一种风电机组变桨距系统故障诊断方法技术方案

本发明专利技术公开了一种风电机组变桨距系统故障诊断方法，该方法包括如下步骤：获取风电机组运行过程中的基础数据；将获取的基础数据输入预先建立的故障诊断模型中进行诊断，输出预测结果；故障诊断模型通过如下按步骤搭建：2‑1)收集风电机组运行过程中的历史基础数据；2‑2)利用KPCA算法对历史采样数据进行降维处理；2‑3)构建基于最小二乘支持向量机的故障诊断初始模型；2‑4)利用遗传算法支持向量机的参数进行优化，得到故障诊断模型；该风电机组变桨距系统故障诊断方法提高了对风电机组变桨距系统故障诊断的速度和精度。

A Fault Diagnosis Method for Wind Turbine Variable Pitch System

The invention discloses a fault diagnosis method for variable pitch system of wind turbines, which comprises the following steps: acquiring basic data during the operation of wind turbines; inputting the acquired basic data into a pre-established fault diagnosis model for diagnosis and outputting the prediction results; and building a fault diagnosis model by following steps: 2 1) collecting the calendar of the operation process of wind turbines. History-based data; Speed and accuracy.

【技术实现步骤摘要】
一种风电机组变桨距系统故障诊断方法
本专利技术涉及风电故障诊断
，特别涉及一种风电机组变桨距系统故障诊断方法。
技术介绍
风力发电机组结构的复杂性、运行条件的严酷性和相关因素的多样性导致其故障率不断增长，变桨距系统作为风力发电机组的核心控制技术之一，其故障已成为目前整个机组停机的首要原因。如何降低风力发电机组变桨距系统故障率和故障停机时间，降低运维成本，提高发电率和经济效益，已成为风力发电投资、建设、运营维护必须尽快解决的问题。目前，故障诊断研究方向主要集中在对风电机组的叶片、主轴承、发电机、风机塔架、齿轮箱以及变频器等部分的故障诊断，对变桨距系统故障诊断的研究相对较少，且相应的专家经验尚且不足。传统的故障诊断方法依据机组在运行状态下的传感器信号来对已掌握的故障类型进行模式识别并借助神经网络或支持向量机对故障做出诊断，然而神经网络易陷入局部最小问题，会出现过适应现象。另一方面，支持向量机的参数优化则决定了收敛精度和预测准度，现有的支持向量机模型的参数优化算法收敛速度较差，极大地影响了故障诊断的精度和速度。
技术实现思路
本专利技术的目的是提供一种风电机组变桨距系统故障诊断方法。为此，本专利技术技术方案如下：一种风电机组变桨距系统故障诊断方法，包括按顺序进行的下列步骤：1)获取风电机组运行过程中的基础数据，该基础数据包括n个指标；2)将步骤1)中获取的基础数据输入预先建立的故障诊断模型中进行诊断，输出预测结果，该故障诊断模型通过如下步骤进行搭建：2-1)收集风电机组运行过程中的历史基础数据，并对历史基础数据进行归一化处理；2-2)利用KPCA算法对历史采样数据进行降维处理,得到故障诊断模型的训练样本数据，并从训练样本数据中抽取一部分数据作为测试样本；2-3)构建基于最小二乘支持向量机的故障诊断初始模型；2-4)利用遗传算法对步骤2-3)中对最小二乘支持向量机的参数进行优化，得到故障诊断模型；3)将步骤2)中的预测结果输入专家系统进行分析，从而得到故障诊断结果。进一步的，所述的步骤2-1)中对历史基础数据进行归一化处理的方法为：xmin为变量数据的最小值，xmax为变量数据的最大值，xi为变量的第i个数据，x′i为变量归一化后的数据。进一步的，所述步骤2-2)中利用KPCA算法对历史采样数据进行降维处理时，包括如下步骤：2-21)将所获得的包括n个指标的基础数据的原始样本数据组成一个m×n维的矩阵,其中，m为每个指标的样品数；2-22)引入非线性映射函数Φ，使输入空间的M个样本点由xk(k＝1,2,…,M)变为特征空间F中的样本点Φ(x1),Φ(x2),...