CN114936532A - 一种海上风电机组故障诊断方法 - Google Patents

一种海上风电机组故障诊断方法 Download PDF

Info

Publication number
CN114936532A
CN114936532A CN202210853204.4A CN202210853204A CN114936532A CN 114936532 A CN114936532 A CN 114936532A CN 202210853204 A CN202210853204 A CN 202210853204A CN 114936532 A CN114936532 A CN 114936532A
Authority
CN
China
Prior art keywords
time
fault
layer
signal
signals
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
CN202210853204.4A
Other languages
English (en)
Other versions
CN114936532B (zh
Inventor
司玉林
俞浩
孙吉莉
钱鹏
张大海
孙勇
应有
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210853204.4A priority Critical patent/CN114936532B/zh
Publication of CN114936532A publication Critical patent/CN114936532A/zh
Application granted granted Critical
Publication of CN114936532B publication Critical patent/CN114936532B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种海上风电机组故障诊断方法，分为SCADA数据的特征提取和故障诊断模型设计；特征提取时考虑风电机组的典型故障，提取SCADA数据中15种传感器信号并重构其特征信号；故障诊断模型分为四层：第一层为数据预处理层对数据进行预处理和归一化操作、第二层为多维时空序列融合层，构建出风电机组运行时的高度时空相关性的多维时空融合序列、第三层在度量学习中融入LSTM网络层，借由LSTM网络的良好时序预测性为故障诊断方法融入时序预测能力、第四层为基于马氏距离的度量学习故障分类层，该层使用基于马氏距离的动态时间规整度量进行距离测量，根据阈值来判断是否出现故障。利用本发明，既能处理多特征输入、又能获得较高的诊断结果且延时性低。

