CN113033467B - 一种叶片故障诊断方法、存储介质和诊断装置 - Google Patents

Abstract

本发明公开了一种叶片故障诊断方法、存储介质和诊断装置，属于风力发电技术领域。该方法具体步骤为：测量风电机组运行状况下的发电机的定子电流；利用多重信号分类法MUS I C对定子电流进行处理得到风电机组运行状况下特征值；将风电机组运行状态下特征值与理论特征值进行比较和判断，得到风电机组叶片故障诊断结果。本发明不需要安装额外的传感器和数据采集设备、简单易行、诊断成本低。

Description

一种叶片故障诊断方法、存储介质和诊断装置

技术领域

本发明涉及风力发电技术领域，具体涉及一种叶片故障诊断方法、存储介质和诊断装置。

背景技术

基于电信号的风力发电机电气故障诊断方法已得到了广泛应用。考虑到风力发电机的故障耦合调制，某些机械故障问题也会被调制到发电机的电信号上，引起电信号的变化，故电信号也可用于风力发电机的机械结构的缺陷检测。由于仅需通过分析现有采集到的电信号实现对风电机组的状态监测，该方法具有成本上的优势。如文献CN102954857A提出一种基于电流信号的叶轮故障识别方法，该方法对定子电流进行Park变换后求模平方的办法来提取故障特征信号，但由于Park变换而引入平方算子，增加了一个干扰项，即叶轮转动导致的二倍频信号，因此提出一种叶片故障诊断方法、存储介质和诊断装置。

发明内容

针对现有技术的不足，本发明提出了一种叶片故障诊断方法、存储介质和诊断装置。

本发明的目的可以通过以下技术方案实现：

通过安装在风电机组上的电流传感器和数据采集设备采集风电机组运行状况下发电机的定子电流信号，然后利用多重信号分类法MUSIC对定子电流进行处理，提取风电机组运行状态下的故障特征值，再将风电机组运行状态下提取的故障特征值与风电机组理论特征值进行对比，得到风电机组叶片不平衡故障的诊断结果。

所述的MUSIC算法处理定子电流信号的步骤为：

①构建定子电流信号的自相关矩阵

采集的风力发电机组定子电流信号可以表示为一系列分量的组合

式中，w表示分量的个数，A_i、ω_i和分别表示第i个分量的幅值、频率和初相角，q(t)是均值为零、方差为σ²的白噪声。w个分量的幅值和频率为代求量，对于实测的(M+1)维定子电流信号矢量y(t)，存在

y_m(t)＝[y(0),y(1),....,y(M)]^T

e_i＝[1,e^jωi,e^j2ωi,...,e^jMωi]^T

由此构建(M+1)*(M+1)维相关矩阵如下

②求自相关矩阵R_y(τ)的特征值和特征向量

对自相关矩阵R_y(τ)进行特征分解，得到它的各个特征值和相对应的特征向量，并按照降序重新排列，由此得到以下排列：

特征值：λ₁≥λ₂≥…≥λ_w≥λ_w+1≥…≥λ_M+1

特征向量：v₁，v₂，…v_w，v_w+1，v_w+2,…v_M+1

③求取信号子空间和噪声子空间

按降序排列的前w个较大的特征值对应的特征向量构成信号子空间Ω₁，剩余其他特征向量构成噪声子空间Ω₂，可得到新的自相关矩阵R_y1(τ)如下：

将信号子空间Ω₁中基波分量对应的特征向量移除，并将其添加到噪声子空间Ω₂中。信号子空间Ω₁中剩余的特征向量构成新的信号子空间Ω₁ ^*。噪声子空间中Ω₂原有的特征值向量和增加的基波分量特征向量构成新的噪声子空间Ω₂ ^*。此时自相关矩阵R_y2(τ)和生成的新子空间如下：

④在噪声子空间Ω₂ ^*中搜索所有峰值点，记录对应的幅值和特征频率，即为故障特征值。

进一步地，风电机组叶片故障理论不平衡特征值的获取方法为：由定子电流获得其基波频率f_e，通过安装在发电机上的测速装置获得发电机转速并计算得到风轮一倍频f_m，获得风电机组叶片不平衡故障对应的两个理论特征频率(f_e+f_m)和(f_e-f_m)。为防止误诊断，为风电机组理论特征频率处的信号幅值设定阈值，并保存下来。

进一步地，风电机组叶片不平衡故障判断方法为：首先将故障特征值的幅值与理论特征值阈值逐一进行对比，判断有无越限超标，如有超标，则分别判别是否包括两个理论特征频率(f_e+f_m)和(f_e-f_m)，如是，则判断发生风电机组叶片不平衡故障。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述的基于发电机定子电流分析的叶片不平衡故障诊断方法。

本发明实施例还提供一种风电机组叶片故障诊断装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于发电机定子电流分析的叶片不平衡故障诊断方法。

