專利名稱：一種風力發(fā)電機組狀態(tài)預(yù)報及智能故障診斷方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及趨勢預(yù)測與故障診斷領(lǐng)域，尤其涉及一種風力發(fā)電機組狀態(tài)預(yù)報及智能故障診斷方法及系統(tǒng)。
背景技術(shù)：
隨著全球經(jīng)濟一體化的發(fā)展和人口的增長，能源的枯竭和環(huán)境的惡化已經(jīng)成為了人類亟待解決的重要問題，風力發(fā)電已經(jīng)成為解決世界能源問題不可或缺的重要力量，成為最具有商業(yè)化發(fā)展前景的成熟技術(shù)和新興產(chǎn)業(yè)，并且有可能成為世界未來最重要的替代能源。風力發(fā)電機是風力發(fā)電的主要裝置，是風電技術(shù)的核心，但伴隨風電機組的廣泛安裝使用，風力發(fā)電機組的故障成為一個不容忽視的問題。風力發(fā)電機機組主要監(jiān)測的部件包括齒輪箱，發(fā)電機。由于風電機組安裝在高山、荒野、海灘、海島等風口處，受無規(guī)律的變向變負荷的風力作用以及強陣風的沖擊，常年經(jīng)受酷暑嚴寒和極端溫差的影響，使得風電機組故障頻發(fā)。針對風力機組事故發(fā)生頻繁以及造成的巨額損失，風力機組的狀態(tài)預(yù)報及智能故障診斷系統(tǒng)技術(shù)引起了國內(nèi)外相關(guān)人員的極大關(guān)注。面對風力機組運行過程中出現(xiàn)的各種故障問題，如何有效降低故障帶來的損失，避免重大故障發(fā)生是風力機安全可靠、高效運行的重要保證。狀態(tài)預(yù)報及其智能故障診斷技術(shù)可以實現(xiàn)對風力機組重要部件的狀態(tài)預(yù)報，掌握運行過程中的狀態(tài)信息，及時發(fā)現(xiàn)故障隱患和故障類型，采取有效措施避免重大事故的發(fā)生，可以有效降低運行維護成本，提高風電的經(jīng)濟效益。

發(fā)明內(nèi)容
本發(fā)明為了克服現(xiàn)有技術(shù)存在的缺點與不足，提供一種風力發(fā)電機組狀態(tài)預(yù)報及智能故障診斷方法及系統(tǒng)。本發(fā)明采用如下技術(shù)方案:一種風力發(fā)電機組狀態(tài)預(yù)報及智能故障診斷方法，包括如下步驟:(I)采集風力發(fā)電機組齒輪箱、發(fā)電機前后軸承的振動信號及定子三相電流信號;(2)對采集的信號進行抗混濾波、A/D轉(zhuǎn)換后得到數(shù)字信號數(shù)據(jù)；(3)對上述數(shù)字信號數(shù)據(jù)進行細化分析，所述細化分析包括頻譜計算、加窗頻譜、細化譜、包絡(luò)譜、倒頻譜、能量譜，然后經(jīng)小波包分解、重構(gòu)變換處理后，獲取當前時刻振動信號、電流信號的特征向量；(4)利用ARMA模型進行預(yù)測，得到下一刻的特征向量，獲取風力發(fā)電機和齒輪箱振動信號趨勢圖及定子三相電流信號的趨勢圖；(5)利用GA-BP神經(jīng)網(wǎng)絡(luò)診斷出當前、未來時刻發(fā)電機組所屬狀態(tài)，故障所屬類型，具體為:將當前時刻的特征向量、下一刻的特征向量及歷史時刻的特征向量作為GA-BP神經(jīng)網(wǎng)絡(luò)的輸入，則GA-BP神經(jīng)網(wǎng)絡(luò)輸出是故障類型。
