CN117077064B - 一种风电设备的故障检测方法、装置、设备及存储介质 - Google Patents
一种风电设备的故障检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117077064B CN117077064B CN202311324417.9A CN202311324417A CN117077064B CN 117077064 B CN117077064 B CN 117077064B CN 202311324417 A CN202311324417 A CN 202311324417A CN 117077064 B CN117077064 B CN 117077064B
- Authority
- CN
- China
- Prior art keywords
- signal
- attribute weight
- module
- abnormal
- preset
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 120
- 239000002245 particle Substances 0.000 claims abstract description 104
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000007635 classification algorithm Methods 0.000 claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 63
- 238000000605 extraction Methods 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 17
- 238000007405 data analysis Methods 0.000 claims description 15
- 230000006978 adaptation Effects 0.000 claims description 13
- 238000012512 characterization method Methods 0.000 claims description 9
- 230000001149 cognitive effect Effects 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 9
- 238000005096 rolling process Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000004804 winding Methods 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005191 phase separation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请公开了一种风电设备的故障检测方法、装置、设备及存储介质,涉及新能源技术领域,方法包括基于经验模态分解算法分别提取每个风电机在预设分析周期内的若干个信号分量,通过贝叶斯分类算法分别对同一个风电机的所有信号分量进行分类,得到至少两种信号特征,再获取所有风电机的所有信号特征并删除相同的信号特征,将保留的信号特征标记为异常特征,通过粒子群算法计算每种异常特征的属性权重值,最后获取属性权重值大于等于预设阈值的风电机并标记为故障状态。本申请相比于单个风电机振动检测,本申请具有同一区域的其他风电机作为对照组,由于所有风电机处于同一预设区域,使得运行环境相同,对照数据准确,从而减少了振动信号的误判。
Description
技术领域
本申请涉及新能源技术领域,尤其涉及一种风电设备的故障检测方法、装置、设备及存储介质。
背景技术
风力发电是指把风的动能转为电能,风能是一种清洁无公害的可再生能源,风力发电通过风力带动风车叶片旋转,再透过增速机将旋转的速度提升,来促使发电机发电,且风力发电不需要使用燃料,也不会产生辐射或空气污染,是一种可再生的新能源。
风力发电是通过能将风力机械能转化为电能的风电机组来实现电能转化,风电机组主要包括叶片、机舱和塔筒三部分,风电机组的齿轮箱和发电机等均设置在机舱内,叶片与机舱内的发电机通过主轴连接以使得叶片在风力作用下转动时可驱动发电机进行发电,从而实现风力机械能至电能的转换。在风电机组将风力机械能转化为电能这一过程中,风电机组的许多部件均会产生振动,这种振动达到一定程度时,将导致振动故障的出现,从而损坏整个风电机组。
目前,对于风电机组的振动检测主要是通过在风电机主要部位安装多个振动传感器,例如在风电机的齿轮箱和发电机上分别设置振动传感器,以获取齿轮箱和发电机的振动值,并将该获取的振动值与相应的预先设定好的阈值进行比较,在振动值超出阈值时进行后续报警操作,例如当有风电机的振动值超过阈值时,则断开该风电机。
对于目前的风电机振动预警,均为单个风电机独立检测,通过将检测到的振动数据与理论数据进行对照,在对照结果超出范围时进行预警,未考虑实际场地因素和环境因素,使得现有的振动监测在使用过程中不同因素下检测到的振动数据有差别,在与理论数据进行对照时可能会造成误判。
发明内容
本申请的主要目的在于提供一种风电设备的故障检测方法、装置、设备及存储介质,以解决现有技术中现有的振动监测在使用过程中不同因素下检测到的振动数据有差别,在与理论数据进行对照时可能会造成误判的问题。
为了实现上述目的,本申请提供了如下技术方案:
一种风电设备的故障检测方法,所述风电设备包括位于预设区域内的至少两个风电机以及分别装设于每个风电机内的振动传感器,所述故障检测方法包括:
步骤S1,分别获取每个振动传感器产生的振动信号;
步骤S2,基于经验模态分解算法分别提取每个振动信号在预设分析周期内的若干个信号分量;
步骤S3,通过贝叶斯分类算法分别对同一个风电机的所有信号分量进行分类,得到至少两种信号特征;
步骤S4,获取所有风电机的所有信号特征并删除相同的信号特征,将保留的信号特征标记为异常特征;
步骤S5,通过粒子群算法计算每种异常特征的属性权重值;
步骤S6,获取所述属性权重值大于等于预设阈值的异常特征并标记为严重异常特征;
步骤S7,将与所述严重异常特征对应的风电机标记为故障状态。
作为本申请的进一步改进,步骤S2包括:
步骤S21,获取所述振动信号的所有极大值、所有极小值;
步骤S22,依次连接所有极大值形成上包络线,依次连接所有极小值形成下包络线;
步骤S23,获取所述上包络线与所述下包络线的平均值,形成均值线;
步骤S24,将所述振动信号减去所述均值线以得到中间信号;
步骤S25,重复步骤S21至步骤S24,以迭代所述中间信号;
步骤S26,分别获取每次迭代后极值点个数与过零点个数的差值位于预设区间内的中间信号,并标记为一阶中间信号;
步骤S27,获取均值线为零的一阶中间信号并标记为所述信号分量。
作为本申请的进一步改进,步骤S3包括:
步骤S31,分别获取每个风电机在预设时长内的信号分量;
步骤S32,基于同一个风电机根据所述信号分量定义待分类信号集合,其中/>为所述待分类信号集合/>中的第/>个特征信号,/>为所述特征信号的个数;
步骤S33,分别根据每个风电机的信号特征定义类别集合,其中,/>为所述类别集合/>中的第/>个信号特征;
步骤S34,根据式(1)计算所述待分类信号集合分别在每个信号特征下的条件概率:
(1);
其中,为在第/>个信号特征条件下所述待分类信号集合/>的条件概率,为第/>个信号特征的边缘概率;
步骤S35,获取占比大于等于预设比例的至少两个条件概率;
