[发明专利]一种风力发电机组状态预报及智能故障诊断方法及系统

权利要求书

1.一种风力发电机组状态预报及智能故障诊断方法，其特征在于，包括如下步骤：

（1）采集风力发电机组齿轮箱、发电机前后轴承的振动信号及定子三相电流信号；

（2）对采集的信号进行抗混滤波、A/D转换后得到数字信号数据；

（3）对上述数字信号数据进行细化分析，所述细化分析包括频谱计算、加窗频谱、细化谱、包络谱、倒频谱、能量谱，然后经小波包分解、重构变换处理后，获取当前时刻振动信号、电流信号的特征向量；

（4）利用ARMA模型进行预测，得到下一刻的特征向量，获取风力发电机和齿轮箱振动信号趋势图及定子三相电流信号的趋势图；

（5）利用GA-BP神经网络诊断出当前、未来时刻发电机组所属状态，故障所属类型，具体为：将当前时刻的特征向量、下一刻的特征向量及历史时刻的特征向量作为GA-BP神经网络的输入，则GA-BP神经网络输出故障类型。

2.根据权利要求1所述的一种风力发电机组状态预报及智能故障诊断方法，其特征在于，所述步骤（4）利用ARMA模型进行预测，得到下一刻的特征向量，获取风力发电机和齿轮箱振动信号趋势图及定子三相电流信号的趋势图，具体为：

数据处理：当前时刻及历史时刻的特征向量作为ARMA模型的输入，对特征向量进行数据处理，所述数据处理包括归一化、差分等；

模式识别：对处理后的特征向量求解其自相关、偏自相关函数，进一步判断ARMA模型的阶次，采用定阶准则，完成模型的识别；

参数估计：利用矩估计和最小二乘法完成模型参数的估计，所述模型参数包括ARMA模型残量；

模型适用性检验：检验ARMA模型残量是白噪声序列，则适用模型，预测风力发电机和齿轮箱下一时刻的特征向量；

否则返回到模型的识别阶段，重新建立模型。

3.根据权利要求2所述的一种风力发电机组状态预报及智能故障诊断方法，其特征在于，所述定阶准则包括最小信息准则、BIC、最小预报误差准则中的一种。

4.根据权利要求1所述的一种风力发电机组状态预报及智能故障诊断方法，其特征在于，所述步骤（4）中的故障类型具体包括发电机正常、定子匝间短路、转子断条、轴承故障、齿轮箱正常、齿轮磨损、断齿。

5.实现权利要求1-4所述一种风力发电机组状态预报及智能故障诊断方法的系统，其特征在于，包括依次连接的

用于采集风力发电机组齿轮箱、发电机组振动信号及电流信号的风机状态数据采集模块；

用于对采集的信号进行抗混滤波、A/D转换后得到数字信号数据，对数字信号数据进行细化分析，并得到振动信号特征向量，进一步得到趋势图，并对风机发电机组的故障进行诊断的处理器，所述数据采集模块与处理器连接。

6.根据权利要求5所述的系统，其特征在于，所述数据采集模块包括采集风力发电机组齿轮箱及发电机的前、后轴承处振动信号的加速度振动传感器、采集发电机定子电流信号的霍尔电流传感器和采集卡，所述加速度振动传感器、霍尔电流传感器分别与采集卡连接。