[发明专利]一种风电系统健康监测方法及装置

权利要求书

1.一种风电系统健康监测方法，其特征在于，所述方法包括：

获取风电系统的设备工作时的振动信号；

对所述振动信号应用语谱图和PCA进行预处理；

根据多维模糊聚类网络将经预处理后的数据，分为显著故障数据和微小故障数据；

当数据为所述显著故障数据时，输入DBN-ELM显著故障诊断模型，输出故障诊断结果；

其中，对所述振动信号应用语谱图和PCA进行预处理，包括：

将所述振动信号加窗分帧、短时傅里叶变换得到短时幅度谱估计,计算信号的功率谱函数，生成语谱图；

将所述语谱图进行归一化处理，得到语谱灰度图；

(3)式中，p(n,k)为语谱图，p_max(n,k)，p_min(n,k)分别为语谱图灰度级中的最大值和最小值，最后将语谱图量化成0～255的灰度级图像S(n,k)；

采用Gabor小波对所述语谱灰度图进行处理，所述Gabor小波核函数如下：

(4)式中，μ表示Gabor的核方向；ν表示核尺度；z表示像素点的空间坐标；σ表示高斯函数的半径；k_μ,ν控制高斯窗宽度、震荡波长及方向,；

通过采用分块降采样PCA降维处理：根据复系数Gabor图谱,取幅值后与语谱灰度图S(z)进行卷积，即S_μ,ν＝S(z)*abs(ψ_μ,ν(z))；所有向量化的S_μ,ν依次排列，构成特征矩阵；将所述特征矩阵分块,对每块最大值降采样,再将矩阵化为均值为0、方差为1的正态分布阵,最后作为独立样本进行PCA。

2.如权利要求1所述的一种风电系统健康监测方法，其特征在于，所述方法还包括：

当数据为所述微小故障数据时，输入DBN-CNN组合模型显著故障诊断模型，输出故障诊断结果。

3.如权利要求2所述的一种风电系统健康监测方法，其特征在于，所述DBN-CNN组合模型的诊断过程，包括：

采用DBN-CNN组合模型结合动态分配权值进行组合预测及故障类型的识别，并建立故障库；

当有未知故障发生，组合模型进行故障识别；所述未知故障称为第一故障；

当所述第一故障不属于故障库中的故障类型，且所述第一故障出现多次，将其定义为第二故障，并更新原来的故障库，以实现对未知故障的动态辨识诊断。

4.如权利要求1所述的一种风电系统健康监测方法，其特征在于，所述DBN-ELM显著故障诊断模型的生成过程如下：

获取风电系统的设备工作时的振动信号；

对所述振动信号应用语谱图和PCA进行预处理，作为训练样本；

将所述训练样本输入RBM，通过无监督贪婪训练每一层RBM；

将训练后的RBM组合构建DBN，采用FA优化算法对DBN网络进行微调；

将隐层1之后的网络去除，以极限学习机作为输出层；

第1个隐层到第2隐层以及第2隐层到输出层的权重和偏置由ELM算法确定，生成DBN-ELM显著故障诊断模型。