CN117708637A - 基于改进k均值聚类分析的风电机组叶片故障诊断方法 - Google Patents
基于改进k均值聚类分析的风电机组叶片故障诊断方法 Download PDFInfo
- Publication number
- CN117708637A CN117708637A CN202311713966.5A CN202311713966A CN117708637A CN 117708637 A CN117708637 A CN 117708637A CN 202311713966 A CN202311713966 A CN 202311713966A CN 117708637 A CN117708637 A CN 117708637A
- Authority
- CN
- China
- Prior art keywords
- blade
- characteristic value
- time domain
- analysis
- class
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003745 diagnosis Methods 0.000 title claims abstract description 15
- 238000003064 k means clustering Methods 0.000 title claims abstract description 13
- 238000006471 dimerization reaction Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000004451 qualitative analysis Methods 0.000 claims abstract description 4
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 4
- 238000007621 cluster analysis Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000006866 deterioration Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Classifications
-
- 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
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于改进k均值聚类分析的风电机组叶片故障诊断方法,该方法包括:利用正常叶片和故障叶片对叶片故障特征进行定性定量分析;根据振动信号采集策略,对叶片振动信号进行采集,求取当前采集到的振动信号的时域特征值并将特征值保存到数据库中;若时域特征值存在明显异常时,改变采集策略,给信号采集器下达增加采集频率的命令;当时域特征值不存在明显异常时,按照原信号采集策略进行采集;利用改进k均值聚类分析方法对数据库中的多组时域特征值进行二聚类分析,综合判断叶片是否出现故障。本发明能实现风电叶片的实时在线诊断,提高叶片诊断预警的精确度,降低误报率和漏报率。
Description
技术领域
本发明涉及风电设备状态监测技术领域,特点是一种基于改进k均值聚类分析的风电机组叶片故障诊断方法。
背景技术
随着风电行业的大力发展,塔筒高度、叶片长度、叶片柔性也都出现不同程度的增加,机组出现故障的次数也随之逐渐增多,如出现叶片扫塔事件、倒塔事故、叶片撕裂以及叶片断裂等事故,浪费了大量的风资源。而且叶片的造价较高,对叶片进行实时故障诊断预警,提高诊断准确率,在叶片出现小故障时便及时发现故障进行维修,能极大地降低财产的损失,保护机组的安全。
发明内容
鉴于此,本发明提供一种基于改进k均值聚类分析的风电机组叶片故障诊断方法,旨在通过机器学习的方法对叶片进行分析,提高叶片诊断预警的精确度,降低误报率和漏报率,当叶片出现故障裂纹,也能实时跟进叶片故障裂纹的劣化程度,判断叶片运行状态。
本发明公开了一种基于改进k均值聚类分析的风电机组叶片故障诊断方法,其包括:
步骤1:利用正常叶片和故障叶片对叶片故障特征进行定性定量分析;
步骤2:根据振动信号采集策略,对叶片振动信号进行采集,求取当前采集到的振动信号的时域特征值并保存在数据库中;若发现该时域特征值存在明显异常,改变采集策略,给信号采集器下达增加采集频率的命令,重新执行步骤2;当时域特征值不存在明显异常时,按照原信号采集策略进行采集;
步骤3:利用改进k均值聚类分析方法对保存在数据库中的时域特征值进行二聚类分析,综合判断叶片是否出现故障。
进一步地,所述步骤1包括:
获取在故障前后,确定叶片振动信号特征值变化最大的几种特征值类型,并对不同故障前后的几种特征值变化量进行定量分析。
进一步地,故障前后振动信号特征值变化最大类型分别为:有效值、峰峰值、偏度、峭度和标准差;
