基于经验模态分解的风电机组叶轮不平衡监测方法技术

一种经验模态分解的风电机组叶轮监测方法，包括如下步骤：1)数据采集过程，风电机组并网发电时，采集发电机定子相电流iA和转速r；2)对采集的相电流iA进行EMD分解，选取包含故障特征的主要成分，即第1个IMF分量，记为IMF(1)；3)对主要成分IMF(1)进行Hilbert包络解调，提取故障特征，谱信号为if；4)提取if中叶轮转速1倍频及倍频处幅值Q1、Q2和Q3，若其值均大于对应的阈值，则判断不平衡故障存在。本发明专利技术提高了监测的准确度，在双馈机组的浆叶不平衡检测中具有一定的工程应用价值。

Unbalance monitoring method for wind turbine impeller based on empirical mode decomposition

An empirical mode decomposition of the wind turbine impeller monitoring method, including the following steps: 1) the data acquisition process, when the wind turbine grid connected power generation, the generator stator phase current iA and speed r; 2) the acquisition of phase current iA EMD decomposition, select the main component containing the fault characteristics, that is, first IMF components, recorded as IMF (1). 3) the main component IMF (1) is demodulated by Hilbert envelope, the fault feature is extracted, the spectral signal is if; 4) the 1 frequency doubling of the impeller speed and the amplitude of the frequency multiplier Q1, Q2 and Q3 in the if are extracted, and the unbalanced fault exists if the value is greater than the corresponding threshold. The invention improves the accuracy of monitoring, and has certain engineering application value in the unbalance detection of the double fed units.

