CN113435395A - 基于自适应卡尔曼滤波器的风轮故障自适应诊断方法 - Google Patents

Abstract

本发明公开了基于自适应卡尔曼滤波器的风轮故障自适应诊断方法，主要涉及风电技术领域；包括步骤：S1、分析不同风轮不平衡故障种类下的塔架振动特征；S2、根据塔架振动特征建立不平衡故障诊断子流程；S3、基于自适应卡尔曼滤波器进行故障诊断；本发明利用自适应卡尔曼滤波器对风机塔架信号进行估计，分离出塔架轴向振动与切向振动的基频与3倍频信号分量，然后利用各分量幅值特征诊断出风轮不平衡故障，实现对风轮不平衡故障快速、准确的诊断。

Description

基于自适应卡尔曼滤波器的风轮故障自适应诊断方法

技术领域

本发明涉及风电技术领域，具体是基于自适应卡尔曼滤波器的风轮故障自适应诊断方法。

背景技术

随着风电产业的迅猛发展，大型风电机组维护成本高、故障率高的问题愈发突出，这是因为环境或者安装使用问题引起不同叶片上的受力不平衡时，叶片受到的不平衡载荷通过主轴传递给风机的齿轮箱、机舱、塔架、发电机等其他关键的风机部件，间接影响到风机的输出功率，造成并网损失。而且随着风轮越来越大，风机塔架也更多的采用柔性材料建造，一旦风轮发生不平衡的故障，会增大传动链机械部件的疲劳应力，缩短机械部件的使用寿命。因此，风轮不平衡故障是风机故障的主要来源之一。

一般情况下风轮不平衡故障根据故障原因的不同分为两类：质量不平衡和气动不平衡，不同的不平衡故障类型给风机带来的影响也不一样，排除故障的方法也有所区别。因此，研究风轮的高可靠、实时性强、细分效果好的不平衡故障诊断方法，搭建一套风轮不平衡故障诊断系统，为风力发电保驾护航有着重要的意义。

常见的基于信号的分析方法，例如快速傅里叶变换(FFT)，小波变换(WT)、经验模态分解(EMD)等方法用于在线诊断时，不仅需要采集存储一定长度的数据，而且计算量较大，影响诊断的时效性。

发明内容

本发明的目的在于解决现有技术中存在的问题，提供基于自适应卡尔曼滤波器的风轮故障自适应诊断方法，利用自适应卡尔曼滤波器对风机塔架信号进行估计，分离出塔架轴向振动与切向振动的基频与3倍频信号分量，然后利用各分量幅值特征诊断出风轮不平衡故障，实现对风轮不平衡故障快速、准确的诊断。

本发明为实现上述目的，通过以下技术方案实现：

基于自适应卡尔曼滤波器的风轮故障自适应诊断方法，包括步骤：

S1、分析不同风轮不平衡故障种类下的塔架振动特征；

S2、根据塔架振动特征建立不平衡故障诊断子流程；

S3、基于自适应卡尔曼滤波器进行故障诊断。

优选的，所述步骤S1中，对风轮无故障、质量不平衡、气动不平衡3种情况下塔架轴向振动与切向振动信号的基频与3倍频分量幅值进行分析，获得不同情况下塔架轴向与切向振动信号的基频与倍频分量的幅值关系。

优选的，所述步骤S2中，

若X_1P>Y_1P且X_1P>X_3P诊断为气动不平衡；

若Y_1P>X_1P且Y_1P>Y_3P诊断为质量不平衡；

若以上都不满足，诊断为平衡；

其中，X_1P为轴向的基频振幅，X_3P为轴向的3倍频振幅，Y_1P为切向的基频振幅，Y_3P为切向的3倍频振幅。

优选的，在进行故障诊断前，先判断基频振幅是否超限。

优选的，所述基频振幅的阈值为0.1m/s²。

优选的，所述步骤S3包括：

S31、建立卡尔曼滤波器系统模型；

S32、基于最大似然法自适应优化模型参数ψ，达到参数最优；

S33、根据最优模型参数ψ进行卡尔曼滤波，得到系统最优状态估计

S34、根据得到的系统状态估计原始信号中基波和各谐波信号成分；

S35、分析各个频率信号成分的频率和振幅，根据风轮故障时振动特征得到风轮不平衡故障诊断结果。

对比现有技术，本发明的有益效果在于：

1、本发明从塔架振动信号出发，基于塔架轴向与切向信号的基频与3倍频分量幅值对风轮不平衡故障进行诊断，不增加风机成本；

2、同时，本发明利用自适应卡尔曼滤波器对振动信号进行分离，通过对建立的卡尔曼滤波器模型噪声参数与系统初始条件参数进行最大似然估计，使系统自适应噪声，提高系统自适应估计振动信号基频与倍频分量的速度与精度；

