[发明专利]一种基于改进的隐马尔可夫模型的变桨轴承故障识别方法

说明书

本发明考虑到除了已知的故障之外，在风电机组运行过程中未被考虑的未知故障也极有可能发生，公开了一种基于改进的隐马尔可夫模型的风力发电机组变桨轴承故障识别方法，包括离线建模和在线识别，在离线建模步骤中基于隐马尔可夫模型定义了一个阈值统计量，用于未知故障的识别。本发明通过引入一种新的阈值统计量，对风力发电机组变桨轴承故障进行在线识别时，可以极大程度的降低将其他未知故障误识为变桨轴承故障的概率。因此与其它现有的方法相比，由于充分考虑了数据的时序性以及未知故障的发生，本发明方法对于风力发电机组变桨轴承故障识别具有更高的准确率。

技术领域

本发明属于风力发电领域，特别涉及一种基于改进的隐马尔可夫模型的变桨轴承故障识别方法。

背景技术

变桨轴承作为现代大型变速恒频风力发电机组控制系统的核心部件之一，对机组的安全稳定运行起着重要作用。然而，由于风速的随机性和不确定性，且变桨轴承在轮毂中随着叶片旋转而工作，恶劣运行环境使其成为风电机组中故障率较高的部件之一，一旦变桨轴承出现故障或异常，很可能导致如叶片断裂、风机倒塌等风电机组严重事故的发生。此外，变桨轴承本身在线监测参数众多，且运行参数又与风电机组复杂的运行工况密切相关，使得准确地实现变桨轴承状态的在线监测十分困难。因此，合理、准确地识别变桨轴承的异常运行状态，对有效避免其故障及连锁故障的发生，提高风电机组状态评估水平，实现风电机组高效可靠的并网运行具有重要的现实意义。

风电机组功率和转速变化随机性大，而且变桨轴承为低速旋转或不完全旋转，这两个因素限制了振动分析法用于风电机组变桨轴承状态辨识的效果。由于变桨轴承多采用润滑脂润滑或润滑脂和润滑油液混合润滑，难以采用在线监测的方法；离线分析时，也难以保证采集到的样品参与了润滑工作，因此油液监测方法用于风机变桨轴承状态辨识的效果也难以保证。因此近年来，基于监控系统SCADA数据的变桨轴承故障监测方法慢慢发展起来。

但目前的基于变桨轴承故障监测方法，在建模阶段假设风电机组运行过程中所有故障已知，但是随着风力发电技术的迅猛发展，风电机组越发大型化和复杂化，其运行过程中可能发生之前未出现过的故障，如果对此不加以考虑，对变桨轴承故障的正确识别十分不利。

发明内容

本发明的目的在于针对实现变桨轴承状态的在线监测十分困难的问题，提供一种基于改进的隐马尔可夫模型的风力发电机组变桨轴承故障识别方法，考虑到除了已知的故障之外，在风电机组运行过程中未被考虑的未知故障也极有可能发生，需要额外的关注。因此，基于隐马尔可夫模型定义了一个阈值统计量，用于未知故障的识别。本发明通过引入一种新的阈值统计量，对风力发电机组变桨轴承故障进行在线识别时，可以极大程度的降低误报率。本方法对于风力发电机组变桨轴承故障识别具有更高的准确率。

为了实现上述目的，提成本发明的技术方案：一种基于改进的隐马尔可夫模型的风力发电机组变桨轴承故障识别方法，该方法的步骤如下：

步骤1：离线建模，采集训练样本集数据，用采集到的训练集数据训练隐马尔可夫模型；

步骤2：利用训练好的隐马尔可夫模型计算用于识别未知故障的阈值；

步骤3：在线识别，对于在线采集的测试数据，作为监测样本，计算测试数据后验概率方差；

步骤4：将计算测试数据后验概率方差与阈值进行比较，判断变桨轴承故障类型。

所述步骤1离线建模过程包括以下步骤：

步骤101：假设风电机组运行过程中采集的监测数据构成X＝[x₁，x₂，L，x_n]^T∈R^n×m，其中m表示监控变量的个数，n表示样本个数，x_i∈R^m，i＝1，i表示第i个样本，i＝1，L，n；