[发明专利]一种风力发电机组振动故障诊断方法

说明书

技术领域

本发明属于故障诊断技术领域，具体涉及一种风力发电机组振动故障诊断方法。

背景技术

近年来，能源短缺与环境问题日益突出，世界各国对于新能源的发展日益重视，风力发电作为一种可再生清洁能源，在世界各国得到了快速的发展。但是，风力发电机组工作环境恶劣、结构复杂，极易发生各种故障故障。对其进行早期状态检测与故障诊断，能够有效避免事故的发生，减少经济损失。因此，开展风力发电机组故障诊断技术的研究对于促进风电技术的发展意义重大。

风力发电机组故障诊断一般分为四个步骤，分别为信号采集、信号处理与特征提取、故障识别和诊断决策。目前，风力发电机组故障的研究主要集中于在线监测系统的开发、信号的处理与分析、典型故障特征提取、设备故障机理研究、故障诊断方法研究和人工智能应用等几个方面。

在进行风力发电机组故障诊断中，常采用的分析方法有傅里叶变换、奇异值分解、高阶统计量理论、小波变换和经验模态分解等。傅里叶变换只适用于平稳信号的检测与处理，而对于非平稳信号无能为力；奇异值分解只是在时域内对信号进行分析处理，而与频域分析无关；高阶统计量的计算量较大，不太实用；小波变换对于基函数的选择还没有一个基本的标准或通用的方法；经验模态分解能够适用于非平稳、非线性信号的检测与处理，但是其存在端点效应和模态混叠现象，且没有理论基础。因此，这几种方法对于处理非线性、非平稳的振动信号都存在一定的缺点和不足，不能充分凸显信号特征。

随着人工智能技术的发展，为风力发电机组的故障诊断提供了一定的理论支持，如专家系统、模糊诊断方法、神经网络和支持向量机等。专家系统在知识的获取、维护以及推理等方面还不成熟；模糊理论在处理比较复杂的诊断系统时，其隶属度函数和模糊规则很难建立；神经网络需要在大量的训练样本下，才能获得准确的诊断结果，而实际运行中难以获取大量的数据样本；支持向量机具有结构简单、学习速度快、全局最优和泛化性好等优点，在小样本情况下也可以达到较高的诊断精度。

发明内容

本发明的目的是提供一种风力发电机组振动故障诊断方法，解决了现有技术在风力发电机组故障诊断过程中不能有效处理非线性、非平稳振动信号的问题。

本发明所采用的技术方案是，一种风力发电机组振动故障诊断方法，包括以下步骤：

步骤1，采用振动传感器采集风力发电机组振动故障信号；

步骤2，利用变分模态分解方法对振动信号进行分解，得到包含不同频段信息的IMF分量；

步骤3，计算振动信号经变分模态分解得到的各个IMF分量的能量，并经归一化处理，得到该信号的故障特征向量；

步骤4，利用遗传算法优化支持向量机，构建基于遗传算法优化的支持向量机故障诊断模型；

步骤5，将提取的故障特征向量输入到步骤4建立的诊断模型中进行故障的识别与诊断。

上述方法的特点还在于：

步骤2具体包括以下子步骤：

步骤2.1，估计IMF分量频率带宽的目标，

(1)对每个模态函数u_k进行Hibert变换，得到每个模态函数u_k的解析信号；

(2)利用指数修正，将每个模态函数的频谱调制到各自估算的中心频率；

(3)计算以上解调信号的梯度的平方L²范数，估算出各模态函数的带宽，得到其对应的约束变分问题：

式中，u_k＝{u₁,u₂,…u_K}为各模态函数集；w_k＝{w₁,w₂,…w_K}为各模态中心频率；为对函数求时间t的偏导数；δ_t为单位脉冲函数；j为虚数单位；*表示卷积；

步骤2.2，将上述约束变分问题转化为非约束变分问题，引入增广拉格朗日函数L，如下式所示：

式中，α为带宽参数；λ(t)为拉格朗日乘子；

步骤2.3，采用交替方向乘子算法求取式(4)扩展的拉格朗日函数，

(1)初始化n；

(2)执行循环n＝n+1；

(3)对所有的w≥0，更新泛函

更新泛函w_k：

(4)更新λ：

式中，τ为噪声容限参数。