所述步驟(4)利用ARMA模型進行預(yù)測，得到下一刻的特征向量，獲取風力發(fā)電機和齒輪箱振動信號趨勢圖及定子三相電流信號的趨勢圖，具體為:數(shù)據(jù)處理:當前時刻及歷史時刻的特征向量作為ARMA模型的輸入，對特征向量進行數(shù)據(jù)處理，所述數(shù)據(jù)處理包括歸一化、差分等；模式識別:對處理后的特征向量求解其自相關(guān)、偏自相關(guān)函數(shù)，進一步判斷ARMA模型的階次，采用定階準則，完成模型的識別；參數(shù)估計:利用矩估計和最小二乘法完成模型參數(shù)的估計，所述模型參數(shù)包括ARMA模型殘量；模型適用性檢驗:檢驗ARMA模型殘量是白噪聲序列，則適用模型，預(yù)測風力發(fā)電機和齒輪箱下一時刻的特征向量；否則返回到模型的識別階段，重新建立模型。所述定階準則包括最小信息準則、BIC、最小預(yù)報誤差準則中的一種。所述步驟(4)中的故障類型具體包括發(fā)電機正常、定子匝間短路、轉(zhuǎn)子斷條、軸承故障、齒輪箱正常、齒輪磨損、斷齒。一種風力發(fā)電機組狀態(tài)預(yù)報及智能故障診斷系統(tǒng)，包括依次連接的用于采集風力發(fā)電機組齒輪箱、發(fā)電機組振動信號及電流信號的風機狀態(tài)數(shù)據(jù)采集模塊；用于對采集的信號進行抗混濾波、A/D轉(zhuǎn)換后得到數(shù)字信號數(shù)據(jù)，對數(shù)字信號數(shù)據(jù)進行細化分析，并得到振動信號特征向量，進一步得到趨勢圖，并對風機發(fā)電機組的故障進行診斷的處理器，所述處理器與數(shù)據(jù)采集模塊連接。所述數(shù)據(jù)采集模塊包括采集風力發(fā)電機組齒輪箱及發(fā)電機的前、后軸承處振動信號的加速度振動傳感器、采集發(fā)電機定子電流信號的霍爾電流傳感器和采集卡，所述加速度振動傳感器、霍爾電流傳感器分別與采集卡連接。本發(fā)明的有益效果:(I)本發(fā)明采用ARMA模型預(yù)測原理，預(yù)報風機的未來趨勢圖，有利于風電業(yè)主合理的安排檢修；(2)本發(fā)明的智能化故障診斷手段為遺傳算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法，能夠及時、快速的診斷出故障類型。


圖1為本發(fā)明的工作流程圖；圖2為圖1中ARMA模型構(gòu)建流程圖；圖3為圖1中GA-BP神經(jīng)網(wǎng)絡(luò)流程圖
具體實施例方式下面結(jié)合實施例及附圖，對本發(fā)明作進一步地詳細說明，但本發(fā)明的實施方式不限于此。如圖1所示，一種風力發(fā)電機組狀態(tài)預(yù)報及智能故障診斷方法，包括如下步驟:(I)采集風力發(fā)電機組齒輪箱、發(fā)電機前后軸承的振動信號及定子三相電流信號;(2)對采集的信號進行抗混濾波、A/D轉(zhuǎn)換后得到數(shù)字信號數(shù)據(jù)；(3)對上述數(shù)字信號數(shù)據(jù)進行細化分析，所述細化分析包括頻譜計算、加窗頻譜、細化譜、包絡(luò)譜、倒頻譜、能量譜，然后經(jīng)小波包分解、重構(gòu)變換處理后，獲取當前時刻振動信號、電流信號的特征向量；(4)利用ARMA模型進行預(yù)測，得到下一刻的特征向量，獲取風力發(fā)電機和齒輪箱振動信號趨勢圖及定子三相電流信號的趨勢圖；(5)利用GA-BP神經(jīng)網(wǎng)絡(luò)故障系統(tǒng)診斷當前、未來時刻發(fā)電機組所屬狀態(tài)，故障所屬類型，具體為:將當前時刻的特征向量、下一刻的特征向量及歷史時刻的特征向量作為GA-BP神經(jīng)網(wǎng)絡(luò)的輸入，則GA-BP神經(jīng)網(wǎng)絡(luò)輸出是故障類型。