Description

一种海上风电机组故障诊断方法
技术领域
本发明涉及海上风电机组故障检测与容错控制领域，尤其是涉及一种海上风电机组故障诊断方法。
背景技术
风力发电成为发展最快的可再生能源之一，其中海上风电近年来得到了快速发展。随着每年的海上风机装机容量稳步上升，海上风力机的运维问题也逐渐突出，海上风力机在运行过程中会受到复杂的风浪载荷，且维修不易，因而其运行稳定性和可靠性一直是一个值得不断完善的问题。
公开号为CN110443117A的中国专利文献公开了一种风电机组故障诊断方法，该方法根据风电机组齿轮箱的振动信号特性，通过对不同工况下的信号进行变分模态分解，得到一系列本征模函数分量并对其分别求多尺度排列熵；将多尺度排列熵与原信号时域特征组合为特征向量输入到迁移学习算法中；通过线性变换矩阵来最小化源域与目标域的协方差，通过二阶统计量对齐缩小源域与目标域信号数据的分布差异，然后将对齐的源域与目标域信号数据的特征向量输入到支持向量机中进行故障分类。
公开号为CN108491622A的中国专利文献公开了一种风电机组的故障诊断方法及系统，通过采集风电机组运行状态参数，将采集的风电机组运行状态参数发送给专家系统推理机、模糊神经网络推理机及快速傅立叶变换推理机；采用专家系统推理机、模糊神经网络推理机及快速傅立叶变换推理机对风电机组状态运行参数进行分析，确定风电机组的故障。
然而，现有技术中，基于模型的故障检测方法在实际部署时的鲁棒性较差，对不同的风力机分别进行调整才会有一个比较好的故障检测效果。
对于基于数据驱动的检测方法来说，现有的基于机器学习的故障诊断算法都较多的关注于提升模型对故障分类的准确性上，而往往忽略模型延时性的问题。所以设计一个既能处理多特征输入、又能获得较高的诊断结果且延时性低的故障诊断框架，才是系统性研究风电机组故障需要的方法，而这一方面尚未有较好的研究成果。
发明内容
本发明提供了一种海上风电机组故障诊断方法，既能处理多特征输入、又能获得较高的诊断结果且延时性低，可以完成海上风力机运行状态的智能化监测。
一种海上风电机组故障诊断方法，包括以下步骤：
（1）根据风电机组的典型故障，提取SCADA数据中15种传感器信号，对不同的故障和选定的SCADA数据进行特征工程，利用先验知识重构新的特征信号；
将重构的特征信号与15种传感器信号一起作为故障诊断模型的输入信号数据；
（2）设计故障诊断模型，所述故障诊断模型的框架包括四层：第一层为数据预处理层、第二层为多维时空序列融合层、第三层为长短时记忆神经网络层LSTM、第四层为基于马氏距离的度量学习故障分类层；
（3）针对不同的故障，利用数据预处理层进行输入信号数据的特征工程，提取出训练数据集和测试数据集，并对数据集中的信号进行归一化处理；
（4）利用多维时空序列融合层对数据集中信号的长时间序列进行划分，将T步长时间内的长时间序列数据构建成
Figure 543371DEST_PATH_IMAGE001
个长度为N的三维时空融合序列片段；
（5）将长度为N的三维时空融合序列片段输入长短时记忆神经网络层，输出N+L步长的三维时空融合序列片段；
（6）使用LSTM生成的N+L步长的三维时空融合序列片段训练基于马氏距离的度量学习故障分类层，训练得到马氏矩阵和用于故障分类的阈值
Figure 890039DEST_PATH_IMAGE002
；
（7）对于待诊断数据，通过故障诊断模型第一层、第二层和第三层的操作得到对应的三维时空融合序列片段，作为待诊断信号
Figure 99304DEST_PATH_IMAGE003
；将待诊断信号
Figure 189619DEST_PATH_IMAGE003
与正常样本信号
Figure 902360DEST_PATH_IMAGE004
输入训练好的度量学习故障分类层，通过马氏矩阵获得其马氏距离
Figure 888771DEST_PATH_IMAGE005
，将
Figure 585331DEST_PATH_IMAGE005
与阈值
Figure 213759DEST_PATH_IMAGE002
对比后判断是否出现故障。
进一步地，步骤（1）中，15种传感器信号具体为：风速传感器信号、转子转速传感器信号、电机转速传感器信号、电机转矩传感器信号、电机功率信号、第一桨叶桨距角传感器、第二桨叶桨距角传感器、第三桨叶桨距角传感器、第一桨叶扭矩传感器、第二桨叶扭矩传感器、第三桨叶扭矩传感器、低速轴方位角传感器信号、塔筒顶部轴承x方向加速度传感器信号、塔筒顶部轴承y方向加速度传感器信号、偏航角误差。
利用先验知识重构新的特征信号具体如下：
将转子转速传感器对应的转子转速
Figure 46586DEST_PATH_IMAGE006
和电机转速传感器对应的电机转速
Figure 203898DEST_PATH_IMAGE007
之间的传动比
Figure 387754DEST_PATH_IMAGE008
作为电机转速传感器故障的特征信号：
Figure 288714DEST_PATH_IMAGE009
桨叶桨距角传感器卡死故障后，桨叶桨距角器传感器的值的导数为0，将桨叶桨距角传感器信号中的离散数据变换为差分形式K作为桨叶桨距角传感器卡死故障的特征信号：
Figure 976047DEST_PATH_IMAGE010
式中，
Figure 569840DEST_PATH_IMAGE011
和
Figure 975413DEST_PATH_IMAGE012
分别表示t时刻和t-1时刻的桨距角传感器测量值，
