[发明专利]一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法

说明书

本发明提供一种基于CEEMDAN‑BNs的风力变桨距系统故障诊断方法，包括：在故障状态的样本时间序列信号中加入白噪声，进行CEEMDAN模态分解，获取多个模态分量信号的IMF和余量信号；选取IMF信号中信噪比高且相关系数大的模态分量，通过希尔伯特变换构建能量特征矩阵；对能量特征矩阵进行区间划分；根据划分后的能量特征矩阵及专家先验知识，构建贝叶斯网络拓扑结构；通过爬山算法搜索出贝叶斯网络的最优网络拓扑结构；训练贝叶斯网络，将待诊断信号输入训练好的贝叶斯网络获得故障诊断结果。本发明结合CEEMDAN算法通过特征提取构建贝叶斯网络，在改善准确性的同时，实现贝叶斯网络结构的简化和对网络训练速度的提升。

技术领域

本发明涉及故障诊断技术领域，具体涉及基于CEEMDAN-BNs的风力变桨距系统故障诊断方法。

背景技术

风力发电机组具有设备庞大，造价极高，结构复杂的特点，且一般处于戈壁荒漠、高原或海上等相对偏远的地区，因此在运行的过程中一旦某个子系统损坏出现故障无法及时进行维修，由此将引发故障程度加重，甚至可能会导致相邻系统发生故障从而造成较大的经济损失，因此风机的故障诊断和状态检测对于日常运行维护十分重要。风力变桨距系统是维持风机安全稳定运行的重要子系统，是风电机组的高频故障部件之一，通过对叶片角度的调整来保证风电机组的安全运行。因此变桨距系统对风力发电机的气动特性和机械特性有着重要的影响，维持稳定有效的变桨距系统对风电机组的可靠性和稳定性尤为重要。

变桨距系统的低转速、随机负载以及复杂运行环境导致系统在故障诊断过程中容易造成数据耦合复杂、微小故障难以发现等问题。而贝叶斯贝叶斯网络适合表达大型工业过程中的复杂因果关系，其对算法的结合能力、模型的更新能力以及可解释性的优点，在解决故障特征和故障征兆的不确定性导致的故障分类不准确的问题具有优势，因此选用贝叶斯网络解决风电机组的复杂故障问题。

贝叶斯网络(Bayesian network，BN)是基于贝叶斯理论的一种模型推理方法，它通过建立因果关系模型，利用观测值更新后验分布，实时性的对结果进行预测。贝叶斯网络具有分类精度较高，不易受冗余信息的影响的优势。建立贝叶斯网络模型，首先必须确定贝叶斯网络结构中每个节点的因果关系。然后通过数据、先验知识确立拓扑结构的条件概率分布，再应用于故障检测和分类中。此方法在故障诊断中，能够有效利用数据特征信息，消除数据耦合性对故障诊断结果准确性的影响。经典的贝叶斯网络通常由专家知识以及机械的系统结构为基础构建贝叶斯网络拓扑结构，但是大型机械系统的贝叶斯网络建立复杂，同时由于网络结构复杂导致贝叶斯网络的条件概率分布获取难度大，对贝叶斯网络在故障诊断中的应用造成限制。

因此，本发明提出了一种新的基于CEEMDAN-BNs的风力变桨距系统故障诊断方法。

发明内容

为解决上述问题，本发明针对真实环境下的变桨距系统故障诊断的准确性和贝叶斯网络结构学习的复杂性，结合CEEMDAN算法(自适应完备噪声经验模态分解算法)通过特征提取构建贝叶斯网络，在改善准确性的同时，实现贝叶斯网络结构的简化和对网络训练速度的提升。

为实现上述目的，本发明提供了如下的技术方案。

一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法，包括以下步骤：

在故障状态的样本时间序列信号中加入白噪声，进行CEEMDAN模态分解，获取多个模态分量信号的IMF和余量信号；

选取IMF信号中信噪比高且相关系数大的模态分量，通过希尔伯特变换对模态分量的瞬时频率和幅值进行计算，构建希尔伯特边际谱，通过希尔伯特边际谱构建能量特征矩阵；

对能量特征矩阵进行区间划分，将连续的特征值空间划分为有限个区域，并形成有限个状态；

根据划分后的能量特征矩阵及专家先验知识，构建贝叶斯网络拓扑结构；通过爬山算法搜索出贝叶斯网络的最优网络拓扑结构；