[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

说明书

技术领域

本发明涉及趋势预测与故障诊断领域，尤其涉及一种风力发电机组状态预报及智能故障诊断方法及系统。

背景技术

随着全球经济一体化的发展和人口的增长，能源的枯竭和环境的恶化已经成为了人类亟待解决的重要问题，风力发电已经成为解决世界能源问题不可或缺的重要力量，成为最具有商业化发展前景的成熟技术和新兴产业，并且有可能成为世界未来最重要的替代能源。风力发电机是风力发电的主要装置，是风电技术的核心，但伴随风电机组的广泛安装使用，风力发电机组的故障成为一个不容忽视的问题。风力发电机机组主要监测的部件包括齿轮箱，发电机。由于风电机组安装在高山、荒野、海滩、海岛等风口处，受无规律的变向变负荷的风力作用以及强阵风的冲击，常年经受酷暑严寒和极端温差的影响，使得风电机组故障频发。针对风力机组事故发生频繁以及造成的巨额损失，风力机组的状态预报及智能故障诊断系统技术引起了国内外相关人员的极大关注。面对风力机组运行过程中出现的各种故障问题，如何有效降低故障带来的损失，避免重大故障发生是风力机安全可靠、高效运行的重要保证。

状态预报及其智能故障诊断技术可以实现对风力机组重要部件的状态预报，掌握运行过程中的状态信息，及时发现故障隐患和故障类型，采取有效措施避免重大事故的发生，可以有效降低运行维护成本，提高风电的经济效益。

发明内容

本发明为了克服现有技术存在的缺点与不足，提供一种风力发电机组状态预报及智能故障诊断方法及系统。

本发明采用如下技术方案：

一种风力发电机组状态预报及智能故障诊断方法，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神经网络输出是故障类型。

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。

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。

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。

一种风力发电机组状态预报及智能故障诊断系统，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，所述处理器与数据采集模块连接。

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。

本发明的有益效果：

（1）本发明采用ARMA模型预测原理，预报风机的未来趋势图，有利于风电业主合理的安排检修；

（2）本发明的智能化故障诊断手段为遗传算法结合BP神经网络算法，能够及时、快速的诊断出故障类型。

附图说明

图1为本发明的工作流程图；