，K为风机总数；Xk＝[Xk1,Xk2,...,Xkm,...,XkM]T，
Figure BDA0002979997960000052
Xkm为第k台风机的第m条数据，m＝1,2,...,M，M为每台风机的样本总数；
Figure BDA0002979997960000053
Figure BDA0002979997960000054
为第k台风机在第m个采样区间的叶片振动信号，
Figure BDA0002979997960000055
Figure BDA0002979997960000056
为第k台风机在第m个采样区间最后一秒的瞬时风速，
Figure BDA0002979997960000057
为第k台风机在第m个采样区间最后一秒的瞬时风功率，ykm为第k台风机在第m个采样区间对应的故障状态标签，ykm＝1、2、3、4分别代表无故障、叶片透光、叶片开裂、叶片覆冰；叶片振动信号从风机振动信号监测站获取，瞬时风速、瞬时风功率从风电场的SCADA系统中获取，叶片振动信号在额定转速下进行采集，采样区间时间长度为T，采样频率为f0。
本实施例中，采样区间时间长度T＝64s，采样频率f0＝128HZ。获取北方某风电场四台同型号风机在10000个采样区间的叶片振动信号、每个采样区间最后一秒的瞬时风速与瞬时风功率，共得到10000个样本，每个采样区间的叶片振动信号的采样点数为8192。四台风机分别存在四种运行状态，第一种为无故障，第二种为叶片透光(砂眼)，第三种为叶片开裂(裂纹)，第四种为叶片覆冰，无故障数据与故障数据之比为1：3。其中，四台风机的样本数据如下表1所示。
表1原始样本集
Figure BDA0002979997960000061
步骤1.2：对每个样本中的叶片振动信号进行快速傅里叶变换
对每个样本中的叶片振动信号
Figure BDA0002979997960000062
进行快速傅里叶变换，得到叶片振动信号
Figure BDA0002979997960000063
的频谱为xfs km。
快速傅里叶变换(Fast Fourier Transform,FFT)是一种典型的信号处理技术，利用其时频分析的功能将风机叶片的时域变换为频域采样，目的为了故障情况下的特有频幅信息。快速傅里叶变换的公式为
Figure BDA0002979997960000064
其中，x(t)为需要进行快速傅里叶变换的信号，t为样本编号；x(f)为快速傅里叶变换后的信号，x(f)可以表示为x(f)＝a(f)+b(f)i，a(f)为x(f)的实部，b(f)为x(f)的虚部，f为频率序列中的频率值，M为频率序列中的频率总数，f＝0代表信号的直流分量，
Figure BDA0002979997960000071
本实施例中，对每段叶片振动信号用快速傅里叶变换，得到其各点的频率和幅值，再对其频率和幅值进行绘图，横坐标为频率、纵坐标为幅值，得到正常情况下、叶片透光情况下、叶片开裂情况下、叶片覆冰情况下叶片振动信号的波形及其快速傅里叶变换后的频谱分别如图2、图3、图4、图5所示。图2-图5的上半部分分别对应叶片在不同状态下产生的叶片振动信号，下半部分分别为对应叶片振动信号的快速傅里叶变换结果。
其中，四台风机的快速傅里叶变换之后的数据如下表2所示。
表2快速傅里叶变换处理后样本集
Figure BDA0002979997960000072
步骤1.3：对叶片振动信号的频谱进行特征提取，构建风机叶片故障诊断数据集
对频谱
Figure BDA0002979997960000073
进行特征提取，记录频谱
Figure BDA0002979997960000074
的特征值包括最大幅值
Figure BDA0002979997960000075
最大幅值对应的频率
Figure BDA0002979997960000076
幅值均值
Figure BDA0002979997960000077
幅值中位数值