步骤S36,获取分别与每个大于等于预设比例的条件概率所对应的信号特征。
作为本申请的进一步改进,步骤S4包括:
步骤S41,删除条件概率的占比小于所述预设比例的信号特征;
步骤S42,获取剩余的信号特征并删除所述条件概率相等的信号特征,将保留的信号特征标记为异常特征。
作为本申请的进一步改进,步骤S5包括:
步骤S51,根据式(3)定义所述异常特征的朴素贝叶斯数据分析模型:
(3);
其中,为所述朴素贝叶斯数据分析模型,/>为所述异常特征;
步骤S52,根据式(4)对所述异常特征的朴素贝叶斯数据分析模型进行属性加权:
(4);
其中,为属性加权值,/>为第/>个异常特征的属性权重值;
步骤S53,将每个属性权重值根据式(5)分别定义为一个粒子;
(5);
其中,为所有粒子的集合,/>分别为每个粒子,/>为所有粒子的个数;/>为所有粒子的速度的集合,/>分别为每个粒子的速度;
步骤S54,通过逻辑回归对所有粒子进行初始化映射;
步骤S55,根据式(6)分别定义每个粒子的适应度值:
(6);
其中,和/>为第/>个粒子的二维原始数据,/>应用于核函数,/>和/>均为二维原始数据映射到特征空间中的向量,为/>和/>的内积,/>为偏值;
步骤S56,通过粒子群算法分别获取每个粒子的最佳映射位置,所述最佳映射位置即为所述属性权重值。
作为本申请的进一步改进,步骤S56包括:
步骤S561,根据式(7)以预设时间间隔分别更新每个粒子的位置和速度:
(7);
其中,为当前的粒子在第/>步的速度,/>为当前的粒子在第/>步的速度惯性,/>为第/>个粒子的属性权重值,/>为当前的粒子的自我认知表征,/>为当前的粒子的社会认知表征;/>与/>均为学习因子,/>为预设取值范围的随机数,/>为当前的粒子已获得的最优解,为所有粒子已获得的最优解;
步骤S562,迭代步骤S561预设次数,以更新每个以及每个/>;
步骤S563,分别判断每个相比于上一次迭代的第一差值是否小于等于第一预设适应阈值,若是,则执行步骤S564;
步骤S564,分别判断每个相比于上一次迭代的第二差值是否小于等于第二预设适应阈值,若是,则执行步骤S565;
步骤S565,判定已获得所述最佳映射位置。
作为本申请的进一步改进,步骤S7之后,包括:
步骤S8,将具有所述故障状态的风电机标记为异常风电机;
步骤S9,获取所述异常风电机的机组编号和时间戳;
步骤S10,整合所述机组编号与所述时间戳并发送至外部决策端。
为了实现上述目的,本申请还提供了如下技术方案:
一种风电设备的故障检测装置,所述故障检测装置应用于如上述的风电设备的故障检测方法,所述故障检测装置包括:
振动信号获取模块,用于分别获取每个振动传感器产生的振动信号;
信号分量提取模块,用于基于经验模态分解算法分别提取每个振动信号在预设分析周期内的若干个信号分量;
信号分量分类模块,用于通过贝叶斯分类算法分别对同一个风电机的所有信号分量进行分类,得到至少两种信号特征;
异常特征获取模块,用于获取所有风电机的所有信号特征并删除相同的信号特征,将保留的信号特征标记为异常特征;
属性权重值计算模块,用于通过粒子群算法计算每种异常特征的属性权重值;
严重异常特征标记模块,用于获取所述属性权重值大于等于预设阈值的异常特征并标记为严重异常特征;
故障状态标记模块,用于将与所述严重异常特征对应的风电机标记为故障状态。
为了实现上述目的,本申请还提供了如下技术方案:
一种电子设备,包括处理器、以及与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程序指令;所述处理器执行所述存储器存储的所述程序指令时实现如上述的一种风电设备的故障检测方法。
为了实现上述目的,本申请还提供了如下技术方案:
一种存储介质,所述存储介质内存储有程序指令,所述程序指令被处理器执行时实现能够实现如上述的一种风电设备的故障检测方法。
本申请基于经验模态分解算法分别提取每个风电机在预设分析周期内的若干个信号分量,通过贝叶斯分类算法分别对同一个风电机的所有信号分量进行分类,得到至少两种信号特征,再获取所有风电机的所有信号特征并删除相同的信号特征,将保留的信号特征标记为异常特征,通过粒子群算法计算每种异常特征的属性权重值,最后获取属性权重值大于等于预设阈值的异常特征并标记为严重异常特征并将与严重异常特征对应的风电机标记为故障状态。本申请通过预设区域内的所有风电机相互形成对照参考,通过删除相同信号特征(例如无风信号,表现为振动信号是零值或近似零值;同频抖动信号,表现为该预设区域内的所有风电机同时接收到同一风力,使得所有风电机的振动信号相同),使得保留下来的没有相同类型的信号并识别为异常特征(例如风电机异常的机械磨损、应力过大导致机械变形、转轴卡顿、转子闸间短路、定子闸间短路等),相比于单个风电机振动检测,本申请具有同一区域的其他风电机作为对照组,由于所有风电机处于同一预设区域,使得所有风电机的运行环境相同,保证了对照组的对照数据准确,相比于理论对照参数,本申请的对照方式更为准确。
附图说明
图1为本申请一种风电设备的故障检测方法一个实施例的步骤流程示意图;
图2为本申请一种风电设备的故障检测装置一个实施例的结构示意图;
图3为本申请电子设备一个实施例的结构示意图;
图4为本申请存储介质一个实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请中的术语“第一”“第二”“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”“第二”“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,“多个”的含义是至 少两个,例如两个,三个等,除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其他实施例相结合。
如图1所示,本实施例提供了风电设备的故障检测方法的一个实施例,在本实施例中,风电设备包括位于预设区域内的至少两个风电机以及分别装设于每个风电机内的振动传感器,该故障检测方法包括如下步骤:
步骤S1,分别获取每个振动传感器产生的振动信号。
优选地,在实际应用过程中,风电机在发电作业时,由于受到外界环境因素的不确定性干扰(风力大小和方向不稳定),导致风电机的振动信号可能会存在不同程度的缺失,因此在对风力发电机进行振动信号检测前,可对振动传感器收集到的信号进行常规预处理。
具体地,可通过去趋势项和五点三次平滑法进行预处理。
其中,去趋势项为在振动测试中采集到的振动信号数据,由于放大器随温度变化产生的零点漂移、传感器频率范围外低频性能的不稳定以及传感器周围的环境干扰等,往往会偏离基线,甚至偏离基线的大小还会随时间变化。偏离基线随时间变化的整个过程被称为信号的趋势项。趋势项直接影响信号的正确性,应该将其去除。常用的消除趋势项的方法是多项式最小二乘法。
可在MATLAB中提供detrend()函数进行去趋势项操作,但只能去除均值和线性趋势项,所以如果使用该函数进行操作,即承认传感器所含趋势项是线性的。如果认为趋势项是非线性的,则需要用polyfit()和ployval()组成的函数进行操作(如:Liu_detrend(t,y,m))。在实际振动信号数据处理中,通常取1至3次多项式来对采样数据进行多项式趋势项消除的处理。
其中,五点三次平滑法可以用作时域和频域信号平滑处理。该处理方法对于时域数据的作用主要是能减少混入振动信号中的高频随机噪声。而对于频域数据的作用则是能使谱曲线变得光滑,以便在模态参数识别中得到较好的拟合效果。需要注意的是,频域数据经过五点三次平滑法会使得谱曲线中的峰值降低,体形变宽,可能造成识别参数的误差增大。