本发明的有益效果：

本发明的一种叶片故障诊断方法采用MUSIC算法，可以有效提取故障特征分量，快速有效地诊断风电机组叶片不平衡故障。本方法采用的电流传感器是风电机组自带传感器，不需要安装额外的传感器和数据采集设备，简单易行、诊断成本低，是一种能够有效提高风电机组叶片安全、可靠性的基于发电机定子电流分析的风电机组的叶片不平衡故障诊断方法。本方法采用MUSIC算法，不进行平方运算，频谱图中不存在交叉项。

附图说明

下面结合附图对本发明作进一步的说明。

图1为本申请的风电机组叶片不平衡故障诊断流程图；

图2为风电机组叶片在正常状况和不正常状况下定子电流信号频谱图；

图3为风电机组叶片在正常状况和不正常状况下定子电流MUSIC频谱图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明提出了一种基于发电机定子电流分析的风电机组叶片不平衡故障诊断方法。该方法通过安装在风电机组上的电流传感器和数据采集设备采集风电机组运行状况下发电机的定子电流信号，然后利用MUSIC算法对定子电流进行处理，提取风电机组运行状态下的故障特征值，再将风电机组运行状态下提取的故障特征值与风电机组理论特征值进行对比，得到风电机组叶片故障的诊断结果。

所述的MUSIC算法处理定子电流信号的步骤为：

①构建定子电流信号的自相关矩阵

采集的风力发电机组定子电流信号可以表示为一系列分量的组合

式中，w表示分量的个数，A_i、ω_i和分别表示第i个分量的幅值、频率和初相角，q(t)是均值为零、方差为σ²的白噪声。w个分量的幅值和频率为代求量，对于实测的(M+1)维定子电流信号矢量y(t)，存在

y_m(t)＝[y(0),y(1),....,y(M)]^T

e_i＝[1,e^jωi,e^j2ωi,...,e^jMωi]^T

由此构建(M+1)*(M+1)维相关矩阵如下

②求自相关矩阵R_y(τ)的特征值和特征向量

对自相关矩阵R_y(τ)进行特征分解，得到它的各个特征值和相对应的特征向量，并按照降序重新排列，由此得到

特征值：λ₁≥λ₂≥…≥λ_p≥λ_p+1≥…≥λ_M+1

特征向量：v₁，v₂，…v_p，v_p+1，v_w+2,…v_M+1

③求取信号子空间和噪声子空间

按降序排列的前w个较大的特征值对应的特征向量构成信号子空间Ω₁，剩余其他特征向量构成噪声子空间Ω₂，可得到新的自相关矩阵如下：

将信号子空间Ω₁中基波分量对应的特征向量移除，并将其添加到噪声子空间Ω₂中。信号子空间Ω₁中剩余的特征向量构成新的信号子空间Ω₁ ^*。噪声子空间中Ω₂原有的特征值向量和增加的基波分量特征向量构成新的噪声子空间Ω₂ ^*。此时自相关矩阵和生成的新子空间如下：

④在噪声子空间Ω₂*中搜索所有峰值点，记录对应的幅值和特征频率，即为故障特征值。

风电机组叶片故障理论不平衡特征值的获取方法为：风电机组叶片不平衡故障的理论特征值包括频率和幅值两部分。由定子电流获得其基波频率f_e，通过安装在发电机上的测速装置获得发电机转速并计算得到风轮一倍频f_m，获得风电机组叶片不平衡故障对应的两个理论特征频率(f_e+f_m)和(f_e-f_m)。为防止误诊断，为风电机组理论特征频率处的信号幅值设定阈值，并保存下来。

风电机组叶片不平衡故障判断方法为：首先将故障特征值的幅值与理论特征值阈值逐一进行对比，判断有无越限超标，如有超标，则分别判别是否包括两个理论特征频率(f_e+f_m)和(f_e-f_m)，如是，则判断发生风电机组叶片不平衡故障。

下面以风电机组故障运行状况为例：

风电机组发生叶片不平衡故障会导致风力机输出的轴转矩发生变化，此时，风力机输出的轴转矩可以表示为：

T(t)＝T₀(t)+T_vcos(ω_rt)

式中：t是时间常数；T是风力机输出的轴转矩；T₀是风力机产生的气动转矩；T_v是由不平衡故障产生的转矩波动的幅值。

简化风电机组传动模型为单质量模型，其运行方程可以表示为

式中：J为风电机组的等效转动惯量；T_e(t)为风电机组的电磁转矩；ω_r(t)为风力机机械角速度；D为阻尼系数。

在风电机组发生叶片不平衡故障，且运行稳定的情况下，电磁转矩可以表示为：

式中：T_e0(t)和T_ev(t)分别为由T_e和T_v产生的电磁转矩；是由故障产生的转矩的相位移动。

此时，发电机的定子电流可以表示为

式中：积分常量认为等于0；A为定子电流的幅值；p为发电机的极对数；a＝T_v/Jω_m为故障导致的转速波动的幅值；ω_e＝pω_m；b＝pa/ω_m称为相位调制度，由于转动惯量J很大，在不平衡故障程度小的情况下b<<1，因此上式可以写成：

i_s(t)＝Acos(ω_et)