Figure 945643DEST_PATH_IMAGE013
表示测量时间步长；
将转子转速传感器对应的转子转速
Figure 753062DEST_PATH_IMAGE006
和电机转速传感器对应的电机转速
Figure 252177DEST_PATH_IMAGE007
计算得到电机功率的期望值
Figure 145047DEST_PATH_IMAGE014
作为电机功率传感器故障的特征信号：
Figure 918967DEST_PATH_IMAGE015
式中，
Figure 580893DEST_PATH_IMAGE016
表示电机转矩，
Figure 516488DEST_PATH_IMAGE017
表示功率系数；
根据故障桨叶的桨距角测量值
Figure 896654DEST_PATH_IMAGE018
与其他桨叶的桨距角测量值
Figure 677528DEST_PATH_IMAGE019
的比值构造桨距角执行器故障的特征信号:
Figure 459539DEST_PATH_IMAGE020
根据第一桨叶扭矩传感器的测量值与第二桨叶扭矩传感器测量值的差值作为扭矩传感器偏移故障的特征信号：
Figure 566035DEST_PATH_IMAGE021
其中
Figure 433497DEST_PATH_IMAGE022
和
Figure 283642DEST_PATH_IMAGE023
分别为第一桨叶和第二桨叶扭矩传感器的测量值。
步骤（3）中，对数据集中的信号进行归一化处理时，使用高斯变换来区分故障和正常信号：
Figure 920159DEST_PATH_IMAGE024
其中，
Figure 220994DEST_PATH_IMAGE025
为归一化处理后第i个传感器的t时刻信号，
Figure 310173DEST_PATH_IMAGE026
为其原始信号，
Figure 964008DEST_PATH_IMAGE027
和
Figure 455033DEST_PATH_IMAGE028
为第i个传感器信号的均值和方差，归一化处理后所有信号成正太分布。
步骤（4）的具体过程为：
将数据集中信号的长时间序列进行划分，将T步长时间内的长时间序列数据划分为
Figure 903331DEST_PATH_IMAGE001
个长度为N的时间序列片段，形成二维结构时序：
Figure 745385DEST_PATH_IMAGE029
最后将15个传感器和5个特征工程重构信号组成的空间特征与二维结构时序相融合，组成三维时空融合序列，每个三维时空融合序列的维度形状为
Figure 937332DEST_PATH_IMAGE030
。
步骤（5）中，长短时记忆神经网络层的隐藏层个数为256层，训练时间步长和预测时间步长为64个时间步和32个时间步。
步骤（6）中，阈值
Figure 282863DEST_PATH_IMAGE002
的公式为：
Figure 167642DEST_PATH_IMAGE031
式中，
Figure 231413DEST_PATH_IMAGE032
表示基于马氏距离的动态时间规整函数，
Figure 227051DEST_PATH_IMAGE004
和
Figure 427088DEST_PATH_IMAGE033
分别表示第i个和第j个正常样本信号，
Figure 482769DEST_PATH_IMAGE034
表示样本数量，
Figure 33836DEST_PATH_IMAGE032
的公式如下：
Figure 567586DEST_PATH_IMAGE035
其中，p为样本矩阵维度，
Figure 887709DEST_PATH_IMAGE036
为马氏距离函数：
Figure 848711DEST_PATH_IMAGE037
其中，M是一个对称的半正定矩阵，即马氏矩阵。
步骤（7）中，通过马氏矩阵获得其马氏距离
Figure 621495DEST_PATH_IMAGE005
的公式为：
Figure 958936DEST_PATH_IMAGE038
式中，
Figure 399144DEST_PATH_IMAGE039
表示第i个待诊断信号，
Figure 531048DEST_PATH_IMAGE040
表示第j个正常样本信号，
Figure 56708DEST_PATH_IMAGE041
表示正常训练信号总数；
如果
Figure 932260DEST_PATH_IMAGE042
，则认为是正常信号，无故障发生；如果
Figure 226975DEST_PATH_IMAGE043
则认为是异常信号，故障发生。
与现有技术相比，本发明具有以下有益效果：
1、本发明构建多维时空融合序列层，由于信号数据一般都是以长时间序列的形式出现且SCADA数据通常包含许多传感器变量，不同的变量会相互影响，为了挖掘数据更深层次的故障特征并提取变量之间的耦合关系，需要对其进行划分，并与其空间特征相互融合，构建出具有高度时空相关性的多维时空融合序列，作为故障诊断的输入特征。
2、通过构建长短时记忆神经网络层（LSTM），三维时空融合序列为输入特征借由LSTM网络的良好时序预测性，可以将对应N时间步长的片段序列输出为N+L步长的时间序列片段，N+L步长的时间预测片段将作为度量学习的输入特征，使得度量学习有对时间的预测故障能力。
3、通过构建基于马氏距离的度量学习故障分类层，使用基于马氏距离的动态时间规整度量进行距离测量，根据阈值来判断是否出现故障，能获得较高的诊断结果。