步骤S2,基于经验模态分解算法分别提取每个振动信号在预设分析周期内的若干个信号分量。
优选地,经验模态分解(Empirical Mode Decomposition, EMD)算法是经验模态分解EMD基于瞬时频率、本征模态函数(Intrinsic Mode Function,IMF)的概念,经验模态分解能够将复杂信号分解为若干个IMF分量,每个IMF表征信号的局部特征。依据的是数据自身的时间尺度特征来进行信号分解,无需预先设定任何基函数,因此具有自适应性。经验模态分解的优势在于不会运用任何已经定义好的函数作为基底,而是根据所分析的信号而自适应生成固有模态函数。可以用于分析非线性、非平稳的信号序列,具有很高的信噪比和良好的时频聚焦性。本实施例的设计意图在于通过经验模态分解算法准确地分解振动信号,以将振动信号分解为例如无风信号,表现为振动信号是零值或近似零值;同频抖动信号,表现为该预设区域内的所有风电机同时接收到同一风力,使得所有风电机的振动信号相同;异常特征,表现为风电机由于机械应力、机械损伤、电路损伤导致的过幅振动。
步骤S3,通过贝叶斯分类算法分别对同一个风电机的所有信号分量进行分类,得到至少两种信号特征。
优选地,贝叶斯分类是一种非规则的分类方法,贝叶斯分类技术通过对已分类的样本子集进行训练,学习归纳出分类函数(对离散变量的预测称作分类,对连续变量的分类称为回归),利用训练得到的分类器实现对未分类数据的分类。在不同的分类算法中,朴素贝叶斯分类算法(Naive Bayes)是一种简单的贝叶斯分类算法,且朴素贝叶斯分类算法的应用效果比神经网络分类算法和判定树分类算法还要好,特别是待分类数据量非常大时,贝叶斯分类方法相较其他分类算法具有高准确率,本实施例优选朴素贝叶斯分类算法而非神经网络分类算法的设计意图在于高准确率。
优选地,信号特征主要分为三个时域特征:短时能量、过零率、经验排列熵;以及六个频域特征:频谱重心、频谱延展度、频谱熵、频谱通量、频谱滚降点、梅尔频率倒谱系数。
优选地,本实施例优选上述特征中的一种或两种即可,若选择特征过多,容易导致计算量骤增,在实际应用过程中容易导致计算机卡顿、未响应等。
优选地,本实施例可通过短时能量、过零率、频谱重心、频谱通量中的一种或两种即可,以减小检测难度。
步骤S4,获取所有风电机的所有信号特征并删除相同的信号特征,将保留的信号特征标记为异常特征。
通俗理解为,风电机的振动信号如果产生异常,例如振动信号基于某一特定周期的过幅振动,代表风电机出现了异常机械振动,例如:
①转子质量不平衡,造成转子质量不平衡的主要原因有:叶轮磨损(主要是叶片)不均匀或腐蚀;叶片表面有不均匀积灰或附着物(如铁锈);叶片或其他部位粘灰;主轴局部高温使轴弯曲;叶轮检修后未找平衡;叶轮强度不足造成叶轮开裂或局部变形;叶轮上零件松动或连接件不紧固。
转子质量不平衡的振动特征为:振动值以水平方向为最大,而轴向很小,并且轴承座承力轴承处振动大于推力轴承处;振幅随转数升高而增大;振动频率与转速频率相等;振动稳定性比较好,对负荷变化不敏感;空心叶片内部粘灰或个别零件未焊牢而位移时,测量的相位角值不稳定,其振动频率为30%至50%工作转速。
②动静部件摩擦引起的振动,造成动静部件摩擦的主要原因有:如集流器出口与叶轮进口碰撞或摩擦、叶轮与机壳碰撞或摩擦、主轴与密封装置之间碰撞或摩擦。
动静部件摩擦的振动特征为:振动不稳定;振动是自激振动与转速无关;摩擦严重时会发生反向涡动。
③滚动轴承异常引起的振动,造成滚动轴承异常的主要原因有:轴承装配不良的振动、滚动轴承表面损坏的振动,轴颈或轴肩台加工不良,轴颈弯曲,轴承安装倾斜,轴承内圈装配后造成与轴心线不重合,使轴承每转一圈产生一次交变的轴向力作用,滚动轴承的固定圆螺母松动造成局部振动;滚动轴承由于制造质量差、润滑不良、异物进入、与轴承箱的间隙不合标准等,会出现磨损、锈蚀、脱皮剥落、碎裂而造成损坏后,滚珠相互撞击而产生的高频冲击振动将传给轴承座。
滚动轴承异常的振动特征为:振动值以轴向为最大;振动频率与旋转频率相等;具有高频冲击振动信号,振动稳定性很差,与负荷无关,振动的振幅在水平、垂直、轴向三个方向均有可能最大,振动的精密诊断要借助频谱分析,运用频谱分析可以准确判断轴承损坏的准确位置和损坏程度。
④轴承座基础刚度不够引起的振动,造成轴承座基础刚度不够的主要原因有:基础灌浆不良,地脚螺栓松动,垫片松动,机座连接不牢固,都将引起剧烈的强迫共振现象。
轴承座基础刚度不够的振动特征为:有问题的地脚螺栓处的轴承座的振动最大,且以径向分量最大;振动频率为转速的1、3、5、7等奇数倍频率组合,其中3倍的分量值最高为振动特征的频域特征。
⑤联轴器异常引起的振动,造成联轴器异常的主要原因有:联轴器安装不正,风机和电机轴不同心,风机与电机轴在找正时,未考虑运行时轴向位移的补偿量,这些都会引起风机、电机振动。
联轴器异常的振动特征为:振动不定性,随负荷变化剧烈,空转时轻,满载时大,振动稳定性较好;轴心偏差越大,振动越大;电机单独运行,振动消失;如果径向振动大则为两轴心线平行,轴向振动大则为两轴心线相交。
需要说明的是,上述振动特征仅为举例说明,并不代表上述振动特征为风电机的所有振动特征,未列举的振动特征也应考虑入内,例如转子匝间短路时,幅值会出现较多的数值相近的频谱,而定子匝间短路时,幅值变化规律先增后减的趋势。
步骤S5,通过粒子群算法计算每种异常特征的属性权重值。
优选地,属性权重值为支持向量机SVM(Support Vector Machine)算法中的概念,SVM算法针对线性可分情况进行分析,对于线性不可分的情况,通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分,从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能;SVM算法以结构风险最小化理论为基础,在特征空间中构建最优分割超平面,使得学习器得到全局最优化,并且在整个样本空间的期望风险以某个概率满足一定上界。
优选地,本实施例的设计意图在于通过建立一个合适的核映射,从而将原始样本空间中的线性不可分问题转化为高维特征空间中的线性可分问题,核聚类方法利用Mercer核,把输入空间中的属性权重值(即下文中的粒子)映射到高维特征空间,从而在特征空间中具有更好的聚类分布性。在实际MATLAB动态仿真中,理论分析和实验表明该方法是普适的,它通过非线性映射能够较好地分辨、提取并放大有用的特征,从而实现更为准确的聚类。
具体体现在,SVM算法利用核映射将原始样本空间中信号特征的分类问题与特征空间中的聚类问题联系起来,在核空间中数据点像集“相近相离原则”的带线性约束条件的非线性混合目标函数。可以应用于属性选择或属性约简中,例如将属性权重组的一个较佳调和解按照权重大小排序,选择一些权重较大的属性作为较优属性子集的元素。对于既有有序属性,又有无序类别属性的混合属性数据集,可以根据数据集来自适应地优化确定各个属性的权重。
步骤S6,获取属性权重值大于等于预设阈值的异常特征并标记为严重异常特征。
优选地,预设阈值默认为1,即默认正类样本数量和反类一样多,也可以用一个字典dict指定每个类的权值,或者选择默认的参数balanced,指按照每个类中样本数量的比例自动分配权值;在本实施例中,可对于样本数量越少的振动特征赋予越高的属性权重。
步骤S7,将与严重异常特征对应的风电机标记为故障状态。
进一步地,步骤S2包括:
步骤S21,获取振动信号的所有极大值、所有极小值。
步骤S22,依次连接所有极大值形成上包络线,依次连接所有极小值形成下包络线;
步骤S23,获取上包络线与下包络线的平均值,形成均值线。
步骤S24,将振动信号减去均值线以得到中间信号。
步骤S25,重复步骤S21至步骤S24,以迭代中间信号;
步骤S26,分别获取每次迭代后极值点个数与过零点个数的差值位于预设区间内的中间信号,并标记为一阶中间信号。