如圖2所示，利用ARMA模型進行預(yù)測，得到下一刻的特征向量，獲取風力發(fā)電機和齒輪箱振動信號趨勢圖及定子三相電流信號的趨勢圖，具體為:數(shù)據(jù)處理:當前時刻及歷史時刻的特征向量作為ARMA模型的輸入，對特征向量進行數(shù)據(jù)處理，所述數(shù)據(jù)處理包括歸一化、差分等；模式識別:對處理后的特征向量求解其自相關(guān)、偏自相關(guān)函數(shù)，進一步判斷ARMA模型的階次，采用定階準則，完成模型的識別；參數(shù)估計:模型參數(shù)估計一般分兩步完成:先用矩估計或逆函數(shù)法粗估計，再用粗估計的值作為疊代初值進行最小二乘法精估計，所述模型參數(shù)包括ARMA模型殘量；模型適用性檢驗:檢驗ARMA模型殘量是白噪聲序列，則適用模型，當輸入歷史數(shù)據(jù)(歷史時刻的振動信號，電流信號的特征向量)及當前時刻的特征向量，經(jīng)過ARMA模型，得到預(yù)測風力發(fā)電機和齒輪箱下一時刻的特征向量；否則返回到模型的識別階段，重新建立模型。如圖3所示，GA-BP神經(jīng)網(wǎng)絡(luò)故障系統(tǒng)主要是由GA-BP神經(jīng)網(wǎng)絡(luò)構(gòu)成，采用遺傳算法和BP算法相結(jié)合的改進算法來訓練網(wǎng)絡(luò)，即GA-BP網(wǎng)絡(luò)。具體步驟如下:(I)根據(jù)經(jīng)驗確定神經(jīng)網(wǎng)絡(luò)各連接權(quán)的頒布范圍，然后根據(jù)問題所要求的精度確定各權(quán)值的編碼長度，為對網(wǎng)絡(luò)權(quán)值進行編碼作好準備；(2)隨機產(chǎn)生一組分布，采用某種編碼方案對該組的每一個權(quán)值、閾值進行編碼，進而構(gòu)造出一個個碼鏈，在網(wǎng)絡(luò)結(jié)構(gòu)和學習規(guī)則已定的前提下，該碼鏈就對應(yīng)一個權(quán)值和閾值取得定值的一個神經(jīng)網(wǎng)絡(luò)；(3)對所產(chǎn)生的神經(jīng)網(wǎng)絡(luò)計算它的誤差函數(shù)，從而確定其適應(yīng)度函數(shù)值；(4)根據(jù)個體的適應(yīng)度函數(shù)值，淘汰適應(yīng)度差的個體，保留部分適應(yīng)度高的個體，并在這部分個體中進行交叉、變異等遺傳操作；(5)保留下來的部分最優(yōu)個體和交叉變異后產(chǎn)生的個體成為新一代的群體；(6)反復(fù)進行(3)、(4)、(5)項操作，使初始確定的一組權(quán)值分布得到不斷的進化，每進行一次謂之群體進化了一代，直到達到最大周期；(7)從進化后的群體中選擇η個可能具有全局性的進化解，選擇時要注意避免相似個體；(8)分別以這些進化解為初始解，用BP神經(jīng)網(wǎng)絡(luò)求解；
(9)比較η個BP神經(jīng)網(wǎng)絡(luò)求得的最優(yōu)解，從而獲得整個的最優(yōu)解。BP神經(jīng)網(wǎng)絡(luò)憑借自身簡單、可塑的優(yōu)點，成為目前神經(jīng)網(wǎng)絡(luò)故障診斷領(lǐng)域使用最廣泛的方法，但由于BP算法是采用基于梯度的方法，收斂速度慢，常受局部極小點的困擾。前人的實踐結(jié)果表明這個問題給故障的準確定位帶來一定的影響，為了解決這一問題，引入遺傳算法，將遺傳算法和BP算法相結(jié)合，取長補短，相互補充，用于神經(jīng)網(wǎng)絡(luò)模型的訓練學習。遺傳算法對全局的搜索具有較強的魯棒性和較高的效率，但不適合候選解的精調(diào)，難以確定他們的準確位置。因此，采用遺傳算法和BP算法相結(jié)合的改進算法，通過利用遺傳算法的全局收斂性和BP算法的局部快速搜索性，先使用遺傳算法不斷優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值，直到平均值不再有意義的增加為止，此時解碼得到的參數(shù)組合已經(jīng)充分接近最佳參數(shù)組合，在此基礎(chǔ)上再利用BP算法進行細調(diào)。