+((Ab)/2)sin((ω_e+ω_m)t)

+((Ab)/2)sin((ω_e-ω_m)t)

式中：ω_e＝2πf_e，ω_m＝2πf_m。由此可以看出，叶轮不平衡导致发电机定子电流中产生频率为f_e±f_m的谐波分量。为了方便分析，三相定子电流可以表示为

式中：I_m和α为定子电流基频分量的幅值和初始相角；I_l和β为电流中频率分量为(f_e–f_m)的幅值和初始相角；I_h和γ为电流中频率分量为(f_e+f_m)的幅值和初始相角。因此可以利用定子电流中出现的故障特征分量可诊断叶轮不平衡故障。

下面以0.2kW直驱永磁同步风电机组为研究对象，机组的运行状态为转轴的转速为240rpm/min。试验设置了两种状况，它们分别为：a为风电机组叶片正常运行，b为叶片不平衡情况。图2为正常情况下和T_v＝0.192Nm故障情况下基于FFT的定子电流的频谱图。图3为正常情况下和T_v＝0.192Nm故障情况下基于MUSIC算法的定子电流频谱图。

从图2定子电流FFT频谱图中可以看出，不平衡故障导致定子电流中出现了f_e±f_m的谐波成分，与理论分析一致。但是谐波成分的幅值与基波成分的幅值相比是很小的。

从图3频谱图中够可以看出，不平衡情况下的定子电流MUSIC信号在f_e±f_m出现明显峰值，而正常情况下则没有。

从上面的结果可以看出，利用MUSIC算法对定子电流信号进行处理，减弱了定子电流基频信号对故障特征分量的影响，能准确地监测到定子电流信号中的叶片不平衡故障特征分量，可以有效地诊断叶片不平衡故障。可见，本发明提出的基于发电机定子电流分析的风电机组的叶片不平衡故障诊断方法，简单易行、诊断成本低、是一种能够有效提高风电机组叶片安全、可靠性的故障诊断方法。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (5)

1.一种叶片故障诊断方法，其特征在于，包括以下步骤：

获取风电机组运行状况下发电机的定子电流信号；

通过MUSIC算法对定子电流信号进行处理，构建定子电流信号的自相关矩阵R _y1(τ)；

将自相关矩阵R _y1(τ)进行特征分解获取特征值λ和特征向量v；

根据特征值λ和特征向量v构建噪声子空间Ω₂ ^*；

记录所述噪声子空间Ω₂ ^*的峰值点对应数据，以对应数据作为故障特征值；

若故障特征值的幅值超过理论特征值的阈值则判定风电机组为叶片不平衡故障；

所述构建定子电流信号的自相关矩阵R _y1(τ)括以下步骤：

基于所述定子电流信号构建定子电流信号矢量y(t)的表达式：

式中：w表示分量的个数，A _i、ω _i和φ _i分别表示第i个分量的幅值、频率和初相角，q(t)是均值为零、方差为σ ²的白噪声；

根据电流信号矢量y(t)构建(M+1)维定子电流信号矢量y _m(t)，其表达式包括：

、/>；

基于(M+1)维定子电流信号矢量y(t)构建(M+1)*(M+1)的自相关矩阵R _y1(τ)，表达式为：

；

所述根据特征值λ和特征向量v构建噪声子空间Ω₂ ^*包括以下步骤：

将前w个较大的特征值λ对应的特征向量v构成信号子空间Ω₁，剩余的其他特征向量v构成噪声子空间Ω₂，构建信号子空间Ω₁和噪声子空间Ω₂的自相关矩阵：

；

将信号子空间Ω₁中基波分量对应的特征向量v移除构成信号子空间Ω₁ ^*，并将移除的特征向量v添加到噪声子空间Ω₂中构成噪声子空间Ω₂ ^*；此时自相关矩阵和生成的新子空间如下：。

2.根据权利要求1所述的故障诊断方法，其特征在于，所述理论特征值包括两个理论特征频率(f _e+f _m)和(f _e-f _m)，f _e为所述定子电流的基波频率，f _m为所述发电机的风轮一倍频信号。

3.根据权利要求2所述的故障诊断方法，其特征在于，满足故障特征值的幅值超过理论特征值的阈值且包括两个特征频率(f _e+f _m)和(f _e-f _m)，则判断风电机组为叶片不平衡故障；若仅满足故障特征值的幅值超过理论特征值的阈值，则判断风电机组为其他故障。

4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至3任一所述的一种叶片故障诊断方法。

5.一种风电机组叶片故障诊断装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3任一种叶片故障诊断方法。