Figure BDA0002979997960000078
幅值峰度
Figure BDA0002979997960000079
幅值偏度
Figure BDA00029799979600000710
幅值标准差
Figure BDA00029799979600000711
幅值方差
Figure BDA00029799979600000712
得到风机叶片故障诊断数据集为X'＝[X'1,X'2,...,X'k,...,X'K]T,X'∈R(K×M)×11；其中，X'k为第k台风机的训练数据，X'k＝[X'k1,X'k2,...,X'km,...,X'kM]T,X'k∈RM ×11，X'km为第k台风机的第m条训练数据，
Figure BDA00029799979600000713
X'km∈R1×11。
本实施例中，四台风机的特征提取之后得到的训练数据如下表3所示。
表3特征提取后样本集
Figure BDA0002979997960000081
步骤1.4：建立基于ELM的风机叶片故障诊断模型
以每台风机在每个采样区间的叶片振动信号的频谱的特征值、该采样区间最后一秒的瞬时风速与瞬时风功率为输入，以该台风机在该采样区间对应的故障状态标签为输出，构建基于极限学习机的风机叶片故障诊断模型，并利用所述风机叶片故障诊断数据集训练基于极限学习机的风机叶片故障诊断模型；所述基于极限学习机的风机叶片故障诊断模型为Y＝MELM(w,b,β,x)，其中，Y为输出的故障状态标签，w为输入权重矩阵，b为偏置向量，β为输出权重矩阵，x为待诊断样本输入数据。
随着人工智能与大数据技术的发展，极限学习机作为一种典型的深度学习算法，具有良好的预测效率。具体的，极限学习机(Extreme Learning Machine,ELM)是以Moore-Penrose广义逆矩阵理论为基础的一种单隐层前馈神经网络的监督学习算法，基于极限学习机的风机叶片故障诊断模型具体为
Figure BDA0002979997960000082
其中，w、b随机产生，β通过求解方程(1)获得；
上式可紧凑地表示如下:
Hβ＝T (1)
其中：
Figure BDA0002979997960000083
Figure BDA0002979997960000091
Figure BDA0002979997960000092
其中，H为隐层的输出矩阵，T为故障类别输出矩阵；g()为激活函数，wi∈R1×N为第i个隐层节点的输入权重，bi为第i个隐层节点的偏置，βi为第i个隐层节点的输出权重，i＝1,2,...,L，L为隐层节点数；xj为第j组输入数据(最大幅值,最大幅值对应的频率,幅值均值,幅值中位数值,幅值峰度,幅值偏度,幅值标准差,幅值方差,瞬时风速,瞬时风功率)，j＝1,2,...,N，N为输入数据组数，N＝K×M，tj为输入数据xj对应的故障状态标签yj；随机给定wi与bi，则训练单隐层前馈神经网络可以转化为求解线性方程(1)的最小二乘解。ELM网络的结构如图6所示。
本实施例中，线性方程(1)的最小二乘解β＝H+T；其中，H+表示矩阵H的广义More-Penrose广义逆；T为输出值。
通过训练及ELM网络调参，最终建立了基于快速傅里叶变换与极限学习机的风机叶片故障诊断模型。
步骤2：新工况叶片故障诊断
步骤2.1：获取待诊断风机的原始数据包括该风机在当前时刻之前一个采样区间的叶片振动信号
Figure BDA0002979997960000093
及该采样区间最后一秒的瞬时风速
Figure BDA0002979997960000094
与瞬时风功率
Figure BDA0002979997960000095
其中，叶片振动信号
Figure BDA0002979997960000096
的采样频率为f0、采样区间时间长度为T；
步骤2.2：对待诊断风机的叶片振动信号
Figure BDA0002979997960000097