【技术实现步骤摘要】
基于经验模态分解的风电机组叶轮不平衡监测方法
本专利技术属于风电机组的在线故障诊断
，涉及一种经验模态分解的风电机组叶轮故障监测方法。
技术介绍
风电机组的运行环境通常都比较恶劣，叶片更会因风沙、结冰等造成质量不平衡，特别是近年来海上风电机组和低风速机型的推广应用，使得叶片越来越长，叶片断裂、结冰积雪的也现象越来越多。使得传动系统不平衡，造成整机的振动加剧，严重时甚至导致事故的发生。考虑到不同叶片的差异性、故障机理的复杂性，难以建立较准确地诊断模型。并且机组运行工况随时变化、周围环境也实时变化，使得采集信号中噪声非常大，必须采取有效的降噪方法。目前风力发电机组浆叶故障的监测可通过视频分析、振动监测、电信息等手段，但是这些方法大都需要增加设备，不仅成本大，而且可靠性不高、适应性较差。近年来各研究机构及风机制造商也对浆叶故障问题进行了相关研究，以及公布了一些专利。如“叶轮不平衡故障的双馈风力发电机定子电流诊断方法”，该方法对特征分量的提取需经二次求导重构定子电流和二次FFT运算，处理过程复杂。又如“一种双馈风力发电机叶片不平衡在线故障诊断方法”，是对电功率进行处理，需要采集电压和电流量，并且这些方法理论上可行，但工程上面对不同地域的风场、不同厂家的叶片、不同的风机运行工况，适应性较差。
技术实现思路
基于上述问题，本专利技术提出了一种经验模态分解的风电机组叶轮故障监测方法，该方法无需增加额外的设备，实现简单，浆叶故障特征的提取方便。本专利技术的技术方案是这样实现的：一种经验模态分解的风电机组叶轮故障监测方法，包括如下步骤：1)数据采集过程，风电机组并网发电时，采集发电机定子相电流iA和转速r；2)对采集的相电流iA进行EMD分解，选取包含故障特征的主要成分，即第1个IMF分量，记为IMF(1)；3)对主要成分IMF(1)进行Hilbert包络解调，提取故障特征，谱信号为if；4)提取if中叶轮转速1倍频及倍频处幅值Q1、Q2和Q3，若其值均大于对应的阈值，则判断不平衡故障存在；进一步，所述步骤3)中，对分解后得到的IMF(1)信号进行Hilbert变换，得到解调后的包络信号，并作去均值处理，得到iC，对包络信号iC进行FFT变换得到包络谱if；所述步骤4)中，从包络谱if中提取叶轮转速的1倍频、2倍频和3倍频的幅值Q1、Q2和Q3；判断Q1、Q2、Q3与相应阈值的大小，若满足Q1>Q1_base、Q2>Q2_base和Q3>Q3_base,则判定不平衡存在，其中Q1_base、Q2_base、Q3_base由统计数据得出。本专利技术中，风电机组并网发电时，同步采集发电机的定子相电流iA和发电机转速r。进一步对定子相电流iA进行EMD分解，提取主要成分。对上述中得到的大量iA数据，做EMD分解，得到各IMF量，从信号处理的角度看，EMD处理是一个不断从高频滤波到低频滤波的运算，体现了多分辨分析的滤波过程，具体方法如下：查找信号iA全部的极大值和极小值点，之后采用三次样条函数把iA的极大值点拟合在成u0，极小值点拟合成v0，并计算u0和v0的均值，记为m0用iA减去均值m0，得到一个去掉低频的新分量：h0＝iA-m0(3)重复上述过程k次，一直到第k次的h0是IMF分量，记为IMF(1)。取新分量iA1＝iA-IMF(1)，重复上述过程[0010]-[0014]，从而可以确定其他IMF，最终得到余项r0和n各IMF(1)、IMF(2)、…、IMF(n)，包含了不同时间尺度的成分。上述IMF分量的特征是：极值点和过零点数相同或最多相差一个，以及上下包络关于时间轴局部对称。并且统计分析中叶轮故障的特征主要集中在IMF(1)中，因此选其为主要成分进行后续分析。对处理后的定子相电流信号IMF(1)进行Hilbert变换，得到解调后的包络信号，并作去均值处理，得到iC，方法如下；Z(t)＝IMF(1)+jiA1(t)上述中iA1(t)是IMF(1)的希尔伯特变换输出值，两者一起构成解析信号Z(t)。A(t)是信号Z(t)的幅值包络，对其进一步做均值处理，得到iC。对上述中的包络信号iC进行FFT变换，得到谱信号if，并根据发电机转速r计算叶轮转频f(k)，k＝1、2、3。式中r为转速平均值，b为齿轮箱速比。根据前述的计算，提取各转频处的幅值Q1、Q2、Q3。判断提取的特征幅值的大小，若满足Q1>Q1_base、Q2>Q2_base和Q3>Q3_base，则诊断出叶轮发生故障。上述判断中各阈值Q1_base、Q2_base、Q3_base，根据机组安装调试完成后，机组采集数据的统计分析得出。本专利技术具有以下技术效果：本专利技术涉及的信息的提取无需增加新的设备，数据可直接从机组获取，硬件成本较低。因机组工况、风向、风速的实时变化，本专利技术采用EMD分解的方式对信号进行降噪处理。能够快速的对风电机组进行诊断，方法简单易行，快速有效，特征值明显，可用于在线监测诊断。附图说明图1为本专利技术流程图。图2为叶轮正常时发电机定子A相电流和转速曲线。图3为叶轮正常时定子电流IMF(1)时域图。图4为叶轮正常时定子电流IMF(1)幅值包络图。图5为叶轮正常时定子电流特征提取图。图6为叶轮发生不平衡故障时定子电流IMF(1)时域图。图7为叶轮发生不平衡故障时定子电流IMF(1)幅值包络图。图8叶轮发生不平衡故障时定子电流特征提取图。具体实施方式下面结合附图和具体实例，对本专利技术进行详细的描述。应当强调的是，以下实例仅是说明性的，而不是为了限制本专利技术的限制及应用。参照图1～图8，一种经验模态分解的风电机组叶轮故障监测方法，包括如下步骤：1)数据采集过程，风电机组并网发电时，采集发电机定子相电流iA和转速r；2)对采集的相电流iA进行EMD分解，选取包含故障特征的主要成分，即第1个IMF分量，记为IMF(1)；3)对主要成分IMF(1)进行Hilbert包络解调，提取故障特征，谱信号为if；4)提取if中叶轮转速1倍频及倍频处幅值Q1、Q2和Q3，若其值均大于对应的阈值，则判断不平衡故障存在；进一步，所述步骤3)中，对分解后得到的IMF(1)信号进行Hilbert变换，得到解调后的包络信号，并作去均值处理，得到iC，对包络信号iC进行FFT变换得到包络谱if；所述步骤4)中，从包络谱if中提取叶轮转速的1倍频、2倍频和3倍频的幅值Q1、Q2和Q3；判断Q1、Q2、Q3与相应阈值的大小，若满足Q1>Q1_base、Q2>Q2_base和Q3>Q3_base,则判定不平衡存在，其中Q1_base、Q2_base、Q3_base由统计数据得出。在叶轮发生不平衡故障时，会在定子电流中有呈现，如以质量不平衡为例进行介绍。此时风力机输出的扭矩会产生波动分量，该行为特征传递到发电机侧就是在定子单相电流中产生叶轮1倍转频及其倍频的分量。从上式中，可以看到不平衡时会在定子电流中产生f1±kfm次的谐波分量(k＝1、2、3)。风电机组并网发电时，同步采集发电机的定子相电流iA和发电机转速r。进一步对定子相电流iA进行EMD分解，提取主要成分。对步骤1中本文档来自技高网...

【技术保护点】
1.一种经验模态分解的风电机组叶轮监测方法，其特征在于，包括如下步骤：1)数据采集过程，风电机组并网发电时，采集发电机定子相电流iA和转速r；2)对采集的相电流iA进行EMD分解，选取包含故障特征的主要成分，即第1个IMF分量，记为IMF(1)；3)对主要成分IMF(1)进行Hilbert包络解调，提取故障特征，谱信号为if；4)提取if中叶轮转速1倍频及倍频处幅值Q1、Q2和Q3，若其值均大于对应的阈值，则判断不平衡故障存在。

【技术特征摘要】
1.一种经验模态分解的风电机组叶轮监测方法，其特征在于，包括如下步骤：1)数据采集过程，风电机组并网发电时，采集发电机定子相电流iA和转速r；2)对采集的相电流iA进行EMD分解，选取包含故障特征的主要成分，即第1个IMF分量，记为IMF(1)；3)对主要成分IMF(1)进行Hilbert包络解调，提取故障特征，谱信号为if；4)提取if中叶轮转速1倍频及倍频处幅值Q1、Q2和Q3，若其值均大于对应的阈值，则判断不平衡故障存在。2.如权利要求1所述的一种经验模态分解的风电机组叶轮故障监测方法，...

【专利技术属性】
技术研发人员：邱纪星，许国东，韩小良，杨靖，芦亮，李旭锋，
申请(专利权)人：浙江运达风电股份有限公司，
类型：发明
国别省市：浙江,33