所述GA-BP神經(jīng)網(wǎng)絡(luò)是通過大量的正常狀態(tài)、各種故障時的特征向量作為遺傳算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)的輸入，建立三層神經(jīng)網(wǎng)絡(luò)，通過遺傳算法獲得較優(yōu)的BP神經(jīng)網(wǎng)絡(luò)權(quán)值與閾值并設(shè)置神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)來訓練神經(jīng)網(wǎng)絡(luò)，訓練BP神經(jīng)網(wǎng)絡(luò)之前要確定已有故障的類型，已有故障的類型是通過上述各種圖譜分析、故障數(shù)據(jù)庫、知識庫及其經(jīng)驗進行故障類型確定，當任意時刻輸入一組發(fā)電機或者齒輪箱的現(xiàn)在時刻或者未來時刻的特征量，可以判斷此時風力發(fā)電機組所屬狀態(tài)，故障所屬類型，即實現(xiàn)狀態(tài)預(yù)報及智能故障診斷；所述故障類型具體包括發(fā)電機正常、定子匝間短路、轉(zhuǎn)子斷條、軸承故障、齒輪箱正常、齒輪磨損、斷齒。一種風力發(fā)電機組狀態(tài)預(yù)報及智能故障診斷系統(tǒng)，包括依次連接的用于采集風力發(fā)電機組齒輪箱、發(fā)電機組振動信號及電流信號的風機狀態(tài)數(shù)據(jù)采集模塊；用于對采集的信號進行抗混濾波、A/D轉(zhuǎn)換后得到數(shù)字信號數(shù)據(jù)，對數(shù)字信號數(shù)據(jù)進行細化分析，并得到振動信號特征向量，進一步得到趨勢圖，并對風機發(fā)電機組的故障進行診斷的處理器。所述數(shù)據(jù)采集模塊包括采集風力發(fā)電機組齒輪箱及發(fā)電機的前、后軸承處振動信號的加速度振動傳感器、采集發(fā)電機定子電流信號的霍爾電流傳感器和采集卡，所述加速度振動傳感器、霍爾電流傳感器分別與采集卡連接。上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受所述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護范圍之內(nèi)。
權(quán)利要求
1.一種風力發(fā)電機組狀態(tài)預(yù)報及智能故障診斷方法，其特征在于，包括如下步驟: (1)采集風力發(fā)電機組齒輪箱、發(fā)電機前后軸承的振動信號及定子三相電流信號； (2)對采集的信號進行抗混濾波、A/D轉(zhuǎn)換后得到數(shù)字信號數(shù)據(jù)； (3)對上述數(shù)字信號數(shù)據(jù)進行細化分析，所述細化分析包括頻譜計算、加窗頻譜、細化譜、包絡(luò)譜、倒頻譜、能量譜，然后經(jīng)小波包分解、重構(gòu)變換處理后，獲取當前時刻振動信號、電流信號的特征向量； (4)利用ARMA模型進行預(yù)測，得到下一刻的特征向量，獲取風力發(fā)電機和齒輪箱振動信號趨勢圖及定子三相電流信號的趨勢圖； (5)利用GA-BP神經(jīng)網(wǎng)絡(luò)診斷出當前、未來時刻發(fā)電機組所屬狀態(tài)，故障所屬類型，具體為:將當前時刻的特征向量、下一刻的特征向量及歷史時刻的特征向量作為GA-BP神經(jīng)網(wǎng)絡(luò)的輸入，則GA-BP神經(jīng)網(wǎng)絡(luò)輸出故障類型。