进行快速傅里叶变换，得到待诊断风机的叶片振动信号的频谱
Figure BDA0002979997960000098
步骤2.3：对待诊断风机的频谱
Figure BDA0002979997960000099
进行特征提取，记录待诊断风机的特征值包括最大幅值
Figure BDA00029799979600000910
最大幅值对应的频率
Figure BDA00029799979600000911
幅值均值
Figure BDA00029799979600000912
幅值中位数值
Figure BDA00029799979600000913
幅值峰度
Figure BDA00029799979600000914
幅值偏度
Figure BDA0002979997960000101
幅值标准差
Figure BDA0002979997960000102
幅值方差
Figure BDA0002979997960000103
步骤2.4：将
Figure BDA0002979997960000104
作为待诊断样本输入数据输入到步骤1.4所建立的风机叶片故障诊断模型中，计算得到待诊断风机的故障状态标签ydig。
本实施例中，另取风场中四台具有不同故障的风机在3000个采样区间的叶片振动信号、每个采样区间最后一秒的瞬时风速与瞬时风功率，每台风机得到750个样本，组成验证集。验证集中的样本数据如下表4所示，对该样本数据进行快速傅里叶变换之后的数据如下表5所示，特征提取之后得到的验证数据如下表6所示。
表4待测原始样本集
Figure BDA0002979997960000105
表5快速傅里叶变换处理后待测样本集
Figure BDA0002979997960000106
Figure BDA0002979997960000111
表6特征提取后待测样本集
Figure BDA0002979997960000112
利用验证集对训练后的风机叶片故障诊断模型进行验证，得到故障类型验证混淆矩阵如下表7所示。
表7故障类型验证混淆矩阵
Figure BDA0002979997960000113
四种情况下的准确率分别为
Figure BDA0002979997960000114
Figure BDA0002979997960000115
Figure BDA0002979997960000116
Figure BDA0002979997960000117
平均准确率为
PrecisionMeanfault＝(99.3％+97.1％+98.5％+99.4％)/4＝98.6％
四种情况下的召回率分别为
Figure BDA0002979997960000121
Figure BDA0002979997960000122
Figure BDA0002979997960000123
Figure BDA0002979997960000124
平均召回率为
RecallMeanfault＝(99.1％+98.6％+97.6％+99.1％)/4＝98.6％
根据混淆矩阵，计算得到Kappa＝98.1％
上述的准确性分析表明，叶片无故障时的分类准确度为99.3％，叶片透光的分类准确度为97.1％，叶片开裂的分类准确度为98.5％，叶片覆冰的分类准确度为99.4％，平均精确度为98.6％。此时的平均召回率为98.6％。并且通过计算，kappa的值为98.1％，说明两种方法对分类准确度的评价均取得了一致性。可见，本发明的基于快速傅里叶变换和ELM的风机叶片故障诊断方法大大提高了风机叶片故障诊断的准确率。
显然，上述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。上述实施例仅用于解释本发明，并不构成对本发明保护范围的限定。基于上述实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等，均落在本发明要求的保护范围内。

