[发明专利]一种反馈寻优的风机叶片故障监测方法

说明书

一种反馈寻优的风机叶片故障监测方法，包括以下步骤：步骤一：构建风机叶片状态监测的数据集；步骤二：构建支持向量机模型来分割风机叶片数据的特征空间；步骤三：对支持向量机模型参数进行优化求解；步骤四：对支持向量机模型进行评估。本发明的目的是为了解决现有的风机叶片故障监测方法考虑因素单一，单一因素与风机叶片的故障不一定具有绝对的相关性，这样造成无法有效的对风机叶片故障进行准确监测的技术问题，而且风机叶片故障问题复杂，现有算法迭代次数多、计算量大，且算法容易陷入局部最优解，不能很好的满足风机叶片故障监测的需求。

技术领域

本发明属于风力发电技术领域，尤其涉及一种融合支持向量机、粒子群算法等技术的用于风机叶片故障监测的方法。

背景技术

在当前加快调整优化产业结构，能源结构，大力发展新能源的背景下，我国的风电装机量正在节节增高。风力发电在运行的过程中不会产生温室气体，不会对生态环境造成破坏，是我国大力发展的新能源产业。目前，及时可靠地发现风机叶片的故障是电厂运维人员的一个重要工作。

支持向量机SVM(Support Vector Machine)可以在高维特征空间下解决非线性的分割问题，粒子群算法是一种仿生的优化算法，通过对模拟鸟类的觅食过程，建立数学模型，该算法全局搜索能力强。

目前在风机叶片故障监测上的主要研究如下：

刘晓波等提出的一种基于小波包分析的风机叶片裂纹故障诊断，该方法需要通过传感器监测叶片的振动信号，通过对振动信号进行小波包分解，重构分析每个信号频域的特征变化，来检测风机叶片裂纹故障。

电子科技大学研究人员提出的一种基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法,该诊断方法首先采用主成分分析对原始风力发电机叶片根部采集到的光纤载荷信号进行降维处理,然后采用多层深度卷积自编码器进行无监督地特征提取,得到具有故障信息的特征向量,之后将特征向量输入到XGBoost中进行特征学习和分类,最终实现风力发电机叶片故障智能检测。

黎少辉等通过分析气动信号和风机叶片故障的关系，认为叶片的裂纹会导致气动信号的部分频带发生变化。Car M等人通过装载LiDAR的无人机对风机叶片进行检测。Joshuva A等人通过对风机叶片的振动信号建立决策树对风机叶片故障进行启发式检测。

以上研究只考虑了单一因素，单一因素和风机叶片的故障不一定具有绝对的相关性，同时，风机叶片故障问题复杂，现有的算法迭代次数多，计算量大，算法容易陷入局部最优解。

发明内容

本发明的目的是为了解决现有的风机叶片故障监测方法考虑因素单一，单一因素与风机叶片的故障不一定具有绝对的相关性，这样造成无法有效的对风机叶片故障进行准确监测的技术问题，而且风机叶片故障问题复杂，现有算法迭代次数多、计算量大，且算法容易陷入局部最优解，不能很好的满足风机叶片故障监测的需求。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于改进学习因子粒子群算法优化的支持向量机风机叶片故障监测方法，包括以下步骤：

步骤一：构建风机叶片状态监测的数据集；

步骤二：构建支持向量机模型来分割风机叶片数据的特征空间；

步骤三：对支持向量机模型参数进行优化求解；

步骤四：对支持向量机模型进行评估。

在步骤一中，数据集由D个样本(X_i,Y_i)够成，其中X_i∈Rⁿ，Y_i∈{-1，+1}，其中，采集风机叶片的运行数据作为特征向量X_i，同时采集风机运行状态标签Y(正常为+1，故障为-1))，并且对每一个特征进行标准化。