附图说明
图1为本发明实施例一种海上风电机组故障诊断方法的流程图。
图2为本发明实施例中故障诊断模型的结构示意图。
图3为本发明实施例中构造二维时序特征示意图。
图4为本发明实施例中LSTM网络单个神经元结构示意图。
图5为本发明实施例中多层LSTM网络输入和输出结构示意图。
图6为本发明实施例中三维时空融合序列结构示意图。
图7为本发明实施例中基于马氏距离的度量学习故障分类层示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，一种海上风电机组故障诊断方法，分为基于风电机组SCADA数据的特征提取和基于数据的故障诊断模型设计。
基于风电机组SCADA数据的特征提取，考虑了风电机组遇到的典型故障，有针对性的提取了风电机组SCADA数据中15种传感器信号：风速传感器信号、转子转速传感器信号、电机转速传感器信号、电机转矩传感器信号、电机功率信号、第一桨叶桨距角传感器、第二桨叶桨距角传感器、第三桨叶桨距角传感器、第一桨叶扭矩传感器、第二桨叶扭矩传感器、第三桨叶扭矩传感器、低速轴方位角传感器信号、塔筒顶部轴承x方向加速度传感器信号、塔筒顶部轴承y方向加速度传感器信号、偏航角误差。
为了使故障检测模型具有更好的性能，对不同的故障和选定的SCADA数据进行特征工程，利用先验知识构造新的特征信号，能让故障检测模型拥有更好的性能。
其中:电机转速传感器的信号可以作为电机转速传感器故障的特征信号之一，在故障发生后，由传感器的测量值计算出的传动链的比例系数会突然发生变化，这也可以作为故障的特征信号：风力机转子转速
Figure 264201DEST_PATH_IMAGE006
和电机转速
Figure 277156DEST_PATH_IMAGE007
之间的传动比
Figure 956399DEST_PATH_IMAGE008
可以表示为：
Figure 105621DEST_PATH_IMAGE044
桨叶桨距角传感器会出现传感器卡死故障，故障发生后，传感器的值在一度恒定，所以其导数在时域为0，将离散数据变换为差分形式后，差分K可表示为：
Figure 844907DEST_PATH_IMAGE010
电机功率信号可以检查电机功率传感器是否故障，电机功率也可以由转子转速测量值
Figure 814000DEST_PATH_IMAGE006
和电机转速测量值
Figure 31355DEST_PATH_IMAGE007
计算得到电机功率的期望值，这两个期望值可以作为检测故障的特征信号，它们可以表示为
Figure 300662DEST_PATH_IMAGE045
不同叶片的桨距角差异可以说明桨距角执行器中液压系统由于气泡混入液压油而发生故障。故障发生后，从控制信号到执行过程的传递函数发生变化，二阶传递过程为:系数随自振角频率和阻尼系数的变化而变化。由于在大型风力机标准模型中使用的控制策略中，叶片的桨距角控制是一起进行的，因此通过比较故障叶片的桨距角测量值与其他叶片的桨距角测量值，可以构造出故障的特征信号:
Figure 679691DEST_PATH_IMAGE020
根据第一桨叶扭矩传感器的测量值
Figure 401659DEST_PATH_IMAGE022
与第二桨叶扭矩传感器测量值
Figure 422705DEST_PATH_IMAGE023
的差值作为扭矩传感器偏移故障的特征信号：
Figure 280939DEST_PATH_IMAGE021
特征工程之后，这些构造出的特征信号，将会和多个传感器所测量得到的信号一起作为风力机故障检测的输入值，输入特征由15个传感器和5个特征工程重构信号组成。
如图2所示，故障诊断模型的框架包括四层：第一层为数据预处理层、第二层为多维时空序列融合层、第三层为长短时记忆神经网络层LSTM、第四层为基于马氏距离的度量学习故障分类层。
数据预处理层，首先针对不同的故障进行对应的特征工程，提取出训练数据集和测试数据集，其次需要对训练数据集和测试数据集中的信号进行归一化处理，假设正常信号较为集中分布，而故障信号分散性较高，因此使用高斯变换来助于区分故障和正常信号：
Figure 362028DEST_PATH_IMAGE024
其中，
Figure 571292DEST_PATH_IMAGE025
为归一化处理后第i个传感器的t时刻信号，
Figure 130450DEST_PATH_IMAGE026
为其原始信号，
Figure 843191DEST_PATH_IMAGE027
和
Figure 95180DEST_PATH_IMAGE028
为第i个传感器信号的均值和方差。归一化处理后所有信号将成正太分布。
多维时空融合序列层，由于信号数据一般都是以长时间序列的形式出现且SCADA数据通常包含许多传感器变量，不同的变量会相互影响，为了挖掘数据更深层次的故障特征并提取变量之间的耦合关系，需要对长时间序列进行划分，并与其空间特征相互融合，构建出具有高度时空相关性的多维时空融合序列，这将作为故障诊断的输入特征。假设第i个传感器在T步长时间内的信号数据为：
Figure 791741DEST_PATH_IMAGE046
则通过将时序折叠划分为
Figure 154589DEST_PATH_IMAGE001
个长度为N的多变量时间序列片段，形成如图3所示的二维时序特征片段结构，然后借由LSTM网络的良好时序预测性，可以将对应N时间步长的片段，输出为N+L的时间序列片段
Figure 721837DEST_PATH_IMAGE047