叶片已出现故障是指叶片出现结冰、裂纹、分层、起皮发白、撕裂甚至断裂;
综合判断叶片是否出现故障,即两次聚类分析任意一个类中心距离超过限度,即认为叶片出现异常;根据类中心距离判断叶片故障的劣化程度,根据类中心距离是否增加可判断叶片是否在逐渐劣化。
进一步地,所述振动信号采集策略为定时采集策略,即信号采集器每隔预设时长采集一组振动信号;
对振动信号进行采集,将叶片振动加速度传感器安装在距离风电叶片根部预设位置处,用于采集叶片的振动信号。
进一步地,所述时域特征值是否存在明显异常的判断方法为:
将每只叶片对应的时域特征值与之前的时域特征值进行比较,观察该时域特征值是否存在较大差异。
进一步地,改变振动信号采集策略包括:
计算当前时域特征值与之前采集的信号时域特征值之间的欧几里得距离,若欧几里得距离大于预设值,则增加采集的频次,即采集间隔时间变小,并计算采集的振动信号特征值进行保存;否则按照原信号采集策略进行信号采集。
进一步地,所述步骤3包括:
需要进行两次聚类分析,每次聚类分析的初始点选择不同,而后根据两次聚类分析综合判断叶片的状态。
进一步地,所述初始点选择的计算方法为从数据库中随机选取一组计算保存的特征值作为二聚类的一个初始点,计算其余特征值点与初始点之间的欧几里得距离,计算其余特征值点与初始点间的夹角余弦;
选择欧几里得距离最大值点作为二聚类另一个初始点,选择夹角余弦最小值点作为二聚类另一个初始点;以随机选择的初始点和欧几里得距离最大点作为初始点进行一次二聚类分析;以随机选择的初始点和夹角余弦最小值作为初始点进行第二次二聚类分析;当两次聚类分析的聚类收敛后,计算每一次聚类分析的类中心距离;并根据两次二聚类分析的类中心距离综合判断叶片是否出现故障,并实时根据类中心距离判断叶片故障劣化程度。
进一步地,所述欧几里得距离的计算公式为:
所述夹角余弦的计算公式为:
其中,k为两组特征值之间的欧几里得距离,cosθ为两组振动信号的特征值之间的夹角余弦值,xi为一组振动信号的第i类特征值,yi为另一组振动信号的第i类特征值。
进一步地,所述类中心距离的计算方法为:
类中心距离的计算方法是指分类之后的聚类中心的欧几里得距离;其中,类中心距离的计算公式为:
其中,p是类中心距离,xi表示聚类之后的每一类的第i个点;n表示聚类之后的每一类的总点数。
由于采用了上述技术方案,本发明具有如下的优点:本发明结合叶片的多种类型特征值进行聚类分析,可以明显降低叶片数据的偶然性影响,且制定叶片出现一组特征值时增加采集频率的策略能降低故障诊断的误报率;采用欧几里得最大值寻找初始点改进k均值聚类分析方法,可以有效避免k均值分析方法仅获得局部最优解而非全局最优解的问题,同时采用夹角余弦最小值寻找初始点的改进k均值聚类分析方法可以避免特殊类别出现无法识别的问题。两种聚类分析综合评判提高了聚类的准确性,避免了仅能获得局部最优解的问题,提高叶片利用特征值诊断的准确率,降低误报、漏报率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于改进k均值聚类分析的风电机组叶片故障诊断方法的流程示意图。
具体实施方式
结合附图和实施例对本发明作进一步说明,所描述的实施例仅是本发明实施例一部分实施例,而不是全部的实施例。本领域普通技术人员所获得的所有其他实施例,都应当属于本发明实施例保护的范围。
参见图1,本发明提供了一种基于改进k均值聚类分析的风电机组叶片故障诊断方法的实施例,其包括:
步骤1:利用正常叶片和故障叶片对叶片故障特征进行定性定量分析;
步骤2:根据振动信号采集策略,对叶片振动信号进行采集,求取当前采集到的振动信号的时域特征值并保存在数据库中;若发现该时域特征值存在明显异常,改变采集策略,给信号采集器下达增加采集频率的命令,重新执行步骤2;当时域特征值不存在明显异常时,按照原信号采集策略进行采集;
步骤3:利用改进k均值聚类分析方法对保存在数据库中的时域特征值进行二聚类分析,综合判断叶片是否出现故障。
本实施例中,步骤1包括:
获取在故障前后,确定叶片振动信号特征值变化最大的几种特征值类型,并对不同故障前后的几种特征值变化量进行定量分析。
本实施例中,故障前后振动信号特征值变化最大类型分别为:有效值、峰峰值、偏度、峭度和标准差;
叶片已出现故障是指叶片出现结冰、裂纹、分层、起皮发白、撕裂甚至断裂;
综合判断叶片是否出现故障,即两次聚类分析任意一个类中心距离超过限度,即认为叶片出现异常;根据类中心距离判断叶片故障的劣化程度,根据类中心距离是否增加可判断叶片是否在逐渐劣化。
本实施例中,振动信号采集策略为定时采集策略,即信号采集器每隔预设时长采集一组振动信号;
对振动信号进行采集,将叶片振动加速度传感器安装在距离风电叶片根部预设位置处,用于采集叶片的振动信号。
本实施例中,时域特征值是否存在明显异常的判断方法为:
将每只叶片对应的时域特征值与之前的时域特征值进行比较,观察该时域特征值是否存在较大差异。
本实施例中,改变振动信号采集策略包括:
计算当前时域特征值与之前采集的信号时域特征值之间的欧几里得距离,若欧几里得距离大于预设值,则增加采集的频次,即采集间隔时间变小,并计算采集的振动信号特征值进行保存;否则按照原信号采集策略进行信号采集。
