專利名稱：基于多傳感器信號(hào)融合技術(shù)的風(fēng)電機(jī)組葉片故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明屬于在線監(jiān)測(cè)和故障診斷技術(shù)領(lǐng)域，尤其是一種基于多傳感器信號(hào)融合技術(shù)的風(fēng)電機(jī)組葉片故障診斷的方法。
背景技術(shù)：
近年來，由于資源的短缺和環(huán)境的惡化使世界各國(guó)開始重視開發(fā)和利用可再生且無(wú)排放的能源。風(fēng)力資源作為一種綠色、環(huán)保的資源，已越來越得到人們的重視。在全球范圍內(nèi)，大量的風(fēng)電機(jī)組的投產(chǎn)使得風(fēng)電機(jī)組的安全穩(wěn)定運(yùn)行引起人們的高度關(guān)注。由于風(fēng)電機(jī)組長(zhǎng)期工作在野外、暴曬和雷雨等惡劣環(huán)境中，風(fēng)場(chǎng)風(fēng)況復(fù)雜多變，極易引發(fā)各種故障，因此，風(fēng)電機(jī)組的在線監(jiān)測(cè)和故障診斷已經(jīng)成為必不可少的環(huán)節(jié)。風(fēng)電機(jī)組的葉片故障類型包括葉片質(zhì)量不平衡故障、葉片氣動(dòng)不平衡、偏航和斷葉片等，由于風(fēng)電機(jī)組葉片價(jià)格 昂貴，損壞后維護(hù)困難，因此對(duì)葉片的狀態(tài)監(jiān)測(cè)和故障診斷顯得尤為重要。在葉片故障出現(xiàn)的初期及時(shí)發(fā)現(xiàn)故障，在問題惡化影響機(jī)組運(yùn)行之前及時(shí)處理，可以大大降低葉片維護(hù)、保養(yǎng)費(fèi)用和難度。在風(fēng)電機(jī)組葉片故障診斷的過程中，處理的數(shù)據(jù)都是通過傳感器采集得到的。由于診斷對(duì)象運(yùn)行工況復(fù)雜，影響因素眾多，同一種故障往往有不同的表現(xiàn)，同一種癥狀又常常是幾種故障共同作用的結(jié)果，嚴(yán)格說來，檢測(cè)量與故障特征之間，故障特征與故障源之間都是一種非線性映射，僅依靠單個(gè)傳感器得到的故障特征量一般無(wú)法有效地完成故障診斷，解決上述問題的有效手段之一就采用多傳感器信號(hào)融合技術(shù)。信息融合的方式一般在傳感器層、特征層和決策層，經(jīng)常使用的是在決策層進(jìn)行融合。決策層的信息融合技術(shù)是把兩種或更多的分類器進(jìn)行集成，采用一定的融合算法進(jìn)行診斷?，F(xiàn)有的融合算法主要有貝葉斯方法、D-S證據(jù)推理法和模糊積分法。貝葉斯方法需要先驗(yàn)信息，這種先驗(yàn)信息在實(shí)際應(yīng)用中往往難以獲得；且要求決策集合的元素相互獨(dú)立，該要求太苛刻。D-S證據(jù)推理法案要求所使用的證據(jù)必須相互獨(dú)立，一般難以滿足，另外，還會(huì)出現(xiàn)組合爆炸，事件沖突等。模糊集可以很好地描述不確定現(xiàn)象，因此基于模糊積分理論的融合方法是應(yīng)用最為廣泛的一種工具。模糊積分是一種基于模糊密度的非線性決策融合方法，積分過程不僅綜合各分類器的分類結(jié)果，還考慮各分類器的重要程度，將模糊積分應(yīng)用于故障診斷，可以達(dá)到準(zhǔn)確定位故障。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種簡(jiǎn)單易行、成本低、能夠有效提高風(fēng)電機(jī)組葉片安全、可靠性的基于多傳感器信號(hào)融合技術(shù)的風(fēng)電機(jī)組葉片故障診斷方法。