，其中L为LSTM网络预测的时间步长:
Figure 410307DEST_PATH_IMAGE048
LSTM是循环神经网络的一种，LSTM可以看作是一组相同的网络，每一个网络都将信息传递给下一个，如图4所示，长短时人工记忆网络通过特殊的“门”连接结构，记忆一定时间范围内的有效信息，并适时遗忘无用的“记忆”，以实现对时序数据的深刻表，LSTM的门有遗忘门、输入门和输出门。
LSTM网络经过网格调参法来确定其结构，以实现算法的最优预测，本次网络的输入特征和输出特征都为20个时空融合特征，LSTM隐藏层个数为256层，训练时间步长为64个时间步，预测时间步长为32个时间步，其结构如图5所示。本次训练的时序采样方法采用相邻采样，为防止梯度爆炸，需要设计裁剪梯度结构，通过网格调参确定裁剪阈值为0.01。最后我们将采用误差反向传播算法对该网络进行5000次残差训练，训练更新权重为0.1。反向传播算法的思想是先随机产生神经节点的权重值，然后将训练数据输入网络得到一个输出结果并与标签值比较计算损失函数值及其梯度，根据梯度的反向传播，将残差反馈到网络中的每个权重上，之后调整权重以获得低损失函数的模型。
LSTM网络层输出的N+L步长的时间预测片段将作为度量学习的输入特征，借助LSTM的预测特性，使得度量学习有对时间的预测故障能力。度量学习故障分类层的输入的特征信号将由15个传感器和5个特征工程重构信号组成的三维时空融合序列信号，如图6所示，该层每个输入特征是维度形状为
Figure 859743DEST_PATH_IMAGE049
的3D时空融合序列信号。
基于马氏距离的度量学习故障分类层，该层使用LSTM生成的N+L步长的多维时空融合序列片段学习一个马氏矩阵与阈值参数，如图7所示，将测试数据集的多维时空融合序列片段与训练数据集内正常多维时空融合序列片段使用基于马氏距离的动态时间规整度量进行距离测量，根据阈值来判断是否出现故障。
基于马氏距离的深度度量学习算法与传统的度量学习算法的不同在于局部距离函数
Figure 760703DEST_PATH_IMAGE050
选取为马氏距离函数：
Figure 713615DEST_PATH_IMAGE051
其中，M为马氏距离矩阵，X和Y为两个多变量时间序列：
Figure 307408DEST_PATH_IMAGE052
则基于马氏距离的动态时间规整算法可以表示为：
Figure 712981DEST_PATH_IMAGE053
而基于马氏距离的动态时间规整度量
Figure 683211DEST_PATH_IMAGE054
可以被表示为：
Figure 756210DEST_PATH_IMAGE055
Figure 255324DEST_PATH_IMAGE056
Figure 148194DEST_PATH_IMAGE057
其中，
Figure 390956DEST_PATH_IMAGE058
为时间序列x的索引，
Figure 318461DEST_PATH_IMAGE059
为时间序列y的索引，
Figure 254056DEST_PATH_IMAGE060
。
基于马氏距离的度量学习算法训练过程，将训练数据分为正常信号
Figure 634222DEST_PATH_IMAGE061
和负样本
Figure 680675DEST_PATH_IMAGE062
，定义度量学习约束为：
Figure 462686DEST_PATH_IMAGE063
定义度量学习检测的阈值
Figure 834762DEST_PATH_IMAGE002
：
Figure 702224DEST_PATH_IMAGE064
根据训练数据得到马氏矩阵和分割阈值之后，将待分类数据
Figure 552368DEST_PATH_IMAGE003
与正常信号
Figure 188886DEST_PATH_IMAGE004
通过马氏矩阵获得其马氏距离:
Figure 466283DEST_PATH_IMAGE065
最后与训练阈值比较，如果
Figure 555462DEST_PATH_IMAGE066
则认为是正常信号，无故障发生；如果
Figure 209297DEST_PATH_IMAGE067
则认为是异常信号，故障发生，以此完成故障分类的任务。
为验证本发明的有效性，采用600秒的风电机组整机故障仿真数据进行测试，在这600秒仿真中间断性的加入了十种风电机组不同的常见故障，并将本发明的故障诊断模型与常见的集成机器学习诊断方法极端随机树算法进行了对比，结果表明本发明所提的算法在准确性、稳定性和延时性上都优于一般算法。
部分故障的对比结果如下：现有的极端随机树的检测方法对故障二检测有三秒的延迟，但本发明提出的算法基本消除了故障二的检测延迟时间，这主要得益于LSTM层对时序片段的良好预测。在故障五的诊断中，本发明得到诊断结果的精确度明显更高于极端随机树的结果，这得益于基于马氏距离的度量学习强大的分类能力。极端随机树的检测方法对故障七检测有较大的波动，其检测结果稳定性较差，但本发明基本解决了该问题，检测结果的稳定性大大提升。其中，故障二指的是风机塔筒顶部加速度传感器测量值发生偏移故障；故障五指的是电机功率传感器发生比例缩放，功率测量值被比例放大1.1倍；故障七指的是桨距角2执行器中的液压系统由于气泡混入液压中而发生的动力学特性缓慢变化产生的故障。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (8)