3、与常见方法相比，本发明能够解决传统方法用于在线诊断时，不仅需要采集存储一定长度的数据，而且计算量较大，影响诊断的时效性的问题，能够更快更精确地诊断出风轮故障。

附图说明

附图1为本发明的流程图；

附图2为本发明风轮不平衡故障诊断子流程的流程图；

附图3为本发明基于自适应卡尔曼滤波器进行风轮不平衡故障诊断的流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些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限定的范围。

本发明所述是基于自适应卡尔曼滤波器的风轮故障自适应诊断方法，包括步骤：

S1、不同风轮不平衡故障种类下塔架振动特征；

S2、根据塔架振动特征建立不平衡故障诊断子流程；

S3、基于自适应卡尔曼滤波器进行故障诊断；

具体的：

所述步骤S1中对风轮无故障、质量不平衡、气动不平衡3种情况下塔架轴向振动与切向振动信号的基频与3倍频分量幅值进行分析，获得不同情况下塔架轴向与切向振动信号的基频与倍频分量的幅值关系。

所述步骤S2中根据步骤S1中获得的塔架振动特征，建立风轮不平衡故障诊断子流程。

所述步骤S3中设计出自适应卡尔曼滤波器模型，并对其噪声参数与系统初始条件参数进行最大似然估计，然后利用优化的自适应卡尔曼滤波器模型对振动信号进行滤波，估计出振动信号各频次分量，根据步骤S2进行故障诊断。

实施例1：如附图1-3所示，本发明所述是基于自适应卡尔曼滤波器的风轮不平衡故障自适应诊断方法，利用自适应卡尔曼滤波器对风机轴向振动信号与切向振动信号进行分离，分离出基频与3倍频分量，通过各对分量振幅进行分析诊断出风轮不平衡故障种类，增强风轮故障诊断的准确性与时效性。

包括步骤：

S1、不同风轮不平衡故障种类下塔架振动特征，具体包括步骤：

S11、当风轮无故障发生时，不论是轴向振动还是切向振动的倍频信号都非常微弱，可以忽略不计，但是如果存在塔影效应和风切变的影响，不论是切向振动还是轴向振动，在频谱分析上都是基频振幅小于3倍频振幅；

S12、当风轮发生质量不平衡故障时，基频附近的振幅和谐波都有一定幅度的增大，但是在基频附近的切向振幅明显大于轴向振幅，且轴向振动仍然是基频附近的波动要弱于倍频的波动幅度；

S13、当风轮发生气动不平衡故障时，基频附近的振幅和倍频振幅都有一定幅度的增大，但是在基频附近的轴向振幅明显大于切向振幅，且轴向振动基频附近的波动已经明显强于倍频的波动幅度。而切向振动基频附近的波动只有微弱增强。

S2、根据塔架振动特征建立不平衡故障诊断子流程流程图如图2所示。

其中，X_1P，X_3P，Y_1P，Y_3P分别为轴向的基频振幅、轴向的3倍频振幅、切向的基频振幅、切向的3倍频振幅。

若X_1P>Y_1P且X_1P>X_3P诊断为气动不平衡；

若Y_1P>X_1P且Y_1P>Y_3P诊断为质量不平衡；

若以上都不满足，诊断为平衡。

为防止误判，进行诊断前可先判断基频振幅是否超限，阈值可设定为0.1m/s²。

S3、基于自适应卡尔曼滤波器进行故障诊断，具体包括步骤：

S31、建立卡尔曼滤波器系统模型；

将风轮振动表示为离散形式：

其中，y_k是观测信号，采样时间为T_s，n为最高次谐波。A_i和

是分别是频率为(iω)/2π的信号分量的幅值和初始相位，e(k)为量测噪声。

针对上述的观测信号特征，选择状态向量x_k为：

x_k＝[x₁,x₂,x₃,…,x_2n-1,x_2n]^T；

其中，x₁,x₂…x_2n-1,x_2n可以表示为：

基于卡尔曼滤波器估计出该向量的状态，就可以直接根据下面的公式得到基波和各谐波成分的振幅以及相位角，从而估计各成分的信号：

基于上述的状态向量，我们可以将观测系统转化为如下的状态空间模型：

w_k和v_k的噪声协方差矩阵分别可以表示为：

在振动信号处于准稳态时，振动的幅值变化并不是瞬时突变的，因此可以认为在后一时刻的预测模型上信号并不会突然发生变化，而是跟随前一时刻的状态，即状态转移矩阵F为单位矩阵：F＝Ι；

分析状态变量的前后时刻变化：

同理，x_2i,k+1＝[sin[iω(k+1)T_s]