本發(fā)明米用的技術(shù)方案為一種基于多傳感器信號(hào)融合技術(shù)的風(fēng)電機(jī)組葉片故障診斷方法，在風(fēng)電機(jī)組上安裝多傳感器，通過采用多傳感器解決由于傳感器不足而帶來的故障信息欠缺問題，采用分類器對(duì)每個(gè)傳感器采集的信息進(jìn)行初步診斷，確定待診斷故障隸屬于不同故障的可能性，在充分考慮各個(gè)分類器與不同故障類型的關(guān)聯(lián)程度的基礎(chǔ)上，采用模糊積分融合方法進(jìn)行決策融合診斷，其診斷方法的具體步驟為(I)通過安裝在風(fēng)電機(jī)組主軸座水平方向和垂直方向的加速度傳感器測(cè)量葉片在正常和典型故障類型下的振動(dòng)信號(hào)，每個(gè)加速度傳感器對(duì)應(yīng)一個(gè)分類器；(2)利用經(jīng)驗(yàn)?zāi)B(tài)分解分別對(duì)采集的水平方向和垂直方向上的振動(dòng)信號(hào)進(jìn)行分解，將不同的故障特征 反應(yīng)到不同的本征模函數(shù)；(3)計(jì)算前若干個(gè)本征模函數(shù)的能量，形成反應(yīng)故障的特征信息，對(duì)所提取的故障特征信息歸一化處理，得到故障特征向量，作為訓(xùn)練樣本和測(cè)試樣本；(4)利用水平方向和垂直方向上的訓(xùn)練樣本和測(cè)試樣本分別對(duì)兩個(gè)分類器進(jìn)行訓(xùn)練和測(cè)試；
toon] (5)確定模糊密度和模糊測(cè)度;g} = IjCiviBri = Unj = i,2,…t，gj表示第i個(gè)分類器的第j個(gè)信息的模糊密度，t是故障類型的個(gè)數(shù)，C是分類器的個(gè)數(shù)；令Y= Iy1,y2，一y。}為C個(gè)分類器構(gòu)成的集合，Ai= {yi，y2，…yj，利用每個(gè)分類器在測(cè)試中對(duì)各個(gè)故障的正確識(shí)別率作為該分類器對(duì)各故障類型的關(guān)聯(lián)程度，即模糊密度，然后根據(jù)模糊密度確定模糊測(cè)度；(6)將實(shí)測(cè)振動(dòng)信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解并提取故障特征向量，利用分類器分別進(jìn)行初級(jí)故障診斷，得到的結(jié)果為Pj = (PjG1)，Pj (y2)，…Pj(y。))，其中Pj(Yi)表示分類器把待診斷的實(shí)例分為第j類的可能性；(7)利用Choquet模糊積分做融合算子對(duì)初級(jí)故障診斷結(jié)果進(jìn)行融合處理來確定風(fēng)電機(jī)組葉片的故障類型；根據(jù)式= 2f=1Cgj(A)-Bj(A^1)) - Pj(y.J計(jì)算出模糊積分值ej, ej為綜合診斷出的故障可能性指標(biāo),則形成故障可能指標(biāo)集E = {e1； e2,…et},根據(jù)其判斷故障類型，E中最大值所對(duì)應(yīng)的類別即為該實(shí)例的故障類型。作為優(yōu)選，所述步驟(5)模糊測(cè)度的具體計(jì)算方式為根據(jù)式I—λ尸nf=1〔i— h ^ )確定λ J，然后根據(jù)式A(A1) =SjGyJ)和式A(Ai)=gj ({yj) +gj (Ah) + λ jgj ({yi}) gj (Ah) , i = I, 2,…c,求取模糊測(cè)度 gj (Ai) ； λ』是一個(gè)中間變量。作為優(yōu)選，所述步驟(6)中，支持向量機(jī)輸出的似然概率作為初級(jí)診斷中待診斷故障隸屬于某種故障的可能性，將其作為初級(jí)故障診斷的結(jié)果，似然概率計(jì)算如下
{-^ Ifj(I)I < IP, Cyi) = j I - exp (In(ι)))