Claims (5)

1.一种基于快速傅里叶变换和ELM的风机叶片故障诊断方法，其特征在于：包括下述步骤：
步骤1：风机叶片故障诊断模型建立
步骤1.1：构建风机叶片故障诊断原始数据集
获取每台风机在每个采样区间的叶片振动信号、该采样区间最后一秒的瞬时风速与瞬时风功率，一个采样区间的叶片振动信号、该采样区间最后一秒的瞬时风速与瞬时风功率形成一个样本，并给每个样本添加故障状态标签，形成风机叶片故障诊断原始数据集X＝[X1,X2,...,Xk,...,XK]T，
Figure FDA0002979997950000011
其中，Xk为第k台风机的数据，k＝1,2,...,K，K为风机总数；Xk＝[Xk1,Xk2,...,Xkm,...,XkM]T，
Figure FDA0002979997950000012
Xkm为第k台风机的第m条数据，m＝1,2,...,M，M为每台风机的样本总数；
Figure FDA0002979997950000013
Figure FDA0002979997950000014
为第k台风机在第m个采样区间的叶片振动信号，
Figure FDA0002979997950000015
Figure FDA0002979997950000016
为第k台风机在第m个采样区间最后一秒的瞬时风速，
Figure FDA0002979997950000017
为第k台风机在第m个采样区间最后一秒的瞬时风功率，ykm为第k台风机在第m个采样区间对应的故障状态标签，ykm＝1、2、3、4分别代表无故障、叶片透光、叶片开裂、叶片覆冰；叶片振动信号从风机振动信号监测站获取，瞬时风速、瞬时风功率从风电场的SCADA系统中获取，叶片振动信号在额定转速下进行采集，采样区间时间长度为T，采样频率为f0；
步骤1.2：对每个样本中的叶片振动信号进行快速傅里叶变换
对每个样本中的叶片振动信号
Figure FDA0002979997950000018
进行快速傅里叶变换，得到叶片振动信号
Figure FDA0002979997950000019
的频谱为
Figure FDA00029799979500000110
步骤1.3：对叶片振动信号的频谱进行特征提取，构建风机叶片故障诊断数据集
对频谱
Figure FDA00029799979500000111
进行特征提取，记录频谱
Figure FDA00029799979500000112
的特征值包括最大幅值
Figure FDA00029799979500000113
最大幅值对应的频率
Figure FDA00029799979500000114
幅值均值
Figure FDA00029799979500000115
幅值中位数值
Figure FDA00029799979500000116
幅值峰度
Figure FDA00029799979500000117
幅值偏度
Figure FDA00029799979500000118
幅值标准差
Figure FDA00029799979500000119
幅值方差
Figure FDA00029799979500000120
得到风机叶片故障诊断数据集为X'＝[X'1,X'2,...,X'k,...,X'K]T,X'∈R(K ×M)×11；其中，X'k为第k台风机的训练数据，X'k＝[X'k1,X'k2,...,X'km,...,X'kM]T,X'k∈RM ×11，X'km为第k台风机的第m条训练数据，
Figure FDA00029799979500000121
X'km∈R1×11；
步骤1.4：建立基于ELM的风机叶片故障诊断模型
以每台风机在每个采样区间的叶片振动信号的频谱的特征值、该采样区间最后一秒的瞬时风速与瞬时风功率为输入，以该台风机在该采样区间对应的故障状态标签为输出，构建基于极限学习机的风机叶片故障诊断模型，并利用所述风机叶片故障诊断数据集训练基于极限学习机的风机叶片故障诊断模型；所述基于极限学习机的风机叶片故障诊断模型为Y＝MELM(w,b,β,x)，其中，Y为输出的故障状态标签，w为输入权重矩阵，b为偏置向量，β为输出权重矩阵，x为待诊断样本输入数据；
步骤2：新工况叶片故障诊断
步骤2.1：获取待诊断风机的原始数据包括该风机在当前时刻之前一个采样区间的叶片振动信号
Figure FDA0002979997950000021
及该采样区间最后一秒的瞬时风速
Figure FDA0002979997950000022
与瞬时风功率