Φ(xM)，特征空间F中的协方差矩阵可表示为：2-23)计算协方差矩阵的特征值和特征向量；2-24)选择与前k个最大特征值对应的特征向量，并通过前k个特征向量构建转换矩阵W，其中，k为新的特征子空间的维度；2-25)将原始样本数据通过转换矩阵W映射到维度为d的空间上。进一步的，所述的步骤2-3)中基于最小二乘支持向量机的故障诊断初始模型为：其中，xi为输入，yi为输出，ξi为松弛变量，C为惩罚因子，l为训练样本总数，w为系数，b为偏移项。进一步的，所述的步骤2-4)中对最小二乘支持向量机的参数进行优化时，包括如下步骤：2-41)初始化设置，将最小二乘支持向量机的参数看作一个群体P(t)，设置进化代数次数t的初始值为0，设置最大进化代数为T，随机生成M个个体作为初始群体P(0)；2-42)计算群体P(t)中每个个体的适应度，进行个体评价；2-43)分别将选择算子、交叉算子和变异算子先后作用于群体P(t)，群体P(t)经选择、交叉、变异运算之后得到下一代群体P(t+1)；2-44)判断迭代次数t是否小于最大进化代数T，若判断结果为“是”，则返回步骤2-42)，若判断结果为“否”，则停止迭代，并将最终的群体值作为最小二乘支持向量机的最优参数值。进一步的，所述的步骤3)中将预测结果输入专家系统进行分析时，包括如下步骤：Ⅰ)将预测结果送入到故障信息库保存并同时推送至专家系统的推理机；Ⅱ)推理机对故障信息库的输出进行推理分析，反复匹配知识库中的规则，从而得到相应的故障原因；Ⅲ)将故障原因送入到专家系统的解释器中，根据推理的路线和结论给出相应的解释并呈现在专家系统的人机交互界面上，使用户可以清楚的看到推理过程。与现有技术相比，该风电机组变桨距系统故障诊断方法具有如下优势：1、采用KPCA算法对输入数据进行降维，不但减少了最小二乘向量机故障诊断模型需要输入的参数，而且有效地降低了运算复杂度，提高了模型的运算速度和精度。2、采用遗传优化算法对故障诊断模型进行优化，相对于其他传统寻优的方法具计算时间少，鲁棒性高的优点，很好地优化了支持向量机的性能参数，有效地提高了模型的计算精度和速度。3、借助专家系统对预测结果做出诊断，让工作人员直观地了解故障原因，为快速有效地解决故障提供支持，从而保证风电机组能够安全可靠、稳定地运行。附图说明图1为搭建故障诊断模型的流程图。图2为利用遗传算法优化最小二乘支持向量机参数的流程图。具体实施方式下面结合附图及具体实施例对本专利技术做进一步的说明，但下述实施例绝非对本专利技术有任何限制。一种风电机组变桨距系统故障诊断方法，如图1所示，包括按顺序进行的下列步骤：1)获取风电机组运行过程中的基础数据，该基础数据包括n个包含风速、桨距角、电机转速、功率、叶轮转速的SCADA数据指标；2)将步骤1)中获取的基础数据输入预先建立的故障诊断模型中进行诊断，输出预测结果，该故障诊断模型通过如下步骤进行搭建：2-1)收集风电机组运行过程中的历史基础数据，并对历史基础数据进行归一化处理，归一化处理的方法如公式(1)所示：其中，xmin为变量数据的最小值，xmax为变量数据的最大值，xi为变量的第i个数据，x′i为变量归一化后的数据。2-2)利用KPCA算法对历史采样数据进行降维处理,得到故障诊断模型的训练样本数据，并从训练样本数据中抽取一部分数据作为测试样本；降维处理时，包括如下步骤：2-21)将所获得的包括n个指标的基础数据的原始样本数据组成一个m×n维的矩阵,其中，m为每个指标的样品数；2-22)引入非线性映射函数Φ，使输入空间的M个样本点由xk(k＝1,2,…,M)变为特征空间F中的样本点Φ(x1),Φ(x2),...Φ(xM)，特征空间F中的协方差矩阵可表示为：2-23)计算协方差矩阵的特征值和特征向量，该协方差矩阵进行特征分解，即：λ与υ代表特征向量的特征值和特征向量,式中，所有对应于λ≠0的特征向量υ都处于Φ(x1),Φ(x2),...Φ(xM)所张成的空间中。进而有：特征向量由数据集线性表示，则ν可以由Φ(xi)(i＝1,2,…,M)线性表示，即：把(6)式带入(5)式，得到：2-24)选择与前k个最大特征值对应的特征向量，并通过前k个特征向量构建转换矩阵W，其中，k为新的特征子空间的维度；定义M×M矩阵K：K(xi·xj)＝Φ(xi)·Φ(xj)(8)(6)式可简化为MλKα＝K2α(9)即可获得要求的特征值和特征向量。公式(8)中，α为α1,α2,…,αM的列向量；如果用λ1≥λ2≥…≥λM表示矩阵K的特征值，那么相应的α1,α2,…,αM就是矩本文档来自技高网...

