[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

摘要

本发明公开一种基于SOM‑MQE和SFCM的风电机组健康状态在线监测及故障诊断方法，首先根据局部异常因子算法、偏最小二乘法和拉普拉斯特征映射降维技术对获取的实时数据进行处理，提取影响机组健康状况的重要特征参量；其次将这些特征参量输入到SOM‑MQE健康状态评估模型中，计算风电机组健康衰退指数并评估机组的健康状态；最后，利用模糊C均值软聚类算法将状态异常机组运行数据进行聚类分析，确定机组故障类型。本发明可以实时、准确的对风电机组的健康状态进行监测并实现对故障部件的准确定位，检测风电机组状态异常准确度达99.9％左右，为维修人员针对风机的实时运行情况进行相应的检修提供了指导意见。

主权项

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，通过计算该时刻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。