Figure FDA0002979997950000023
其中，叶片振动信号
Figure FDA0002979997950000024
的采样频率为f0、采样区间时间长度为T；
步骤2.2：对待诊断风机的叶片振动信号
Figure FDA0002979997950000025
进行快速傅里叶变换，得到待诊断风机的叶片振动信号的频谱
Figure FDA0002979997950000026
步骤2.3：对待诊断风机的频谱
Figure FDA0002979997950000027
进行特征提取，记录待诊断风机的特征值包括最大幅值
Figure FDA0002979997950000028
最大幅值对应的频率
Figure FDA0002979997950000029
幅值均值
Figure FDA00029799979500000210
幅值中位数值
Figure FDA00029799979500000211
幅值峰度
Figure FDA00029799979500000212
幅值偏度
Figure FDA00029799979500000213
幅值标准差
Figure FDA00029799979500000214
幅值方差
Figure FDA00029799979500000215
步骤2.4：将
Figure FDA00029799979500000216
作为待诊断样本输入数据输入到步骤1.4所建立的风机叶片故障诊断模型中，计算得到待诊断风机的故障状态标签ydig。
2.根据权利要求1所述的基于快速傅里叶变换和ELM的风机叶片故障诊断方法，其特征在于，所述步骤1.1中，T＝64s，f0＝128HZ。
3.根据权利要求1所述的基于快速傅里叶变换和ELM的风机叶片故障诊断方法，其特征在于，所述步骤1.2中，快速傅里叶变换的公式为
Figure FDA00029799979500000217
其中，x(t)为需要进行快速傅里叶变换的信号，t为样本编号；x(f)为快速傅里叶变换后的信号，x(f)可以表示为x(f)＝a(f)+b(f)i，a(f)为x(f)的实部，b(f)为x(f)的虚部，f为频率序列中的频率值，M为频率序列中的频率总数，f＝0代表信号的直流分量，
Figure FDA0002979997950000031
4.根据权利要求1所述的基于快速傅里叶变换和ELM的风机叶片故障诊断方法，其特征在于，所述步骤1.4中，所述基于极限学习机的风机叶片故障诊断模型具体为：
Figure FDA0002979997950000032
其中，w、b随机产生，β通过求解方程(1)获得；
上式可紧凑地表示如下:
Hβ＝T (1)
其中：
Figure FDA0002979997950000033
Figure FDA0002979997950000034
其中，H为隐层的输出矩阵，T为故障类别输出矩阵；g()为激活函数，wi∈R1×N为第i个隐层节点的输入权重，bi为第i个隐层节点的偏置，βi为第i个隐层节点的输出权重，i＝1,2,...,L，L为隐层节点数；xj为第j组输入数据(最大幅值，最大幅值对应的频率，幅值均值，幅值中位数值，幅值峰度，幅值偏度，幅值标准差，幅值方差，瞬时风速，瞬时风功率)，j＝1,2,...,N，N为输入数据组数，N＝K×M，tj为输入数据xj对应的故障状态标签yj；随机给定wi与bi，则训练单隐层前馈神经网络可以转化为求解线性方程(1)的最小二乘解。
5.根据权利要求4所述的基于快速傅里叶变换和ELM的风机叶片故障诊断方法，其特征在于，线性方程(1)的最小二乘解β＝H+T；其中，H+表示矩阵H的广义More-Penrose广义逆；T为输出值。
CN202110284821.2A 2021-03-17 2021-03-17 基于快速傅里叶变换和elm的风机叶片故障诊断方法 Active CN112949543B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110284821.2A CN112949543B (zh) 2021-03-17 2021-03-17 基于快速傅里叶变换和elm的风机叶片故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110284821.2A CN112949543B (zh) 2021-03-17 2021-03-17 基于快速傅里叶变换和elm的风机叶片故障诊断方法