1.一种海上风电机组故障诊断方法，其特征在于，包括以下步骤：
（1）根据风电机组的典型故障，提取SCADA数据中15种传感器信号，对不同的故障和选定的SCADA数据进行特征工程，利用先验知识重构新的特征信号；
将重构的特征信号与15种传感器信号一起作为故障诊断模型的输入信号数据；
（2）设计故障诊断模型，所述故障诊断模型的框架包括四层：第一层为数据预处理层、第二层为多维时空序列融合层、第三层为长短时记忆神经网络层LSTM、第四层为基于马氏距离的度量学习故障分类层；
（3）针对不同的故障，利用数据预处理层进行输入信号数据的特征工程，提取出训练数据集和测试数据集，并对数据集中的信号进行归一化处理；
（4）利用多维时空序列融合层对数据集中信号的长时间序列进行划分，将T步长时间内的长时间序列数据构建成
Figure 333935DEST_PATH_IMAGE001
个长度为N的三维时空融合序列片段；
（5）将长度为N的三维时空融合序列片段输入长短时记忆神经网络层，输出N+L步长的三维时空融合序列片段；
（6）使用LSTM生成的N+L步长的三维时空融合序列片段训练基于马氏距离的度量学习故障分类层，训练得到马氏矩阵和用于故障分类的阈值
Figure 578972DEST_PATH_IMAGE002
；
（7）对于待诊断数据，通过故障诊断模型第一层、第二层和第三层的操作得到对应的三维时空融合序列片段，作为待诊断信号
Figure 827550DEST_PATH_IMAGE003
；将待诊断信号
Figure 550656DEST_PATH_IMAGE003
与正常样本信号
Figure 833869DEST_PATH_IMAGE004
输入训练好的度量学习故障分类层，通过马氏矩阵获得其马氏距离
Figure 987158DEST_PATH_IMAGE005
，将
Figure 847666DEST_PATH_IMAGE005
与阈值
Figure 515408DEST_PATH_IMAGE002
对比后判断是否出现故障。
2.根据权利要求1所述的海上风电机组故障诊断方法，其特征在于，步骤（1）中，15种传感器信号具体为：风速传感器信号、转子转速传感器信号、电机转速传感器信号、电机转矩传感器信号、电机功率信号、第一桨叶桨距角传感器、第二桨叶桨距角传感器、第三桨叶桨距角传感器、第一桨叶扭矩传感器、第二桨叶扭矩传感器、第三桨叶扭矩传感器、低速轴方位角传感器信号、塔筒顶部轴承x方向加速度传感器信号、塔筒顶部轴承y方向加速度传感器信号、偏航角误差。
3.根据权利要求1所述的海上风电机组故障诊断方法，其特征在于，步骤（1）中，利用先验知识重构新的特征信号具体如下：
将转子转速传感器对应的转子转速
Figure 777762DEST_PATH_IMAGE006
和电机转速传感器对应的电机转速
Figure 974388DEST_PATH_IMAGE007
之间的传动比
Figure 322193DEST_PATH_IMAGE008
作为电机转速传感器故障的特征信号：
Figure 528046DEST_PATH_IMAGE009
桨叶桨距角传感器卡死故障后，桨叶桨距角器传感器的值的导数为0，将桨叶桨距角传感器信号中的离散数据变换为差分形式K作为桨叶桨距角传感器卡死故障的特征信号：
Figure 644907DEST_PATH_IMAGE010
式中，
Figure 543593DEST_PATH_IMAGE011
和
Figure 113114DEST_PATH_IMAGE012
分别表示t时刻和t-1时刻的桨距角传感器测量值，
Figure 716134DEST_PATH_IMAGE013
表示测量时间步长；
将转子转速传感器对应的转子转速
Figure 828447DEST_PATH_IMAGE006
和电机转速传感器对应的电机转速
Figure 757088DEST_PATH_IMAGE007
计算得到电机功率的期望值
Figure 220431DEST_PATH_IMAGE014
作为电机功率传感器故障的特征信号：
Figure 641790DEST_PATH_IMAGE015
式中，
Figure 467663DEST_PATH_IMAGE016
表示电机转矩，
Figure 708152DEST_PATH_IMAGE017
表示功率系数；
根据故障桨叶的桨距角测量值
Figure 252266DEST_PATH_IMAGE018
与其他桨叶的桨距角测量值
Figure 603612DEST_PATH_IMAGE019
的比值构造桨距角执行器故障的特征信号:
Figure 283992DEST_PATH_IMAGE020