步骤S27,获取均值线为零的一阶中间信号并标记为信号分量。
优选地,步骤S21至步骤S27为步骤S2中经验模态分解算法的具体应用,此处不再赘述,下同。
进一步地,步骤S3包括:
步骤S31,分别获取每个风电机在预设时长内的信号分量。
步骤S32,基于同一个风电机根据信号分量定义待分类信号集合,其中/>为待分类信号集合/>中的第/>个特征信号,/>为特征信号的个数。
步骤S33,分别根据每个风电机的信号特征定义类别集合,其中,/>为类别集合/>中的第/>个信号特征。
步骤S34,根据式(1)计算待分类信号集合分别在每个信号特征下的条件概率:
(1)。
其中,为在第/>个信号特征条件下待分类信号集合/>的条件概率,/>为第/>个信号特征的边缘概率。
步骤S35,获取占比大于等于预设比例的至少两个条件概率。
步骤S36,获取分别与每个大于等于预设比例的条件概率所对应的信号特征。
进一步地,步骤S4包括:
步骤S41,删除条件概率的占比小于预设比例的信号特征。
优选地,此处的预设比例对应上述实施例中的属性权重值,属性权重值越高,则预设比例越低。
步骤S42,获取剩余的信号特征并删除条件概率相等的信号特征,将保留的信号特征标记为异常特征。
进一步地,步骤S5包括:
步骤S51,根据式(3)定义异常特征的朴素贝叶斯数据分析模型:
(3)。
其中,为朴素贝叶斯数据分析模型,/>为异常特征。
步骤S52,根据式(4)对异常特征的朴素贝叶斯数据分析模型进行属性加权:
(4)。
其中,为属性加权值,/>为第/>个异常特征的属性权重值。
步骤S53,将每个属性权重值根据式(5)分别定义为一个粒子。
(5)。
其中,为所有粒子的集合,/>分别为每个粒子,/>为所有粒子的个数;/>为所有粒子的速度的集合,/>分别为每个粒子的速度。
步骤S54,通过逻辑回归对所有粒子进行初始化映射。
步骤S55,根据式(6)分别定义每个粒子的适应度值:
(6)。
其中,和/>为第/>个粒子的二维原始数据,/>应用于核函数,/>和/>均为二维原始数据映射到特征空间中的向量,为/>和/>的内积,/>为偏值。
步骤S56,通过粒子群算法分别获取每个粒子的最佳映射位置,最佳映射位置即为属性权重值。
进一步地,步骤S56包括:
步骤S561,根据式(7)以预设时间间隔分别更新每个粒子的位置和速度:
(7)。
其中,为当前的粒子在第/>步的速度,/>为当前的粒子在第/>步的速度惯性,/>为第/>个粒子的属性权重值,/>为当前的粒子的自我认知表征,/>为当前的粒子的社会认知表征;/>与/>均为学习因子,/>为预设取值范围的随机数,/>为当前的粒子已获得的最优解,为所有粒子已获得的最优解。
优选地,为预设取值范围为[0,1],/>的取值范围为[0,0.5],优选0.4;的取值范围为[0.5,1],优选0.8。
步骤S562,迭代步骤S561预设次数,以更新每个以及每个/>。
步骤S563,分别判断每个相比于上一次迭代的第一差值是否小于等于第一预设适应阈值,若是,则执行步骤S564。
步骤S564,分别判断每个相比于上一次迭代的第二差值是否小于等于第二预设适应阈值,若是,则执行步骤S565。/>
步骤S565,判定已获得最佳映射位置。
进一步地,步骤S7之后,包括:
步骤S8,将具有故障状态的风电机标记为异常风电机。
步骤S9,获取异常风电机的机组编号和时间戳。
步骤S10,整合机组编号与时间戳并发送至外部决策端。
优选地,本实施例通过MATLAB动态仿真,设风电机在正常运行状态下,发电机的有功功率在0kW至5kW 之间变动,每个发电机输出的不同瞬时值选取10000个振动数据作为分析目标,其中测区的瞬时值包含发电机的转子转速、转子的励磁电压和电流、转子振动加速度、定子的三相电流电压、定子振动以及有功功率和无功功率,利用1kΩ的滑动变阻器完成励磁绕组中10%抽头的短接设定,且短接情况占比10%,该情况可造成励磁绕组匝间0%至10%概率的短路故障。 同时,在测量发电机负荷变化时,同步采集上述的风电机瞬时测量值,每个物理量采集10000个振动数据进行分析,利用1kΩ的滑动变阻器完成定子绕组中5%抽头的短接设定,短接情况设定为占比5%,该情况可造成定子绕组匝间0%至5%的概率的短路故障,在该仿真环境下完成对检测方法不同性能的检测分析。
为了验证本实施例的故障检测方法中的误差率,分别以上述实施例中的异常机械振动为测试目标,在迭代次数为100次的前提下,选取现有技术中的微量气体检测法和神经网络机器学习算法作为对照算法,动态仿真现有技术中的两种算法以及本实施例的故障检测方法,从而判断三种方法的检测性能。
动态仿真的结果为:神经网络机器学习算法在迭代97次时,误差率为0.0176,在迭代98次至100次时,误差率保持为0.0176;微量气体检测法在迭代82次时,误差率已达到0.0176,在迭代83次至100次时,误差率保持为0.0176。本实施例的故障检测方法在迭代31次时,误差率就已达到0.0176,并在后续32次至100次迭代时平稳保持0.0176,说明了本实施例的故障检测方法结果准确且迭代效率更高。
本实施例基于经验模态分解算法分别提取每个风电机在预设分析周期内的若干个信号分量,通过贝叶斯分类算法分别对同一个风电机的所有信号分量进行分类,得到至少两种信号特征,再获取所有风电机的所有信号特征并删除相同的信号特征,将保留的信号特征标记为异常特征,通过粒子群算法计算每种异常特征的属性权重值,最后获取属性权重值大于等于预设阈值的异常特征并标记为严重异常特征并将与严重异常特征对应的风电机标记为故障状态。本实施例通过预设区域内的所有风电机相互形成对照参考,通过删除相同信号特征(例如无风信号,表现为振动信号是零值或近似零值;同频抖动信号,表现为该预设区域内的所有风电机同时接收到同一风力,使得所有风电机的振动信号相同),使得保留下来的没有相同类型的信号并识别为异常特征(例如风电机异常的机械磨损、应力过大导致机械变形、转轴卡顿、转子闸间短路、定子闸间短路等),相比于单个风电机振动检测,本实施例具有同一区域的其他风电机作为对照组,由于所有风电机处于同一预设区域,使得所有风电机的运行环境相同,保证了对照组的对照数据准确,相比于理论对照参数,本实施例的对照方式更为准确。
如图2所示,本实施例提供了风电设备的故障检测装置的一个实施例,在本实施例中,故障检测装置应用于如上述实施例中的风电设备的故障检测方法,该故障检测装置包括依次电性连接的振动信号获取模块1、信号分量提取模块2、信号分量分类模块3、异常特征获取模块4、属性权重值计算模块5、严重异常特征标记模块6、故障状态标记模块7。
其中,振动信号获取模块1用于分别获取每个振动传感器产生的振动信号;信号分量提取模块2用于基于经验模态分解算法分别提取每个振动信号在预设分析周期内的若干个信号分量;信号分量分类模块3用于通过贝叶斯分类算法分别对同一个风电机的所有信号分量进行分类,得到至少两种信号特征;异常特征获取模块4用于获取所有风电机的所有信号特征并删除相同的信号特征,将保留的信号特征标记为异常特征;属性权重值计算模块5用于通过粒子群算法计算每种异常特征的属性权重值;严重异常特征标记模块6用于获取属性权重值大于等于预设阈值的异常特征并标记为严重异常特征;故障状态标记模块7用于将与严重异常特征对应的风电机标记为故障状态。
进一步地,信号分量提取模块具体包括依次电性连接的第一信号分量提取子模块、第二信号分量提取子模块、第三信号分量提取子模块、第四信号分量提取子模块、第五信号分量提取子模块、第六信号分量提取子模块、第七信号分量提取子模块;第一信号分量提取子模块与振动信号获取模块电性连接,第七信号分量提取子模块与信号分量分类模块电性连接。