Publications (2)

Publication Number Publication Date
CN112949543A true CN112949543A (zh) 2021-06-11
CN112949543B CN112949543B (zh) 2022-08-23

Family

ID=76228727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110284821.2A Active CN112949543B (zh) 2021-03-17 2021-03-17 基于快速傅里叶变换和elm的风机叶片故障诊断方法

Country Status (1)

Country Link
CN (1) CN112949543B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563251A (zh) * 2016-07-01 2018-01-09 华北电力大学（保定） 基于极限学习机的风机故障诊断方法
CN108181107A (zh) * 2018-01-12 2018-06-19 东北电力大学 计及多分类目标的风电机组轴承机械故障诊断方法
US20180348303A1 (en) * 2017-06-01 2018-12-06 General Electric Company Wind Turbine Fault Detection Using Acoustic, Vibration, and Electrical Signals
CN109255333A (zh) * 2018-09-25 2019-01-22 内蒙古工业大学 一种大型风电机组滚动轴承故障混合诊断方法
CN209067417U (zh) * 2018-12-07 2019-07-05 吉林电力股份有限公司科技开发分公司 一种基于scada系统的风电机组监测装置
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN110131109A (zh) * 2019-04-25 2019-08-16 浙江大学 一种基于卷积神经网络的风力机叶片不平衡检测方法
CN111412114A (zh) * 2019-12-26 2020-07-14 浙江运达风电股份有限公司 一种基于定子电流包络谱的风电机组叶轮不平衡检测方法
CN111625762A (zh) * 2020-04-29 2020-09-04 粤电集团贵州有限公司 风机故障诊断方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563251A (zh) * 2016-07-01 2018-01-09 华北电力大学（保定） 基于极限学习机的风机故障诊断方法
US20180348303A1 (en) * 2017-06-01 2018-12-06 General Electric Company Wind Turbine Fault Detection Using Acoustic, Vibration, and Electrical Signals
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN108181107A (zh) * 2018-01-12 2018-06-19 东北电力大学 计及多分类目标的风电机组轴承机械故障诊断方法
CN109255333A (zh) * 2018-09-25 2019-01-22 内蒙古工业大学 一种大型风电机组滚动轴承故障混合诊断方法
CN209067417U (zh) * 2018-12-07 2019-07-05 吉林电力股份有限公司科技开发分公司 一种基于scada系统的风电机组监测装置
CN110131109A (zh) * 2019-04-25 2019-08-16 浙江大学 一种基于卷积神经网络的风力机叶片不平衡检测方法
CN111412114A (zh) * 2019-12-26 2020-07-14 浙江运达风电股份有限公司 一种基于定子电流包络谱的风电机组叶轮不平衡检测方法
CN111625762A (zh) * 2020-04-29 2020-09-04 粤电集团贵州有限公司 风机故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHIWEI GAO等: "《An Overview on Fault Diagnosis, Prognosis and Resilient Control for Wind Turbine Systems》", 《PROCESSES 2021》 *
俞星 等: "《基于主分量和小波分析的煤矿主通风机故障诊断研究》", 《煤矿机械》 *
张海刚 等: "《基于定子电流监控的轴承故障在线监测》", 《控制理论与应用》 *

Also Published As

Publication number Publication date
CN112949543B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN102944418B (zh) 一种风电机组叶片故障诊断方法
CN104677623B (zh) 一种风力发电机叶片故障在位声学诊断方法及监测系统
CN109763944B (zh) 一种海上风机叶片故障非接触式监测系统及监测方法
CN108919116B (zh) 基于MCCKAF-FFT-Softmax的海流发电机不平衡定子电流故障诊断方法
CN113947017B (zh) 一种滚动轴承剩余使用寿命预测方法
CN111738068B (zh) 一种转速波动工况下的传动轴故障诊断方法和系统
CN105929331A (zh) 一种双馈风力发电机定转子故障分析诊断装置及方法
CN103454537A (zh) 基于小波分析的风力发电低电压穿越检测设备及方法
CN103940611A (zh) 一种风电机组变工况下滚动轴承自适应异常检测方法
CN105065212A (zh) 一种风电场风电机组校验方法及系统
CN111412114B (zh) 一种基于定子电流包络谱的风电机组叶轮不平衡检测方法
CN113255458A (zh) 基于多视图关联特征学习的轴承故障诊断方法
CN111795819B (zh) 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法
CN108278184B (zh) 基于经验模态分解的风电机组叶轮不平衡监测方法
CN114358074B (zh) 一种数据驱动的转子系统典型故障诊断方法
CN113240022A (zh) 多尺度单分类卷积网络的风电齿轮箱故障检测方法
CN104792520A (zh) 风力发电机组齿轮箱故障诊断方法
CN113776818A (zh) 基于Park变换的海上风电机组齿轮系统故障诊断方法
CN112949543B (zh) 基于快速傅里叶变换和elm的风机叶片故障诊断方法
CN111539381B (zh) 风力发电机轴承故障分类诊断模型的构建方法
CN117763353A (zh) 一种适用于数字孪生系统的海上风力发电机模型训练方法
CN115377999B (zh) 一种基于宽频测量数据的次同步振荡辨识的方法
Chen et al. A novel multi-task learning method with attention mechanism for wind turbine blades imbalance fault diagnosis
Yang et al. Intelligent diagnosis technology of wind turbine drive system based on neural network
US11885305B2 (en) Method of determining the wind speed in the rotor plane of a wind turbine

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