11IfiCOl > I式中是第i個(gè)分類器中第j個(gè)支持向量機(jī)的輸出；Pj(yi)表示第i個(gè)分類器中第j個(gè)故障的似然概率，似然概率計(jì)算是針對(duì)正標(biāo)識(shí)樣本類進(jìn)行的；當(dāng)A(i)>0時(shí)，樣本被分到正標(biāo)識(shí)類的隸屬度為Pj(Yi) Cpj(Yi) > O. 5);當(dāng)fj(i)〈0時(shí),樣本被分到正標(biāo)識(shí)類的隸屬度為Pj(Yi) (Pj (Yi) <0.5) ； ε為任意小的正整數(shù)。有益效果1、本發(fā)明采用基于經(jīng)驗(yàn)?zāi)B(tài)分解提取故障特征向量，可以提高故障的分辨率。2、本發(fā)明采用模糊積分融合技術(shù)不僅綜合各分類器的分類結(jié)果，還考慮到了各分類器的重要程度，有效提高了系統(tǒng)診斷的準(zhǔn)確性。3、本發(fā)明可以準(zhǔn)確地進(jìn)行風(fēng)電機(jī)組葉片故障定位，縮短維護(hù)查找時(shí)間，提高維修維護(hù)的效率。4、本發(fā)明簡(jiǎn)單易行、診斷成本低、是一種能夠有效提高風(fēng)電機(jī)組葉片安全、可靠性的風(fēng)電機(jī)組葉片故障診斷方法。


圖I為本發(fā)明中基于多傳感器信號(hào)融合技術(shù)的風(fēng)電機(jī)組葉片故障診斷的方框圖；圖2為本發(fā)明中風(fēng)電機(jī)組示意圖；圖3為本發(fā)明中經(jīng)驗(yàn)?zāi)B(tài)分解方框圖；圖4為本發(fā)明中基于經(jīng)驗(yàn)?zāi)B(tài)分解的故障特征向量提取的方框圖。
具體實(shí)施例方式下面結(jié)合附圖和具體實(shí)施方式
對(duì)本發(fā)明做進(jìn)一步說明。如圖I所示，一種基于多傳感器信號(hào)融合技術(shù)的風(fēng)電機(jī)組葉片故障診斷方法，在風(fēng)電機(jī)組上安裝多傳感器，通過采用多傳感器來解決由于傳感器不足而帶來的故障信息欠缺問題，采用分類器對(duì)每個(gè)傳感器采集的信息進(jìn)行初步診斷，確定待診斷故障隸屬于不同故障的可能性，在充分考慮各個(gè)分類器與不同故障類型的關(guān)聯(lián)程度的基礎(chǔ)上，采用模糊積分融合方法進(jìn)行決策融合診斷，具體步驟如下(I)如圖2所示，風(fēng)電機(jī)組的風(fēng)輪I與主軸連接，主軸安裝在主軸座2內(nèi)，主軸通過聯(lián)軸器3與發(fā)電機(jī)4連接，通過安裝在風(fēng)電機(jī)組主軸座2水平方向和垂直方向的兩個(gè)加速度傳感器測(cè)量葉片在正常和典型故障類型下的振動(dòng)信號(hào)，每個(gè)加速度傳感器對(duì)應(yīng)一個(gè)分類器。(2)利用經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)分別對(duì)采集的水平方向和垂直方向上的振動(dòng)信號(hào)進(jìn)行分解，將不同的故障特征反應(yīng)到不同的本征模函數(shù)(IMF)。經(jīng)驗(yàn)?zāi)B(tài)分解是一種處理非平穩(wěn)、非線性信號(hào)的方法。該方法將信號(hào)序列分解為多個(gè)不同頻段的本征模函數(shù)(MF)和一個(gè)殘余量之和，能很好地突出信號(hào)的局部特征，其計(jì)算過程如圖3所示。在經(jīng)過系列的計(jì)算后，原信號(hào)x(t)可以分解如下
權(quán)利要求
1.一種基于多傳感器信號(hào)融合技術(shù)的風(fēng)電機(jī)組葉片故障診斷方法，其特征在于在風(fēng)電機(jī)組上安裝多傳感器，采用分類器對(duì)每個(gè)傳感器采集的信息進(jìn)行初步診斷，確定待診斷故障隸屬于不同故障的可能性，在充分考慮各個(gè)分類器與不同故障類型的關(guān)聯(lián)程度的基礎(chǔ)上，采用模糊積分融合方法進(jìn)行決策融合診斷，其診斷方法的具體步驟為 (1)通過安裝在風(fēng)電機(jī)組主軸座水平方向和垂直方向的加速度傳感器測(cè)量葉片在正常和典型故障類型下的振動(dòng)信號(hào)，每個(gè)加速度傳感器對(duì)應(yīng)一個(gè)分類器； (2)利用經(jīng)驗(yàn)?zāi)B(tài)分解分別對(duì)采集的水平方向和垂直方向上的振動(dòng)信號(hào)進(jìn)行分解，將不同的故障特征反應(yīng)到不同的本征模函數(shù)； (3)計(jì)算前若干個(gè)本征模函數(shù)的能量，形成反應(yīng)故障的特征信息，對(duì)所提取的故障特征信息歸一化處理，得到故障特征向量，作為訓(xùn)練樣本和測(cè)試樣本； (4)利用水平方向和垂直方向上的訓(xùn)練樣本和測(cè)試樣本分別對(duì)兩個(gè)分類器進(jìn)行訓(xùn)練和測(cè)試; (5)確定模糊密度和模糊測(cè)度；g|= gjC{FiB4 = IA--C,] = :1,2,…I:，gj表示第i個(gè)分類器的第j個(gè)信息的模糊密度，t是故障類型的個(gè)數(shù)，c是分類器的個(gè)數(shù)；令Y = {y1； y2，…y。}為c個(gè)分類器構(gòu)成的集合，Ai = {yi，y2，…yj，利用每個(gè)分類器在測(cè)試中對(duì)各個(gè)故障的正確識(shí)別率作為該分類器對(duì)各故障類型的關(guān)聯(lián)程度，即模糊密度，然后根據(jù)模糊密度確定模糊測(cè)度； (6)將實(shí)測(cè)振動(dòng)信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解并提取故障特征向量，利用分類器分別進(jìn)行初級(jí)故障診斷，得到的結(jié)果為P」=(PjG1), Pj (y2) …Pj(y。))，其中Pj(Yi)表示分類器把待診斷的實(shí)例分為第j類的可能性； (7)利用Choquet模糊積分做融合算子對(duì)初級(jí)故障診斷結(jié)果進(jìn)行融合處理來確定風(fēng)電機(jī)組葉片的故障類型；根據(jù)式= Σ·=1 Cgj(A)-SjCAi-J) ' Pi(Fi)計(jì)算出模糊積分值e」，ej為綜合診斷出的故障可能性指標(biāo)，則形成故障可能指標(biāo)集E= {e1； e2,…et}，根據(jù)其判斷故障類型，E中最大值所對(duì)應(yīng)的類別即為該實(shí)例的故障類型。
2.根據(jù)權(quán)利要求I所述的基于多傳感器信號(hào)融合技術(shù)的風(fēng)電機(jī)組葉片故障診斷方法，其特征在于所述步驟(5)模糊測(cè)度的具體計(jì)算方式為 根據(jù)式
3.根據(jù)權(quán)利要求I所述的基于多傳感器信號(hào)融合技術(shù)的風(fēng)電機(jī)組葉片故障診斷方法，其特征在于所述步驟(6)中，支持向量機(jī)輸出的似然概率作為初級(jí)診斷中待診斷故障隸屬于某種故障的可能性，將其作為初級(jí)故障診斷的結(jié)果，似然概率計(jì)算如下
全文摘要
本發(fā)明公開了基于多傳感器信號(hào)融合技術(shù)的風(fēng)電機(jī)組葉片故障診斷方法，通過采用多傳感器來解決由于傳感器不足而帶來的故障信息欠缺等問題，對(duì)每個(gè)傳感器采集的信息各用一個(gè)獨(dú)立的分類器進(jìn)行初步診斷，確定待診斷故障隸屬于不同故障的可能性，在充分考慮每個(gè)分類器輸出信息的重要程度的基礎(chǔ)上，采用模糊積分融合技術(shù)進(jìn)行決策融合診斷。本發(fā)明不僅綜合各分類器的分類結(jié)果，還考慮各分類器的重要程度，有效地提高了風(fēng)電機(jī)組葉片故障診斷的準(zhǔn)確性。
文檔編號(hào)G01M13/00GK102944416SQ201210519318
公開日2013年2月27日 申請(qǐng)日期2012年12月6日 優(yōu)先權(quán)日2012年12月6日
發(fā)明者張建忠, 杭俊 申請(qǐng)人:南京匹瑞電氣科技有限公司