其中,第一信号分量提取子模块用于获取振动信号的所有极大值、所有极小值;第二信号分量提取子模块用于依次连接所有极大值形成上包络线,依次连接所有极小值形成下包络线;第三信号分量提取子模块用于获取上包络线与下包络线的平均值,形成均值线;第四信号分量提取子模块用于将振动信号减去均值线以得到中间信号;第五信号分量提取子模块用于重复依次激活第一信号分量提取子模块至第四信号分量提取子模块以迭代中间信号;第六信号分量提取子模块用于分别获取每次迭代后极值点个数与过零点个数的差值位于预设区间内的中间信号,并标记为一阶中间信号;第七信号分量提取子模块用于获取均值线为零的一阶中间信号并标记为信号分量。
进一步地,信号分量分类模块具体包括依次电性连接的第一信号分量分类子模块、第二信号分量分类子模块、第三信号分量分类子模块、第四信号分量分类子模块、第五信号分量分类子模块、第六信号分量分类子模块;第一信号分量分类子模块与第七信号分量提取子模块电性连接,第六信号分量分类子模块与异常特征获取模块电性连接。
其中,第一信号分量分类子模块用于分别获取每个风电机在预设时长内的信号分量。
第二信号分量分类子模块用于基于同一个风电机根据信号分量定义待分类信号集合,其中/>为待分类信号集合/>中的第/>个特征信号,/>为特征信号的个数。
第三信号分量分类子模块用于分别根据每个风电机的信号特征定义类别集合,其中,/>为类别集合/>中的第/>个信号特征。
第四信号分量分类子模块用于根据式(1)计算待分类信号集合分别在每个信号特征下的条件概率:
(1)。/>
其中,为在第/>个信号特征条件下待分类信号集合/>的条件概率,/>为第/>个信号特征的边缘概率。
第五信号分量分类子模块用于获取占比大于等于预设比例的至少两个条件概率。
第六信号分量分类子模块用于获取分别与每个大于等于预设比例的条件概率所对应的信号特征。
进一步地,异常特征获取模块具体包括依次电性连接的第一异常特征获取子模块和第二异常特征获取子模块;第一异常特征获取子模块与第六信号分量分类子模块电性连接,第二异常特征获取子模块与属性权重值计算模块电性连接。
其中,第一异常特征获取子模块用于删除条件概率的占比小于预设比例的信号特征;第二异常特征获取子模块用于获取剩余的信号特征并删除条件概率相等的信号特征,将保留的信号特征标记为异常特征。
进一步地,属性权重值计算模块具体包括依次电性连接的第一属性权重值计算子模块、第二属性权重值计算子模块、第三属性权重值计算子模块、第四属性权重值计算子模块、第五属性权重值计算子模块、第六属性权重值计算子模块;第一属性权重值计算子模块与第二异常特征获取子模块电性连接,第六属性权重值计算子模块与严重异常特征标记模块电性连接。
其中,第一属性权重值计算子模块用于根据式(3)定义异常特征的朴素贝叶斯数据分析模型:
(3)。
其中,为朴素贝叶斯数据分析模型,/>为异常特征。
第二属性权重值计算子模块用于根据式(4)对异常特征的朴素贝叶斯数据分析模型进行属性加权:
(4)。
其中,为属性加权值,/>为第/>个异常特征的属性权重值。
第三属性权重值计算子模块用于将每个属性权重值根据式(5)分别定义为一个粒子。
(5)。
其中,为所有粒子的集合,/>分别为每个粒子,/>为所有粒子的个数;/>为所有粒子的速度的集合,/>分别为每个粒子的速度。
第四属性权重值计算子模块用于通过逻辑回归对所有粒子进行初始化映射。
第五属性权重值计算子模块用于根据式(6)分别定义每个粒子的适应度值:
(6)。
其中,和/>为第/>个粒子的二维原始数据,/>应用于核函数,/>和/>均为二维原始数据映射到特征空间中的向量,为/>和/>的内积,/>为偏值。
第六属性权重值计算子模块用于通过粒子群算法分别获取每个粒子的最佳映射位置,最佳映射位置即为属性权重值。
进一步地,第六属性权重值计算子模块具体包括依次电性连接的第一属性权重值计算单元、第二属性权重值计算单元、第三属性权重值计算单元、第四属性权重值计算单元、第五属性权重值计算单元;第一属性权重值计算单元与第五属性权重值计算子模块电性连接,第五属性权重值计算单元与严重异常特征标记模块电性连接。
其中,第一属性权重值计算单元用于根据式(7)以预设时间间隔分别更新每个粒子的位置和速度:
(7)。
其中,为当前的粒子在第/>步的速度,/>为当前的粒子在第/>步的速度惯性,/>为第/>个粒子的属性权重值,/>为当前的粒子的自我认知表征,/>为当前的粒子的社会认知表征;/>与/>均为学习因子,/>为预设取值范围的随机数,/>为当前的粒子已获得的最优解,为所有粒子已获得的最优解。
第二属性权重值计算单元用于激活第一属性权重值计算单元预设次数,以迭代更新每个以及每个/>。
第三属性权重值计算单元用于分别判断每个相比于上一次迭代的第一差值是否小于等于第一预设适应阈值。
第四属性权重值计算单元用于若每个相比于上一次迭代的第一差值小于等于第一预设适应阈值,则分别判断每个/>相比于上一次迭代的第二差值是否小于等于第二预设适应阈值。
第五属性权重值计算单元用于若判断每个相比于上一次迭代的第二差值小于等于第二预设适应阈值,则判定已获得最佳映射位置。
进一步地,该故障检测装置包括还包括依次电性连接的异常风电机标记模块、机组编号和时间戳获取模块、机组编号和时间戳整合与发送模块。
其中,异常风电机标记模块用于将具有故障状态的风电机标记为异常风电机;机组编号和时间戳获取模块用于获取异常风电机的机组编号和时间戳;机组编号和时间戳整合与发送模块用于整合机组编号与时间戳并发送至外部决策端。
需要说明的是,本实施例为基于上述方法实施例的功能模块实施例,本实施例的优选、拓展、举例、限定部分参见上述方法实施例即可,本实施例不再赘述。
本实施例基于经验模态分解算法分别提取每个风电机在预设分析周期内的若干个信号分量,通过贝叶斯分类算法分别对同一个风电机的所有信号分量进行分类,得到至少两种信号特征,再获取所有风电机的所有信号特征并删除相同的信号特征,将保留的信号特征标记为异常特征,通过粒子群算法计算每种异常特征的属性权重值,最后获取属性权重值大于等于预设阈值的异常特征并标记为严重异常特征并将与严重异常特征对应的风电机标记为故障状态。本实施例通过预设区域内的所有风电机相互形成对照参考,通过删除相同信号特征(例如无风信号,表现为振动信号是零值或近似零值;同频抖动信号,表现为该预设区域内的所有风电机同时接收到同一风力,使得所有风电机的振动信号相同),使得保留下来的没有相同类型的信号并识别为异常特征(例如风电机异常的机械磨损、应力过大导致机械变形、转轴卡顿、转子闸间短路、定子闸间短路等),相比于单个风电机振动检测,本实施例具有同一区域的其他风电机作为对照组,由于所有风电机处于同一预设区域,使得所有风电机的运行环境相同,保证了对照组的对照数据准确,相比于理论对照参数,本实施例的对照方式更为准确。
图3是本申请一实施例的电子设备的结构示意图。如图3所示,该电子设备8包括处理器81及和处理器81耦接的存储器82。
存储器82存储有用于实现上述任一实施例的一种风电设备的故障检测方法的程序指令。
处理器81用于执行存储器82存储的程序指令以进行风电设备的故障检测。
其中,处理器81还可以称为CPU(Central Processing Unit,中央处理单元)。处理器81可能是一种集成电路芯片,具有信号的处理能力。处理器81还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
进一步地,图4为本申请一实施例的存储介质的结构示意图,参见图4,本申请实施例的存储介质9存储有能够实现上述所有方法的程序指令91,其中,该程序指令91可以以软件产品的形式存储在上述存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所做的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围。
