[发明专利]基于D‑S证据融合的风力发电机组故障预测方法

权利要求书

1.基于D-S证据融合的风力发电机组故障预测方法，其特征在于：该方法针对两种信号构造了两个经过参数优化的支持向量机，作为两个证据经过D-S融合之后给出最终的预测故障种类；

该方法通过融合风机在电气和机械两个方面的运行参数，分别构造机器学习算法，然后将两种机器学习算法进行融合，得出对风机状态最终的预测；采用三层小波包分解提取振动和电流的能量特征向量作为SVM的输入，最终通过交叉验证的方式计算出经过D-S融合之后模型的错误率和漏检率，并将本文提出的融合模型与不含权重的属性叠加构造的分类器分别作对比。

2.根据权利要求1所述的基于D-S证据融合的风力发电机组故障预测方法，其特征在于：

一种基于D-S证据融合进行风机故障预测的方法所包含的步骤如下：

第一步，对风场采集的历史数据进行数据清理，去掉与风机状态无关的一些参数，因为历史数据是根据时间顺序记录下来的，大部分情况下风机都处于良好的运行状态，所以为了故障建模之前的数据平衡性，要重点将风机发生故障之前的几个小时的数据保留下来，并将风机的故障种类标示在数据集的后面，便于进行机器学习算法的输入；

第二步，风力发电机在不同工作状态下，发电机的振动信号和电流信号都会表现为极强的非平稳性；小波包分析对信号的时域和频域信息同时进行分析，能够有效对非平稳信号进行特征提取；振动传感器采集发电机轴承x向、y向、45度、135度四个方向的振动信号，电流信号包括A相、B相、C相三相电流值，采样频率50Hz,通过三层小波包分解来分别重构振动能量信号和定子电流频带能量分布，最终分别得到一个32维的振动能量特征向量和一个24维的电流能量特征向量；

第三步，以振动能量特征信号和以电流能量特征信号作为输入，分别构造两个经过参数优化的支持向量机；由于D-S证据融合的输入参数是在所有分类空间上的基本概率赋值，所以要将传统的分类器的硬输出转化为软输出，即将分类器的分类标签输出改为后验概率输出，即分类器在不同分类上的预测概率；

第四步，两个支持向量机的输出作为D-S证据融合的基本概率赋值，通过D-S证据融合公式计算出最终的分类模型对风机的预测状态；实验结果分析采用五折交叉的方式计算出本文方法的错误率和漏检率，同时为了与D-S融合作对比，测试了在不划分特征子空间的情况下，所有属性参与SVM的训练，所有属性的权重均相等，实验结果显示D-S证据融合的的分类准确率和召回率更高。

3.根据权利要求2所述的基于D-S证据融合的风力发电机组故障预测方法，其特征在于：第二步中小波包提取特征向量的步骤如下：

(1)首先对振动能量信号进行三层小波包分解，从而得到第三层从低频到高频8个子频带的小波包分解系数

(2)对小波分解系数进行重构，提取个子频带范围的信号则总信号表示为

(3)计算各子频带信号能量；以表示第3层各节点的重构信号，对应的能量为将S_ij对应频带的能量记为E_ij，则有

式中x_jk(j＝0…7,k＝1,2…n)表示重构信号离散点的振动幅值；

(4)将各个子频带的能量组合成一个向量T,表示为

对这个特征向量进行归一化处理

4.根据权利要求3所述的基于D-S证据融合的风力发电机组故障预测方法，其特征在于：

表1 小波包分解后的归一化频带能量分布

表2 小波包分解后的归一化频带能量分布