本实施例中,步骤3包括:
需要进行两次聚类分析,每次聚类分析的初始点选择不同,而后根据两次聚类分析综合判断叶片的状态。
本实施例中,初始点选择的计算方法为从数据库中随机选取一组计算保存的特征值作为二聚类的一个初始点,计算其余特征值点与初始点之间的欧几里得距离,计算其余特征值点与初始点间的夹角余弦;
选择欧几里得距离最大值点作为二聚类另一个初始点,选择夹角余弦最小值点作为二聚类另一个初始点;以随机选择的初始点和欧几里得距离最大点作为初始点进行一次二聚类分析;以随机选择的初始点和夹角余弦最小值作为初始点进行第二次二聚类分析;当两次聚类分析的聚类收敛后,计算每一次聚类分析的类中心距离;并根据两次二聚类分析的类中心距离综合判断叶片是否出现故障,并实时根据类中心距离判断叶片故障劣化程度。
本实施例中,欧几里得距离的计算公式为:
夹角余弦的计算公式为:
其中,k为两组特征值之间的欧几里得距离,cosθ为两组振动信号的特征值之间的夹角余弦值,xi为一组振动信号的第i类特征值,yi为另一组振动信号的第i类特征值。
本实施例中,类中心距离的计算方法为:
类中心距离的计算方法是指分类之后的聚类中心的欧几里得距离;其中,类中心距离的计算公式为:
其中,p是类中心距离,xi表示聚类之后的每一类的第i个点;n表示聚类之后的每一类的总点数。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于改进k均值聚类分析的风电机组叶片故障诊断方法,其特征在于,包括:
步骤1:利用正常叶片和故障叶片对叶片故障特征进行定性定量分析;
步骤2:根据振动信号采集策略,对叶片振动信号进行采集,求取当前采集到的振动信号的时域特征值并保存在数据库中;若发现该时域特征值存在明显异常,改变采集策略,给信号采集器下达增加采集频率的命令,重新执行步骤2;当时域特征值不存在明显异常时,按照原信号采集策略进行采集;
步骤3:利用改进k均值聚类分析方法对保存在数据库中的时域特征值进行二聚类分析,综合判断叶片是否出现故障。
2.根据权利要求1所述的方法,其特征在于,所述步骤1包括:
获取在故障前后,确定叶片振动信号特征值变化最大的几种特征值类型,并对不同故障前后的几种特征值变化量进行定量分析。
3.根据权利要求2所述的方法,其特征在于,故障前后振动信号特征值变化最大类型分别为:有效值、峰峰值、偏度、峭度和标准差;
叶片已出现故障是指叶片出现结冰、裂纹、分层、起皮发白、撕裂甚至断裂;
综合判断叶片是否出现故障,即两次聚类分析任意一个类中心距离超过限度,即认为叶片出现异常;根据类中心距离判断叶片故障的劣化程度,根据类中心距离是否增加可判断叶片是否在逐渐劣化。
4.根据权利要求1所述的方法,其特征在于,所述振动信号采集策略为定时采集策略,即信号采集器每隔预设时长采集一组振动信号;
对振动信号进行采集,将叶片振动加速度传感器安装在距离风电叶片根部预设位置处,用于采集叶片的振动信号。
5.根据权利要求1所述的方法,其特征在于,所述时域特征值是否存在明显异常的判断方法为:
将每只叶片对应的时域特征值与之前的时域特征值进行比较,观察该时域特征值是否存在较大差异。
6.根据权利要求1所述的方法,其特征在于,改变振动信号采集策略包括:
计算当前时域特征值与之前采集的信号时域特征值之间的欧几里得距离,若欧几里得距离大于预设值,则增加采集的频次,即采集间隔时间变小,并计算采集的振动信号特征值进行保存;否则按照原信号采集策略进行信号采集。
7.根据权利要求1所述的方法,其特征在于,所述步骤3包括:
需要进行两次聚类分析,每次聚类分析的初始点选择不同,而后根据两次聚类分析综合判断叶片的状态。
8.根据权利要求7所述的方法,其特征在于,所述初始点选择的计算方法为从数据库中随机选取一组计算保存的特征值作为二聚类的一个初始点,计算其余特征值点与初始点之间的欧几里得距离,计算其余特征值点与初始点间的夹角余弦;
选择欧几里得距离最大值点作为二聚类另一个初始点,选择夹角余弦最小值点作为二聚类另一个初始点;以随机选择的初始点和欧几里得距离最大点作为初始点进行一次二聚类分析;以随机选择的初始点和夹角余弦最小值作为初始点进行第二次二聚类分析;当两次聚类分析的聚类收敛后,计算每一次聚类分析的类中心距离;并根据两次二聚类分析的类中心距离综合判断叶片是否出现故障,并实时根据类中心距离判断叶片故障劣化程度。
9.根据权利要求8所述的方法,其特征在于,所述欧几里得距离的计算公式为:
所述夹角余弦的计算公式为:
其中,k为两组特征值之间的欧几里得距离,cosθ为两组振动信号的特征值之间的夹角余弦值,xi为一组振动信号的第i类特征值,yi为另一组振动信号的第i类特征值。
10.根据权利要求8所述的方法,其特征在于,所述类中心距离的计算方法为:
类中心距离的计算方法是指分类之后的聚类中心的欧几里得距离;其中,类中心距离的计算公式为:
其中,p是类中心距离,xi表示聚类之后的每一类的第i个点;n表示聚类之后的每一类的总点数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311713966.5A CN117708637A (zh) | 2023-12-13 | 2023-12-13 | 基于改进k均值聚类分析的风电机组叶片故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311713966.5A CN117708637A (zh) | 2023-12-13 | 2023-12-13 | 基于改进k均值聚类分析的风电机组叶片故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117708637A true CN117708637A (zh) | 2024-03-15 |
Family
ID=90147395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311713966.5A Pending CN117708637A (zh) | 2023-12-13 | 2023-12-13 | 基于改进k均值聚类分析的风电机组叶片故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708637A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118094381A (zh) * | 2024-04-24 | 2024-05-28 | 中国水利水电第十四工程局有限公司 | 一种基于概率特征挖掘的风力发电机叶片故障判别方法 |
-
2023
- 2023-12-13 CN CN202311713966.5A patent/CN117708637A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118094381A (zh) * | 2024-04-24 | 2024-05-28 | 中国水利水电第十四工程局有限公司 | 一种基于概率特征挖掘的风力发电机叶片故障判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3105644B1 (en) | Method of identifying anomalies | |
CN110414154B (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
CN117708637A (zh) | 基于改进k均值聚类分析的风电机组叶片故障诊断方法 | |
CN103512651B (zh) | 基于振动突变报警的风电机组状态监测方法及装置 | |
CN105863970A (zh) | 一种风机故障识别方法及装置 | |
CN114215705B (zh) | 风电机组故障预警方法和系统 | |
CN110469496B (zh) | 一种水泵智能预警方法及系统 | |
CN115326147A (zh) | 一种船舶用脱硫塔实时监测方法及系统 | |
CN113177646A (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN114738132B (zh) | 基于实船数据的增压器转速传感器故障诊断方法及系统 | |
CN111795824B (zh) | 机械动力系统故障诊断方法及系统 | |
CN113777351B (zh) | 一种风电场风速传感器故障诊断方法、装置 | |
CN113395182B (zh) | 具有故障预测的智能网络设备管理系统及方法 | |
CN111314110B (zh) | 一种用于分布式系统的故障预警方法 | |
CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
CN110794683A (zh) | 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法 | |
CN111456915A (zh) | 风机机舱内部部件的故障诊断装置及方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN116502043A (zh) | 一种基于孤立森林算法的精轧电机状态分析方法 | |
CN114754899B (zh) | 一种船舶主机扫气箱温度传感器故障诊断方法及系统 | |
CN113487141B (zh) | 一种多源信息聚类融合的轴承状态评估方法 | |
CN116292133B (zh) | 风力发电机组的净空异常检测方法及装置 | |
CN117040137B (zh) | 基于多源数据的环网柜温升预警方法、系统、终端及介质 | |
CN108415401A (zh) | 一种工程车辆检测维修数据管理方法及系统 |
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 |