Claims (7)
1.一种风电设备的故障检测方法,所述风电设备包括位于预设区域内的至少两个风电机以及分别装设于每个风电机内的振动传感器,其特征在于,所述故障检测方法包括:
步骤S1,分别获取每个振动传感器产生的振动信号;
步骤S2,基于经验模态分解算法分别提取每个振动信号在预设分析周期内的若干个信号分量;
步骤S3,通过贝叶斯分类算法分别对同一个风电机的所有信号分量进行分类,得到至少两种信号特征;
步骤S4,获取所有风电机的所有信号特征并删除相同的信号特征,将保留的信号特征标记为异常特征;
步骤S5,通过粒子群算法计算每种异常特征的属性权重值;
步骤S6,获取所述属性权重值大于等于预设阈值的异常特征并标记为严重异常特征;
步骤S7,将与所述严重异常特征对应的风电机标记为故障状态;
步骤S3包括:
步骤S31,分别获取每个风电机在预设时长内的运行信号数据;
步骤S32,基于同一个风电机根据所述运行信号数据定义待分类信号集合,其中/>为所述待分类信号集合/>中的第/>个特征信号,/>为所述特征信号的个数;
步骤S33,分别根据每个风电机的信号特征定义类别集合,其中,/>为所述类别集合/>中的第/>个信号特征;
步骤S34,根据式(1)计算所述待分类信号集合分别在每个信号特征下的条件概率:
(1);
其中,为在第/>个信号特征条件下所述待分类信号集合/>的条件概率,/>为第/>个信号特征的边缘概率;
步骤S35,获取占比大于等于预设比例的至少两个条件概率;
步骤S36,获取分别与每个大于等于预设比例的条件概率所对应的信号特征;
步骤S5包括:
步骤S51,根据式(3)定义所述异常特征的朴素贝叶斯数据分析模型:
(3);
其中,为所述朴素贝叶斯数据分析模型,/>为所述异常特征;
步骤S52,根据式(4)对所述异常特征的朴素贝叶斯数据分析模型进行属性加权:
(4);
其中,为属性加权值,/>为第/>个异常特征的属性权重值;
步骤S53,将每个属性权重值根据式(5)分别定义为一个粒子;
(5);
其中,为所有粒子的集合,/>分别为每个粒子,/>为所有粒子的个数;/>为所有粒子的速度的集合,/>分别为每个粒子的速度;
步骤S54,通过逻辑回归对所有粒子进行初始化映射;
步骤S55,根据式(6)分别定义每个粒子的适应度值:
(6);
其中,和/>为第/>个粒子的二维原始数据,/>应用于核函数,/>和/>均为二维原始数据映射到特征空间中的向量,为/>和/>的内积,/>为偏值;
步骤S56,通过粒子群算法分别获取每个粒子的最佳映射位置,所述最佳映射位置即为所述属性权重值;
步骤S56包括:
步骤S561,根据式(7)以预设时间间隔分别更新每个粒子的位置和速度:
(7);
其中,为当前的粒子在第/>步的速度,/>为当前的粒子在第/>步的速度惯性,/>为第/>个粒子的属性权重值,/>为当前的粒子的自我认知表征,/>为当前的粒子的社会认知表征;/>与/>均为学习因子,/>为预设取值范围的随机数,/>为当前的粒子已获得的最优解,/>为所有粒子已获得的最优解;
步骤S562,迭代步骤S561预设次数,以更新每个以及每个/>;
步骤S563,分别判断每个相比于上一次迭代的第一差值是否小于等于第一预设适应阈值,若是,则执行步骤S564;
步骤S564,分别判断每个相比于上一次迭代的第二差值是否小于等于第二预设适应阈值,若是,则执行步骤S565;
步骤S565,判定已获得所述最佳映射位置。
2.根据权利要求1所述的风电设备的故障检测方法,其特征在于,步骤S2包括:
步骤S21,获取所述振动信号的所有极大值、所有极小值;
步骤S22,依次连接所有极大值形成上包络线,依次连接所有极小值形成下包络线;
步骤S23,获取所述上包络线与所述下包络线的平均值,形成均值包络线;
步骤S24,将所述振动信号减去所述均值包络线以得到中间信号;
步骤S25,重复步骤S21至步骤S24,以迭代所述中间信号;
步骤S26,分别获取每次迭代后极值点个数与过零点个数的差值位于预设区间内的中间信号,并标记为一阶中间信号;
步骤S27,获取均值包络线为零的一阶中间信号并标记为所述信号分量。
3.根据权利要求1所述的风电设备的故障检测方法,其特征在于,步骤S4包括:
步骤S41,删除条件概率的占比小于所述预设比例的信号特征;
步骤S42,获取剩余的信号特征并删除所述条件概率相等的信号特征,将保留的信号特征标记为异常特征。
4.根据权利要求1所述的风电设备的故障检测方法,其特征在于,步骤S7之后,包括:
步骤S10,将具有所述故障状态的风电机标记为异常风电机;
步骤S20,获取所述异常风电机的机组编号和时间戳;
步骤S30,整合所述机组编号与所述时间戳并发送至外部决策端。
5.一种风电设备的故障检测装置,所述故障检测装置应用于如权利要求1至4之一所述的风电设备的故障检测方法,其特征在于,所述故障检测装置包括:
振动信号获取模块,用于分别获取每个振动传感器产生的振动信号;
信号分量提取模块,用于基于经验模态分解算法分别提取每个振动信号在预设分析周期内的若干个信号分量;
信号分量分类模块,用于通过贝叶斯分类算法分别对同一个风电机的所有信号分量进行分类,得到至少两种信号特征;
异常特征获取模块,用于获取所有风电机的所有信号特征并删除相同的信号特征,将保留的信号特征标记为异常特征;
属性权重值计算模块,用于通过粒子群算法计算每种异常特征的属性权重值;
严重异常特征标记模块,用于获取所述属性权重值大于等于预设阈值的异常特征并标记为严重异常特征;
故障状态标记模块,用于将与所述严重异常特征对应的风电机标记为故障状态;
信号分量分类模块具体包括依次电性连接的第一信号分量分类子模块、第二信号分量分类子模块、第三信号分量分类子模块、第四信号分量分类子模块、第五信号分量分类子模块、第六信号分量分类子模块;第一信号分量分类子模块与第七信号分量提取子模块电性连接,第六信号分量分类子模块与异常特征获取模块电性连接;
其中,第一信号分量分类子模块用于分别获取每个风电机在预设时长内的运行信号数据;
第二信号分量分类子模块用于基于同一个风电机根据运行信号数据定义待分类信号集合,其中/>为待分类信号集合/>中的第/>个特征信号,/>为特征信号的个数;
第三信号分量分类子模块用于分别根据每个风电机的信号特征定义类别集合,其中,/>为类别集合/>中的第/>个信号特征;
第四信号分量分类子模块用于根据式(1)计算待分类信号集合分别在每个信号特征下的条件概率:
(1);
其中,为在第/>个信号特征条件下待分类信号集合/>的条件概率,/>为第个信号特征的边缘概率;
第五信号分量分类子模块用于获取占比大于等于预设比例的至少两个条件概率;
第六信号分量分类子模块用于获取分别与每个大于等于预设比例的条件概率所对应的信号特征;
属性权重值计算模块具体包括依次电性连接的第一属性权重值计算子模块、第二属性权重值计算子模块、第三属性权重值计算子模块、第四属性权重值计算子模块、第五属性权重值计算子模块、第六属性权重值计算子模块;第一属性权重值计算子模块与第二异常特征获取子模块电性连接,第六属性权重值计算子模块与严重异常特征标记模块电性连接;
其中,第一属性权重值计算子模块用于根据式(3)定义异常特征的朴素贝叶斯数据分析模型:
(3);
其中,为朴素贝叶斯数据分析模型,/>为异常特征;
第二属性权重值计算子模块用于根据式(4)对异常特征的朴素贝叶斯数据分析模型进行属性加权:
(4);
其中,为属性加权值,/>为第/>个异常特征的属性权重值;
第三属性权重值计算子模块用于将每个属性权重值根据式(5)分别定义为一个粒子;
(5);
其中,为所有粒子的集合,/>分别为每个粒子,/>为所有粒子的个数;/>为所有粒子的速度的集合,/>分别为每个粒子的速度;
