[发明专利]一种基于熵权法的风机叶片故障预警方法

说明书

本发明涉及风机故障诊断技术领域，公开了一种基于熵权法的风机叶片故障预警方法，包括：建立一数据存储单元；提取待测信号X和参考信号Y，并分别对所述待测信号X和所述参考信号Y进行待测信号特征矩阵A和参考信号特征矩阵B的建立；基于熵权法分别计算A和B中同一位置特征向量的数值；构建预警指标a及门槛值矩阵alfa，并根据预警门槛值a_ij和预警指标a来判断风机叶片是否正常并建立状态表Tab。本发明技术方案的风机叶片故障预警方法规避了采用以神经网络等建立整个风场故障识别模型过程中建立完整的数据集的困难度，提高了风机叶片故障预警的精确度和稳定性。

技术领域

本发明涉及风机故障诊断技术领域，具体而言，涉及一种基于熵权法的风机叶片故障预警方法。

背景技术

风机长期运行在露天的环境中，叶片由于较恶劣的天气环境常常发生腐蚀、开裂等故障，如果不能够及时的将故障排除，不但影响风机的发电效率，长期的运行会造成叶片的故障程度加深，甚至影响叶片的使用寿命，而随着人工智能在工业各方面的渗透，针对叶片的故障诊断涌现出多种智能算法，主要以神经网络等建立整个风场的故障识别模型为主，但是这种算法需要叶片的信号声音库足够完善，故障类型足够多，考虑到实际情况，完整数据集的建立过程困难较大，且这类方法多处于实验室阶段，实际应用案例极少。

发明内容

本发明目的在于提出一种基于熵权法的风机叶片故障预警方法，考虑到一系列实际问题，采用风机叶片正常时的信号，建立不同风速、不同风机的叶片正常时的最大可预警指标的门槛值矩阵。在对风机进行诊断预警时，计算该风机的预警指标值，并通过对比分析该风机的相同风速下的门槛值，来对风机作出是否预警的指示。进一步而言，利用小波变换从风机叶片正常的声音信号中提取能量特征矩阵，并基于熵权法建立故障预警指标的门槛值矩阵，将计算得到的待测风机的预警指标与相对应的门槛值进行比较分析，并改变小波分解的层数重复上述步骤，最后综合分析实现待测风机是否进行故障预警的任务。

本发明提供的技术方案，核心构思是通过待测信号与参考信号计算预警指标，并构建预警指标的门槛值矩阵，最后通过对比分析预警指标及其门槛值的大小综合判断风机叶片是否故障。在本发明的多个具体实施例中所述的方法包括，

步骤1.建立一数据存储单元，所述存储单元定期存储和更新一风机组在无故障情况下提取的所有风机叶片声音信号；所述声音信号包括所述风机组所有的风机处于不同风速情况下发出的声音；提取所述声音信号作为所述风机组中所有风机叶片故障预警时的备用参考信号。

步骤2.从所述风机组某风机中提取待测信号X和参考信号Y，并分别对所述待测信号X和所述参考信号Y进行小波分解并提取各自能量系数特征属性值，各个所述能量系数特征属性值组成能量系数特征属性特征维，进而分别构建待测信号特征矩阵A和参考信号特征矩阵B。

步骤3.分别提取所述待测信号特征矩阵A和所述参考信号特征矩阵B的第n列同一位置的所述能量系数特征属性值，组成m×2的特征矩阵Q且共计K个，其中n＝{1，2，3，……K}，K为所述小波分解的层数，m为所述信号划分的段数；利用熵权法分别计算K个所述特征矩阵Q中第一维和第二维所述能量系数特征维的特征权重值，分别为b_n1和b_n2。

步骤4.构建所述风机组风机叶片故障预警的指标a，用以定量描述叶片的运行状态，公式如下：并由所述风机叶片故障预警指标a构建门槛值矩阵alfa。

步骤5.根据所述待测风机的编号和风速，遍历所述门槛值矩阵alfa，确定所述待测风机的预警门槛值a_ii和所述风机组风机叶片故障预警的指标a，并建立所述风机组中风机叶片状态信息表Tab。

步骤6.调整所述小波分解层数K值大小及其变化次数，并将每次计算结果记录在所述风机组中风机叶片状态信息表Tab中，判断所述风机组中风机的运行状况。