【技术保护点】
1.一种风电机组变桨距系统故障诊断方法，其特征在于，包括按顺序进行的下列步骤：1)获取风电机组运行过程中的基础数据，该基础数据包括n个指标；2)将步骤1)中获取的基础数据输入预先建立的故障诊断模型中进行诊断，输出预测结果，该故障诊断模型通过如下步骤进行搭建：2‑1)收集风电机组运行过程中的历史基础数据，并对历史基础数据进行归一化处理；2‑2)利用KPCA算法对历史采样数据进行降维处理,得到故障诊断模型的训练样本数据，并从训练样本数据中抽取一部分数据作为测试样本；2‑3)构建基于最小二乘支持向量机的故障诊断初始模型；2‑4)利用遗传算法对步骤2‑3)中对最小二乘支持向量机的参数进行优化，得到故障诊断模型；3)将步骤2)中的预测结果输入专家系统进行分析，从而得到故障诊断结果。

【技术特征摘要】
1.一种风电机组变桨距系统故障诊断方法，其特征在于，包括按顺序进行的下列步骤：1)获取风电机组运行过程中的基础数据，该基础数据包括n个指标；2)将步骤1)中获取的基础数据输入预先建立的故障诊断模型中进行诊断，输出预测结果，该故障诊断模型通过如下步骤进行搭建：2-1)收集风电机组运行过程中的历史基础数据，并对历史基础数据进行归一化处理；2-2)利用KPCA算法对历史采样数据进行降维处理,得到故障诊断模型的训练样本数据，并从训练样本数据中抽取一部分数据作为测试样本；2-3)构建基于最小二乘支持向量机的故障诊断初始模型；2-4)利用遗传算法对步骤2-3)中对最小二乘支持向量机的参数进行优化，得到故障诊断模型；3)将步骤2)中的预测结果输入专家系统进行分析，从而得到故障诊断结果。2.根据权利要求1所述的风电机组变桨距系统故障诊断方法，其特征在于，所述的步骤2-1)中对历史基础数据进行归一化处理的方法为：xmin为变量数据的最小值，xmax为变量数据的最大值，xi为变量的第i个数据，x’i为变量归一化后的数据。3.根据权利要求1所述的风电机组变桨距系统故障诊断方法，其特征在于，所述步骤2-2)中利用KPCA算法对历史采样数据进行降维处理时，包括如下步骤：2-21)将所获得的包括n个指标的基础数据的原始样本数据组成一个m×n维的矩阵,其中，m为每个指标的样品数；2-22)引入非线性映射函数Φ，使输入空间的M个样本点由xk(k＝1,2,…,M)变为特征空间F中的样本点Φ(x1),Φ(x2),...Φ(xM)，特征空间F中的协方差矩阵可表示为：2-23)计算协方差矩阵的特征值和特征向量；2-24)选择与前k个最大特征值对应的特征向量，并通过前k个特征向...

【专利技术属性】
技术研发人员：赵双喜，杨霞，刘博，刘超，马贵昌，王永翔，张磊，
申请(专利权)人：天津瑞源电气有限公司，
类型：发明
国别省市：天津,12