第四属性权重值计算子模块用于通过逻辑回归对所有粒子进行初始化映射;
第五属性权重值计算子模块用于根据式(6)分别定义每个粒子的适应度值:
(6);
其中,和/>为第/>个粒子的二维原始数据,/>应用于核函数,/>和/>均为二维原始数据映射到特征空间中的向量,为/>和/>的内积,/>为偏值;
第六属性权重值计算子模块用于通过粒子群算法分别获取每个粒子的最佳映射位置,最佳映射位置即为属性权重值;
第六属性权重值计算子模块具体包括依次电性连接的第一属性权重值计算单元、第二属性权重值计算单元、第三属性权重值计算单元、第四属性权重值计算单元、第五属性权重值计算单元;第一属性权重值计算单元与第五属性权重值计算子模块电性连接,第五属性权重值计算单元与严重异常特征标记模块电性连接;
其中,第一属性权重值计算单元用于根据式(7)以预设时间间隔分别更新每个粒子的位置和速度:
(7);
其中,为当前的粒子在第/>步的速度,/>为当前的粒子在第/>步的速度惯性,/>为第/>个粒子的属性权重值,/>为当前的粒子的自我认知表征,/>为当前的粒子的社会认知表征;/>与/>均为学习因子,/>为预设取值范围的随机数,/>为当前的粒子已获得的最优解,/>为所有粒子已获得的最优解;
第二属性权重值计算单元用于激活第一属性权重值计算单元预设次数,以迭代更新每个以及每个/>;
第三属性权重值计算单元用于分别判断每个相比于上一次迭代的第一差值是否小于等于第一预设适应阈值;
第四属性权重值计算单元用于若每个相比于上一次迭代的第一差值小于等于第一预设适应阈值,则分别判断每个/>相比于上一次迭代的第二差值是否小于等于第二预设适应阈值;
第五属性权重值计算单元用于若判断每个相比于上一次迭代的第二差值小于等于第二预设适应阈值,则判定已获得最佳映射位置。
6.一种电子设备,其特征在于,包括处理器、以及与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程序指令;所述处理器执行所述存储器存储的所述程序指令时实现如权利要求1至4中任一项所述的一种风电设备的故障检测方法。
7.一种存储介质,其特征在于,所述存储介质内存储有程序指令,所述程序指令被处理器执行时实现能够实现如权利要求1至4中任一项所述的一种风电设备的故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311324417.9A CN117077064B (zh) | 2023-10-13 | 2023-10-13 | 一种风电设备的故障检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311324417.9A CN117077064B (zh) | 2023-10-13 | 2023-10-13 | 一种风电设备的故障检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117077064A CN117077064A (zh) | 2023-11-17 |
CN117077064B true CN117077064B (zh) | 2024-02-06 |
Family
ID=88704576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311324417.9A Active CN117077064B (zh) | 2023-10-13 | 2023-10-13 | 一种风电设备的故障检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077064B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117349735B (zh) * | 2023-12-05 | 2024-03-26 | 国家电投集团云南国际电力投资有限公司 | 一种直流微电网的故障检测方法、装置、设备及存储介质 |
CN117743836B (zh) * | 2024-02-21 | 2024-05-03 | 聊城市产品质量监督检验所 | 一种轴承异常振动监测方法 |
CN117890740A (zh) * | 2024-03-14 | 2024-04-16 | 云南电投绿能科技有限公司 | 一种发电站电缆的局放定位方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107677472A (zh) * | 2017-08-25 | 2018-02-09 | 中国矿业大学 | 面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法 |
CN107704969A (zh) * | 2017-10-18 | 2018-02-16 | 南京邮电大学 | 一种基于加权朴素贝叶斯算法的物流需求预测方法 |
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 |
CN109005173A (zh) * | 2018-08-02 | 2018-12-14 | 北京航空航天大学 | 一种基于交通流密度差异的车联网异常入侵检测方法 |
CN109514349A (zh) * | 2018-11-12 | 2019-03-26 | 西安交通大学 | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 |
CN109975013A (zh) * | 2019-04-30 | 2019-07-05 | 南京工程学院 | 基于ivmd-se的风电机组齿轮箱故障特征提取方法 |
CN111310810A (zh) * | 2020-02-05 | 2020-06-19 | 山东大学 | 基于差分学习和粒子群的特征选择的图像分类方法及系统 |
CN113849497A (zh) * | 2021-08-02 | 2021-12-28 | 跨境云(横琴)科技创新研究中心有限公司 | 基于属性权重和规则驱动的异常聚合方法及系统 |
WO2022166527A1 (zh) * | 2021-02-04 | 2022-08-11 | 中国长江三峡集团有限公司 | 一种反馈寻优的风机叶片故障监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220374681A1 (en) * | 2022-07-08 | 2022-11-24 | Zhihan Lv | Method for predicting wave energy based on improved GRU |
-
2023
- 2023-10-13 CN CN202311324417.9A patent/CN117077064B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107677472A (zh) * | 2017-08-25 | 2018-02-09 | 中国矿业大学 | 面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法 |
CN107704969A (zh) * | 2017-10-18 | 2018-02-16 | 南京邮电大学 | 一种基于加权朴素贝叶斯算法的物流需求预测方法 |
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 |
CN109005173A (zh) * | 2018-08-02 | 2018-12-14 | 北京航空航天大学 | 一种基于交通流密度差异的车联网异常入侵检测方法 |