所以，系统的观测矩阵H_k可以表示为：

H_k＝[cosωkT_s-sinωkT_s,…,cosnωkT_s-sinnωkT_s]_1×2n；

S32、基于最大似然法自适应优化模型参数ψ，达到参数最优；

卡尔曼滤波基本可以分为两个过程：

基于模型的预测过程：

基于观测的修正过程：

其中，

为卡尔曼滤波器的最优估计，P_k+1∣k+1为均方误差协方差矩阵，D_k+1为新息协方差矩阵，K_k+1为卡尔曼增益。

因为系统的噪声分布可能是时变的，不一定符合严格的高斯白噪声分布，而且过程噪声和量测噪声在实际的系统中也可能存在一定的相关性，所以在未能取得先验的噪声分布时或者噪声分布的统计特性时变的情况下，有必要对噪声参数以及系统的初始条件参数进行自适应优化，提升观测系统的收敛效果和精度。

利用最大似然估计优化系统模型参数，将需要估计的参数扩展为：

ψ＝(γ₁,…,γ_2n,ε,ω,x_1,0,…,x_2n,0,p₁,…,p_2n)；

其中，参数γ₁,…,γ_2n是过程噪声参数项，ε是量测噪声参数项，x_1,0,…,x_2n,0是初始状态参数项，p₁,…,p_2n为初始均方误差的参数项。

此时新息

的条件概率密度为：

其中，y_k为观测数据，D_k为估计误差的协方差矩阵。|D_k|表示行列式。

可以得到似然函数为：

对上式取对数求导求最小值可得：

此时ψ^*即为使得似然函数取到最小的参数值，也是最大似然估计的最优参数估计。N为采样长度。

S33、根据最优模型参数ψ进行卡尔曼滤波，得到系统最优状态估计

S34、根据得到的系统状态估计原始信号中基波和各谐波信号成分；

S35、分析各个频率信号成分的频率和振幅，根据风轮故障时振动特征得到风轮不平衡故障诊断结果。

本发明从塔架振动信号出发，基于塔架轴向与切向信号的基频与3倍频分量幅值对风轮不平衡故障进行诊断，不增加风机成本；同时，本发明利用自适应卡尔曼滤波器对振动信号进行分离，通过对建立的卡尔曼滤波器模型噪声参数与系统初始条件参数进行最大似然估计，使系统自适应噪声，提高系统自适应估计振动信号基频与倍频分量的速度与精度；与常见方法相比，本发明能够解决传统方法用于在线诊断时，不仅需要采集存储一定长度的数据，而且计算量较大，影响诊断的时效性的问题，能够更快更精确地诊断出风轮故障。

Claims (6)

1.基于自适应卡尔曼滤波器的风轮故障自适应诊断方法，其特征在于，包括步骤：

S1、分析不同风轮不平衡故障种类下的塔架振动特征；

S2、根据塔架振动特征建立不平衡故障诊断子流程；

S3、基于自适应卡尔曼滤波器进行故障诊断。

2.根据权利要求1所述的基于自适应卡尔曼滤波器的风轮故障自适应诊断方法，其特征在于：所述步骤S1中，对风轮无故障、质量不平衡、气动不平衡3种情况下塔架轴向振动与切向振动信号的基频与3倍频分量幅值进行分析，获得不同情况下塔架轴向与切向振动信号的基频与倍频分量的幅值关系。

3.根据权利要求2所述的基于自适应卡尔曼滤波器的风轮故障自适应诊断方法，其特征在于：所述步骤S2中，

若X_1P>Y_1P且X_1P>X_3P诊断为气动不平衡；

若Y_1P>X_1P且Y_1P>Y_3P诊断为质量不平衡；

若以上都不满足，诊断为平衡；

其中，X_1P为轴向的基频振幅，X_3P为轴向的3倍频振幅，Y_1P为切向的基频振幅，Y_3P为切向的3倍频振幅。

4.根据权利要求3所述的基于自适应卡尔曼滤波器的风轮故障自适应诊断方法，其特征在于：在进行故障诊断前，先判断基频振幅是否超限。

5.根据权利要求4所述的基于自适应卡尔曼滤波器的风轮故障自适应诊断方法，其特征在于：所述基频振幅的阈值为0.1m/s²。

6.根据权利要求1所述的基于自适应卡尔曼滤波器的风轮故障自适应诊断方法，其特征在于：所述步骤S3包括：

S31、建立卡尔曼滤波器系统模型；

S32、基于最大似然法自适应优化模型参数ψ，达到参数最优；

S33、根据最优模型参数ψ进行卡尔曼滤波，得到系统最优状态估计

S34、根据得到的系统状态估计原始信号中基波和各谐波信号成分；

S35、分析各个频率信号成分的频率和振幅，根据风轮故障时振动特征得到风轮不平衡故障诊断结果。

Images