[发明专利]基于IMM-KEnPF的风机桨距系统故障诊断方法

说明书

本发明公开了基于IMM‑KEnPF的风机桨距系统故障诊断方法，涉及故障诊断技术领域。针对变桨距系统的非线性非高斯的特点引入粒子滤波算法，从准确性和实时性两个方面对其进行了改进。首先引入集合卡尔曼滤波(EnKF)优化PF的建议分布，缓解PF的粒子退化问题，提高PF的估计精度；其次引入KLD采样，根据后验估计分布与真实分布的KLD来自适应的调整所需要采样的粒子数目，提高PF的计算效率和实时性，最后将交互式多模型方法和粒子滤波算法结合，提出了基于IMM‑KEnPF的风机桨距系统故障诊断方法。

技术领域

本发明涉及故障诊断技术领域，特别是涉及基于IMM-KEnPF的风机桨距系统故障诊断方法。

背景技术

风电机组中的变桨距系统是故障常发部件之一，故障会影响风机功率输出的稳定性，并会导致转子、转轴和轴承上的负载不平衡，给风机的安全运行带来隐患。因此，对风机变桨距系统的故障诊断方法进行研究，对于保障风电机组的安全稳定运行具有重要作用。

相对于风电机组的其他子系统，变桨距系统故障诊断方法的研究成果较少。ZhangYoumin最先提出了基于IMM的故障诊断的基本框架，该方法对于系统参数或者结构会发生变化的系统也可以较好地完成自适应估计。胡艳艳等提出了网络化异步IMM融合滤波算法，将未知的故障幅值作为增广的系统状态变量，根据模型概率检测和定位故障，同时得到故障幅值和系统状态的联合估计。王剑等将无迹卡尔曼滤波与交互式多模型相结合，提出了IMM-UKF故障诊断算法。GADSDEN S A等使用时变平滑边界层(VBL)来改进平滑变结构滤波器(SVSF)，并与交互式多模型结合设计出基于IMM-SVVF-VBL的故障诊断算法。但是UKF和SVSF处理非线性的能力有限，诊断性能有待进一步提升。Zhengjiang提出将PF与交互式多模型方法结合，设计出一种适用于强非线性系统的故障诊断方法。但PF中存在的粒子退化和样本匮乏导致的估计精度下降以及计算耗时问题。同时，交互式多模型需要根据所建立的模型集，集成多个滤波器，模型集中的子模型越多所需要的滤波器就越多，计算负荷会急剧增加。

针对以上问题，目前的研究中主要使用群智能算法对粒子后验分布进行优化，但是群智能优化容易陷入局部最优，且寻优迭代过程会耗费许多计算时间，而使用次优滤波器直接优化建议分布改善重要性采样过程则更直观和高效。其中常见的次优滤波器是无迹卡尔曼滤波(UKF)。Merwe等将无迹卡尔曼滤波(Unscented Kalman Filter,UKF)引入粒子滤波，根据最新的观测值通过无迹卡尔曼滤波来预测状态值的变化，以此来优化粒子滤波的建议分布，缓解粒子退化现象。但是UKF中的Sigma点的计算时间会随着维度和粒子增加而急剧增加。Delft G V等设计出一种选取随机点，用来预测状态后验分布作为粒子滤波的建议分布，称作集合粒子滤波(Ensemble Particle Filter,EnPF)，有着更好的处理系统非线性的能力和计算效率。当粒子数量增加时，使用次优滤波器优化粒子滤波的方法同时也增加了算法的计算复杂度，会严重影响算法的实时性，如何在提高粒子滤波算法估计精度的同时从算法层面提高算法的实时性仍是一个研究难题。

发明内容

本发明提供的基于IMM-KEnPF的风机桨距系统故障诊断方法，可以解决现有技术中存在的问题。

本发明提供了基于IMM-KEnPF的风机桨距系统故障诊断方法，包括以下步骤：

步骤1，输入交互；风机变桨距系统的多种故障模型构成故障模型集，故障模型集中的故障模型之间随机跳变切换，前一时刻的故障模型到下一时刻的故障模型之间的切换服从故障模型转移概率；基于交互式多模型IMM，利用上一时刻的各故障模型概率和故障模型转移概率计算故障模型之间的交互概率，再使用交互概率融合各粒子滤波器的上一时刻的滤波信息，得到各故障模型在上一时刻初始的估计交互值和对应的误差协方差矩阵；