根据第一桨叶扭矩传感器的测量值与第二桨叶扭矩传感器测量值的差值作为扭矩传感器偏移故障的特征信号：
Figure 695382DEST_PATH_IMAGE021
其中，
Figure 726792DEST_PATH_IMAGE022
和
Figure 616251DEST_PATH_IMAGE023
分别为第一桨叶和第二桨叶扭矩传感器的测量值。
4.根据权利要求1所述的海上风电机组故障诊断方法，其特征在于，步骤（3）中，对数据集中的信号进行归一化处理时，使用高斯变换来区分故障和正常信号：
Figure 682296DEST_PATH_IMAGE024
其中，
Figure 264587DEST_PATH_IMAGE025
为归一化处理后第i个传感器的t时刻信号，
Figure 783293DEST_PATH_IMAGE026
为其原始信号，
Figure 476442DEST_PATH_IMAGE027
和
Figure 131415DEST_PATH_IMAGE028
为第i个传感器信号的均值和方差，归一化处理后所有信号成正太分布。
5.根据权利要求1所述的海上风电机组故障诊断方法，其特征在于，步骤（4）的具体过程为：
将数据集中信号的长时间序列进行划分，将T步长时间内的长时间序列数据划分为
Figure 884607DEST_PATH_IMAGE001
个长度为N的时间序列片段，形成二维结构时序：
Figure 627960DEST_PATH_IMAGE029
最后将15个传感器和5个特征工程重构信号组成的空间特征与二维结构时序相融合组成三维时空融合序列，每个三维时空融合序列的维度形状为
Figure 390379DEST_PATH_IMAGE030
。
6.根据权利要求1所述的海上风电机组故障诊断方法，其特征在于，步骤（5）中，长短时记忆神经网络层的隐藏层个数为256层，训练时间步长和预测时间步长为64个时间步和32个时间步。
7.根据权利要求1所述的海上风电机组故障诊断方法，其特征在于，步骤（6）中，阈值
Figure 165437DEST_PATH_IMAGE002
的公式为：
Figure 823952DEST_PATH_IMAGE031
式中，
Figure 317250DEST_PATH_IMAGE032
表示基于马氏距离的动态时间规整函数，
Figure 945677DEST_PATH_IMAGE004
和
Figure 981766DEST_PATH_IMAGE033
分别表示第i个和第j个正常样本信号，
Figure 935816DEST_PATH_IMAGE034
表示样本数量，
Figure 526197DEST_PATH_IMAGE032
的公式如下：
Figure 223895DEST_PATH_IMAGE035
其中，p为样本矩阵维度，
Figure 442387DEST_PATH_IMAGE036
为马氏距离函数：
Figure 973862DEST_PATH_IMAGE037
其中，M是一个对称的半正定矩阵，即马氏矩阵。
8.根据权利要求7所述的海上风电机组故障诊断方法，其特征在于，步骤（7）中，通过马氏矩阵获得其马氏距离
Figure 176173DEST_PATH_IMAGE005
的公式为：
Figure 552928DEST_PATH_IMAGE038
式中，
Figure 160014DEST_PATH_IMAGE003
表示第i个待诊断信号，
Figure 596812DEST_PATH_IMAGE033
表示第j个正常样本信号，
Figure 286419DEST_PATH_IMAGE039
表示正常训练信号总数；
如果
Figure 732444DEST_PATH_IMAGE040
，则认为是正常信号，无故障发生；如果
Figure 191107DEST_PATH_IMAGE041
则认为是异常信号，故障发生。
CN202210853204.4A 2022-07-20 2022-07-20 一种海上风电机组故障诊断方法 Active CN114936532B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210853204.4A CN114936532B (zh) 2022-07-20 2022-07-20 一种海上风电机组故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210853204.4A CN114936532B (zh) 2022-07-20 2022-07-20 一种海上风电机组故障诊断方法