2.根據(jù)權(quán)利要求1所述的一種風力發(fā)電機組狀態(tài)預(yù)報及智能故障診斷方法，其特征在于，所述步驟(4)利用ARMA模型進行預(yù)測，得到下一刻的特征向量，獲取風力發(fā)電機和齒輪箱振動信號趨勢圖及定子三相電流信號的趨勢圖，具體為: 數(shù)據(jù)處理:當前時刻及歷史時刻的特征向量作為ARMA模型的輸入，對特征向量進行數(shù)據(jù)處理，所述數(shù)據(jù)處理包括歸一化、差分等； 模式識別:對處理后的特征向量求解其自相關(guān)、偏自相關(guān)函數(shù)，進一步判斷ARMA模型的階次，采用定階準則，完成模型的識別； 參數(shù)估計:利用矩估計和最小二乘法完成模型參數(shù)的估計，所述模型參數(shù)包括ARMA模型殘量; 模型適用性檢驗:檢驗ARMA模型殘量是白噪聲序列，則適用模型，預(yù)測風力發(fā)電機和齒輪箱下一時刻的特征向量； 否則返回到模型的識別階段，重新建立模型。
3.根據(jù)權(quán)利要求2所述的一種風力發(fā)電機組狀態(tài)預(yù)報及智能故障診斷方法，其特征在于，所述定階準則包括最小信息準則、BIC、最小預(yù)報誤差準則中的一種。
4.根據(jù)權(quán)利要求1所述的一種風力發(fā)電機組狀態(tài)預(yù)報及智能故障診斷方法，其特征在于，所述步驟(4)中的故障類型具體包括發(fā)電機正常、定子匝間短路、轉(zhuǎn)子斷條、軸承故障、齒輪箱正常、齒輪磨損、斷齒。
5.實現(xiàn)權(quán)利要求1-4所述一種風力發(fā)電機組狀態(tài)預(yù)報及智能故障診斷方法的系統(tǒng)，其特征在于，包括依次連接的 用于采集風力發(fā)電機組齒輪箱、發(fā)電機組振動信號及電流信號的風機狀態(tài)數(shù)據(jù)采集模塊； 用于對采集的信號進行抗混濾波、A/D轉(zhuǎn)換后得到數(shù)字信號數(shù)據(jù)，對數(shù)字信號數(shù)據(jù)進行細化分析，并得到振動信號特征向量，進一步得到趨勢圖，并對風機發(fā)電機組的故障進行診斷的處理器，所述數(shù)據(jù)采集模塊與處理器連接。
6.根據(jù)權(quán)利要求5所述的系統(tǒng)，其特征在于，所述數(shù)據(jù)采集模塊包括采集風力發(fā)電機組齒輪箱及發(fā)電機的前、后軸承處振動信號的加速度振動傳感器、采集發(fā)電機定子電流信號的霍爾電流傳感器和采集卡，所述加速度振動傳感器、霍爾電流傳感器分別與采集卡連接。
全文摘要
本發(fā)明公開了一種風力發(fā)電機組狀態(tài)預(yù)報及智能故障診斷方法及系統(tǒng)，包括如下步驟通過加速度振動傳感器、霍爾電流傳感器采集齒輪箱、發(fā)電機的振動信號及發(fā)電機的定子電流信號，通過對信號的預(yù)處理、細化分析，各種圖譜分析、小波包分解與重構(gòu)變換，提取特征向量，作為ARMA預(yù)測模型的輸入，得到風機未來狀態(tài)的特征向量，經(jīng)GA-BP神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)，最終確定風機的所處的狀態(tài)是否正常，所屬故障類型。本發(fā)明采用ARMA預(yù)測模型、GA-BP神經(jīng)網(wǎng)絡(luò)故障診斷，能預(yù)報風力機組未來狀態(tài)，并能及時、快速的診斷出故障類型，有利于風電業(yè)主合理的安排檢修。
文檔編號G01R31/34GK103176128SQ20131010610
公開日2013年6月26日 申請日期2013年3月28日 優(yōu)先權(quán)日2013年3月28日
發(fā)明者曾君, 吳建軍, 楊俊華, 楊金明 申請人:華南理工大學