[发明专利]基于SOM-MQE和SFCM的风电机组健康状态在线监测及故障诊断方法

权利要求书

1.一种基于SOM-MQE和SFCM的风电机组健康状态在线监测及故障诊断方法，其特征在于，包括如下步骤：

步骤一：历史数据清洗：从SCADA系统中获取风电机组的特征参量历史数据，采用局部异常因子LOF算法对提取的特征参量历史数据进行预处理，剔除异常数据点；

步骤二：特征提取：利用偏最小二乘PLS算法对风机运行过程中产生的风速、叶轮转速、有功功率、桨叶的实际值、发电机转速、齿轮箱油温、齿轮箱轴承温度、偏航角度、发电机扭矩、发电机转矩实际值、塔筒加速度、功率因数、环境温度、轮毂温度、机舱温度、轴承的温度特征参量进行特征提取；

步骤三：数据降维：使用基于拉普拉斯特征映射LE降维技术将特征参量数据压缩至三维，经过压缩的数据代表了输入与输出之间的关系；

步骤四：计算健康值：以风机维修后三周的运行数据作为基准状态数据，将自组织映射神经网络SOM算法作为一种映射技术，SOM的输入层是基准状态数据，输出层是经过训练后的输出权重，采用最小量化误差MQE评价标准衡量风电机组健康状态退化程度；

步骤五：设置报警限：选定置信度为99.9％，即0.1％的误报警率，采用核平滑密度估计法设定报警界限；

步骤六：获取故障历史数据：从SCADA系统中获取内风电机组各类故障的历史数据；

步骤七：故障数据处理：采用LOF、PLS和LE算法对故障历史数据进行清洗和降维处理；

步骤八：划分故障类型：采用模糊C均值软聚类SFCM算法对数据的故障类型进行聚类分析并确定聚类中心点，SFCM算法通过将相似度高的数据聚为一类从而完成对风电机组故障类别的划分；

步骤九：实时数据处理：从SCADA系统中实时获取风电机组的特征参量数据，采用LOF和LE算法对数据进行清洗和降维处理；

步骤十：健康度计算：由训练好的SOM-MQE健康评估模型确定机组运行状态；

步骤十一：故障诊断：如若机组健康状态衰退，采用SFCM算法将风电机组运行数据聚为一类并确定聚类中心，通过计算所述聚类中心与各故障类型聚类中心的欧式距离来对故障部件进行定位。

2.根据权利要求1所述的基于SOM-MQE和SFCM的风电机组健康状态在线监测及故障诊断方法，其特征在于：所述步骤一中的预处理过程为：LOF算法通过比较样本对象附近的密度与邻域的密度来判断异常程度，数据点LOF值为：

其中，lrd_k(p)为p邻域局部可达密度，lrd_k(o)为o点局部可达密度，N_k(p)是k邻域距离，表示任何与对象p的距离小于k距离数据的集合。

3.根据权利要求1所述的基于SOM-MQE和SFCM的风电机组健康状态在线监测及故障诊断方法，其特征在于：构造k近邻图，采用热核法对k近邻图的每条边赋值，构造出的图为近邻图G。

4.根据权利要求1所述的基于SOM-MQE和SFCM的风电机组健康状态在线监测及故障诊断方法，其特征在于：使用风电机组基准数据作为SOM算法的输入训练网络，此时在输出层会产生获胜神经元的权值向量W，新输入数据的权值向量Z和基准数据产生的权值向量W之间的距离作为衡量风电机组健康状态的评价指标，距离越大表明风电机组健康衰退现象越严重，反之距离越小表明风电机组此时状态与基准时刻状态越接近。