Publications (2)

Publication Number Publication Date
CN114936532A true CN114936532A (zh) 2022-08-23
CN114936532B CN114936532B (zh) 2022-11-15

Family

ID=82869225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210853204.4A Active CN114936532B (zh) 2022-07-20 2022-07-20 一种海上风电机组故障诊断方法

Country Status (1)

Country Link
CN (1) CN114936532B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348513A (zh) * 2019-07-10 2019-10-18 北京华电天仁电力控制技术有限公司 一种基于深度学习的风电机组故障预测方法
CN110361193A (zh) * 2019-04-04 2019-10-22 浙江运达风电股份有限公司 用于风力发电机组变桨轴承故障识别的方法
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
CN112798956A (zh) * 2020-12-31 2021-05-14 江苏国科智能电气有限公司 基于多分辨率时序循环神经网络的风电机组故障诊断方法
CN113988189A (zh) * 2021-10-29 2022-01-28 燕山大学 一种跨风电机组的迁移故障诊断方法
US20220084732A1 (en) * 2020-09-15 2022-03-17 Hunan University Of Science And Technology PMSM Demagnetization Fault Diagnosis Method Based on Fuzzy Intelligent Learning of Torque Signals

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110361193A (zh) * 2019-04-04 2019-10-22 浙江运达风电股份有限公司 用于风力发电机组变桨轴承故障识别的方法
CN110348513A (zh) * 2019-07-10 2019-10-18 北京华电天仁电力控制技术有限公司 一种基于深度学习的风电机组故障预测方法
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
US20220084732A1 (en) * 2020-09-15 2022-03-17 Hunan University Of Science And Technology PMSM Demagnetization Fault Diagnosis Method Based on Fuzzy Intelligent Learning of Torque Signals
CN112798956A (zh) * 2020-12-31 2021-05-14 江苏国科智能电气有限公司 基于多分辨率时序循环神经网络的风电机组故障诊断方法
CN113988189A (zh) * 2021-10-29 2022-01-28 燕山大学 一种跨风电机组的迁移故障诊断方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DAHAIZHANG等: "Present situation and future prospect of renewable energy in China", 《RENEWABLE AND SUSTAINABLE ENERGY REVIEWS》 *
HANWEIJIE等: "MalDAE: Detecting and explaining malware based on correlation and fusion of static and dynamic characteristics", 《COMPUTERS & SECURITY》 *
刘春晓等: "时空神经网络滚动轴承故障诊断方法", 《中国设备工程》 *
王维锋等: "基于双层长短时记忆网络的齿轮故障诊断方法", 《装甲兵工程学院学报》 *
郑小霞等: "基于优选小波包与马氏距离的滚动轴承性能退化GRU预测", 《振动与冲击》 *

Also Published As

Publication number Publication date
CN114936532B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
Xu et al. Fault diagnosis of rolling bearing of wind turbines based on the variational mode decomposition and deep convolutional neural networks
Wang et al. Vibration based condition monitoring and fault diagnosis of wind turbine planetary gearbox: A review
Cai et al. Fault detection and diagnostic method of diesel engine by combining rule-based algorithm and BNs/BPNNs
Zhu et al. Acoustic signal-based fault detection of hydraulic piston pump using a particle swarm optimization enhancement CNN
US11454567B2 (en) Fault diagnosis method of reciprocating machinery based on keyphasor-free complete-cycle signal
CN110849626B (zh) 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统
Liu et al. Global geometric similarity scheme for feature selection in fault diagnosis
CN112016251B (zh) 一种核动力装置故障的诊断方法及系统
Zhan et al. Abnormal vibration detection of wind turbine based on temporal convolution network and multivariate coefficient of variation
Sun et al. A robust approach of multi-sensor fusion for fault diagnosis using convolution neural network
CN113188794A (zh) 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
Chen et al. A visualized classification method via t-distributed stochastic neighbor embedding and various diagnostic parameters for planetary gearbox fault identification from raw mechanical data
CN116358871B (zh) 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法
CN113240022A (zh) 多尺度单分类卷积网络的风电齿轮箱故障检测方法
Xing et al. Detection of magnitude and position of rotor aerodynamic imbalance of wind turbines using Convolutional Neural Network
CN116625686A (zh) 一种航空发动机轴承故障在线诊断方法
CN116771610A (zh) 一种调整风电机组变桨系统故障评估值的方法
Ma et al. A collaborative central domain adaptation approach with multi-order graph embedding for bearing fault diagnosis under few-shot samples
Zhao et al. A capsnet-based fault diagnosis method for a digital twin of a wind turbine gearbox
CN114936532B (zh) 一种海上风电机组故障诊断方法
Si et al. A data-driven approach for fault detection of offshore wind turbines using random forests
Cao et al. A novel method for detection of wind turbine blade imbalance based on multi-variable spectrum imaging and convolutional neural network
Gu et al. A prediction method of operation trend for large axial-flow fan based on vibration-electric information fusion
Xu et al. Total process of fault diagnosis for wind turbine gearbox, from the perspective of combination with feature extraction and machine learning: A review
Jing et al. Two-layer PSDG based fault diagnosis for wind turbines

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