CN109514349A (zh) * | 2018-11-12 | 2019-03-26 | 西安交通大学 | 基于振动信号和Stacking集成模型的刀具磨损状态监测方法 |
CN109975013A (zh) * | 2019-04-30 | 2019-07-05 | 南京工程学院 | 基于ivmd-se的风电机组齿轮箱故障特征提取方法 |
CN111310810A (zh) * | 2020-02-05 | 2020-06-19 | 山东大学 | 基于差分学习和粒子群的特征选择的图像分类方法及系统 |
WO2022166527A1 (zh) * | 2021-02-04 | 2022-08-11 | 中国长江三峡集团有限公司 | 一种反馈寻优的风机叶片故障监测方法 |
CN113849497A (zh) * | 2021-08-02 | 2021-12-28 | 跨境云(横琴)科技创新研究中心有限公司 | 基于属性权重和规则驱动的异常聚合方法及系统 |
Non-Patent Citations (4)
Title |
---|
Comparison of Naive Bayes Algorithm and Support Vector Machine using PSO Feature Selection for Sentiment Analysis on E-Wallet Review;Dwi Andini Putri 等;《Journal of Physics:Conference Series》;1-7 * |
Weighted Naive Bayes classification algorithm based on particle swarm optimization;Jie Lin 等;《2011 IEEE 3rd International Conference on Communication Software and Networks》;444-447 * |
基于机器学习分类模型的用电异常检测方法研究;郭莹奎;《中国优秀硕士学位论文全文数据库工程科技II辑》;C042-1060 * |
基于粒子群的加权朴素贝叶斯入侵检测模型;任晓奎 等;《计算机工程与应用》;122-126 * |
Also Published As
Publication number | Publication date |
---|---|
CN117077064A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117077064B (zh) | 一种风电设备的故障检测方法、装置、设备及存储介质 | |
Ni et al. | Physics-Informed Residual Network (PIResNet) for rolling element bearing fault diagnostics | |
Gong et al. | Imbalance fault detection of direct-drive wind turbines using generator current signals | |
Liu et al. | Wind turbine blade bearing fault diagnosis under fluctuating speed operations via Bayesian augmented Lagrangian analysis | |
CN110905732B (zh) | 风电机组风轮不平衡的辨识方法、系统及储存介质 | |
CN110766175A (zh) | 一种基于最优间隔分布机的变桨系统故障检测方法及装置 | |
CN104006908A (zh) | 风机能耗监测方法及系统 | |
Joshuva et al. | Wind turbine blade fault diagnosis using vibration signals through decision tree algorithm | |
JP6783163B2 (ja) | 翼振動監視装置および翼振動監視方法 | |
CN108278184A (zh) | 基于经验模态分解的风电机组叶轮不平衡监测方法 | |
Xing et al. | Detection of magnitude and position of rotor aerodynamic imbalance of wind turbines using Convolutional Neural Network | |
Mehlan et al. | Rotor imbalance detection and diagnosis in floating wind turbines by means of drivetrain condition monitoring | |
CN109325553B (zh) | 一种风电齿轮箱故障检测方法、系统、设备及介质 | |
Hu et al. | Wind turbine event detection by support vector machine | |
Ruan et al. | Exploration and effect analysis of improvement in convolution neural network for bearing fault diagnosis | |
Hong et al. | Application of spectral kurtosis and Vold-Kalman filter based order tracking in wind turbine gearbox fault diagnosis | |
CN115380160A (zh) | 风力涡轮机叶片桨距系统的基于频率含量的监测 | |
CN113009338A (zh) | 海上风电变桨电机定子匝间短路故障诊断方法 | |
Cao et al. | A novel method for detection of wind turbine blade imbalance based on multi-variable spectrum imaging and convolutional neural network | |
CN114742111B (zh) | 基于参数自适应特征模态分解故障诊断方法和系统 | |
Wait et al. | Wind-induced instabilities and monitoring of wind turbine | |
Joshuva et al. | Logistic model tree classifier for condition monitoring of wind turbine blades | |
Joshuva et al. | Implementation of rule based classifiers for wind turbine blade fault diagnosis using vibration signals | |
Liu et al. | Acoustic emission analysis for wind turbine blade bearing fault detection using sparse augmented Lagrangian algorithm | |
CN107862175A (zh) | 一种厂房振动多尺度分析方法 |
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 |