基于倾角传感器信息的风电塔筒倾覆智能诊断方法技术

本发明专利技术提供了一种基于倾角传感器信息的风电塔筒倾覆智能诊断方法，利用风电塔筒数据采集系统将原始的倾斜角数据通过光纤通信传输到控制室的数据服务器进行存储和预处理，对固定时间段内的倾斜量数据进行特征提取；采用高斯核函数构建高斯过程下的核自适应滤波概率估计预警模型，并引入遗忘因子实时跟踪数据的非稳定状态；将倾斜量特征值输入到模型中，得到测试信号的分布预测结果。该智能诊断方法以数据信息为驱动，自适应的构建了倾斜量特征值的概率估计预测模型，增加了风机塔筒提前预警的可靠性，而且采用遗忘因子和递归处理数据方式，增强了模型对于大数据的泛化能力，实现了基于数据驱动的风电塔筒智能诊断。了基于数据驱动的风电塔筒智能诊断。了基于数据驱动的风电塔筒智能诊断。

【技术实现步骤摘要】
基于倾角传感器信息的风电塔筒倾覆智能诊断方法


[0001]本专利技术属于风电设备故障诊断
，涉及一种基于倾角传感器信息的风电塔筒倾覆智能诊断方法。

技术介绍

[0002]随着环境的日益恶化和化石能源的严重短缺，开发清洁低碳的可再生能源成为全球能源发展的新方向，其中发展风电产业，是建设低碳社会，保障能源供应、培育战略性新兴产业、推动经济结构调整的重要方向。截止至2018年，全球风电市场累计装机容量已达591GW，同比增长9.24%，其中，海上风电累计容量为23GW，在累计装机容量中占比3.89% (A. Report, GWEC Global wind report 2018.)。然而，在越来越多大容量兆瓦级风机陆续安装运行的同时，风电机组很多运行隐患也开始逐步暴露出来，由于缺乏必要的监测和保护手段，叶片脱落、倒塔和风机失火等恶性事故时有发生。尤其是塔筒，作为整个风电机组的承载部件，其性能直接影响了风电机组运行的稳定性和可靠性，但由于制造、安装质量不合格，设备巡检、运行维护检查不到位，风机塔筒倾斜和倒塔事故时有发生，造成了巨大的经济损失。因此，对风机塔筒运行状态进行监测已成为行业研究的热点。
[0003]目前，针对风电机组塔筒进行实时监测仍缺乏有效的技术手段。2013年，华锐风电科技股份有限公司提出了一种风电机组塔筒状态检测方法，仅仅是利用风电机舱内的振动传感器实时监测塔筒及基础的状态，提前预警性能较差。为了改进，国家电投集团提出了一种基于塔筒应力点选取和Pearson相关系数与灰色神经网络相结合的塔筒应力预警方法，首先通过分析塔筒形变得出应力最大点，而后根据风机所处的不同工况设置不同阈值，从而为风电机组塔筒的检测提供依据。然而，由于应力点选取有限，同时考虑因素较少，导致检测结果不全面，难以满足风电集群智能监测需求。因此，实现风电塔筒运行状态的智能诊断和早期预警，对避免风机倾覆重大安全生产事故的发生，有着显著的安全和经济效益。

技术实现思路

[0004]本专利技术的目的是提供一种基于倾角传感器信息的风电塔筒倾覆智能诊断方法，实现风电塔筒运行状态的智能监测和早期预警。
[0005]为实现上述目的，本专利技术所采用的技术方案是：一种基于倾角传感器信息的风电塔筒倾覆智能诊断方法，具体按以下步骤进行：1）利用分别安装在塔筒顶端和底座法兰平面上的倾角传感器实时采集塔筒倾斜数据和塔筒基础沉降数据，并将采集到的数据传输给远程监测平台进行预处理，得到塔筒基础沉降数据集{a
x
,a
y
}与塔筒倾斜数据集{b
x
,b
y
}；2）根据公式
提取固定时间段内倾角数据集{a
x
,a
y
,b
x
,b
y
}的中的能量特征e
h
，得到风机倾斜能量特征集合e=[e1,e2,
…
,e
n
]T
；式中，h为固定时间段，E()表示求取期望；3）利用步骤2）中得到的风机倾斜能量特征集合e建立模型训练数据集和测试数据集和测试数据集；其中，x
i
=[e
i
‑
m
,e
i
‑
m+1
,
…
,e
i
]T
，y
i
=e
i+k
；式中，t为训练集长度，l是测试集长度，m为嵌入维数，k表示预测步数；4）根据公式y
i
=f(x
i
)+ξ
i
构建基于高斯过程的核自适应滤波模型；式中，f(x
i
)～GP(μ, Σ)表示符合均值向量为μ、协方差矩阵为Σ的高斯过程，表示均值为零、方差为的高斯噪声；将训练集输入该基于高斯过程的核自适应滤波模型中，根据公式(3)计算模型预测的后验分布；式中，为后验分布的均值，表示后验分布的方差，其中k
j
=[k(x1,x
j
),k(x2,x
j
),
…
,k(x
t
,x
j
)]T
，K
t
=[k1,k2,
…
,k
t
]，y
t
=[y1,y2,
…
,y
t
]T
，GP表示高斯过程，每一个高斯过程完全由均值向量μ和协方差矩阵Σ共同决定，为关于噪声方差的先验信息；5）将遗忘因子λ∈(0,1]引入步骤4）构建的基于高斯过程的核自适应滤波模型中，并根据公式(4)构建实时核自适应滤波模型；6）将测试集D
test
输入步骤5）构建的实时核自适应滤波模型中，得出任意k步的数据预测结果；7）利用残差分析定量评估模型预测精准度。
[0006]本专利技术智能诊断方法利用塔筒顶端倾角传感器与塔筒底座倾角传感器得到塔筒倾角数据信号，并基于信号的能量对固定时间段内的倾斜量数据进行特征提取，以减小因传感器数据漂移产生的奇异值对数据的影响；然后通过基于高斯过程(Gaussian processes, GP)的核自适应滤波(Kernel recursive least
‑
squares, KRLS)方法构建矩估计预警模型；再引入遗忘因子(forgetting factor)实时跟踪数据的非稳定状态，并增强模型对于大数据的泛化能力，实现基于数据驱动的风电塔筒监测诊断方法。可以对风电塔筒设备特征状态的在线监测和劣化过程进行早期预警。
[0007]本专利技术智能诊断方法相比于现有技术，具有以下优点：1）以数据信息为驱动，引入“核技巧”将数据映射到高维特征空间，在高维特征空间中拟合数据空间拓扑结构，并采用遗忘因子实时跟踪数据非稳定状态，从而构建自适应的数据预测模型。
[0008]2） 不同于传统的自适应滤波预测方法，本专利技术构造了一个矩估计预测模型，不仅给出了准确的k步点估计预测，而且自适应的提供了该预测的可信程度，增加了提前预警的可靠性。
[0009]3）为了弥补高斯过程中批处理对大数据泛化能力差的缺陷，利用KRLS中的递归方法，实现了快速有效的回归和预测。
附图说明
[0010]图1是在风机上设置倾角传感器的安装位置示意图。
[0011]图2是实施本专利技术智能诊断方法时使用的风机基础运行监测系统的架构图。
[0012]图3是本专利技术智能诊断方法的流程图。
[0013]图4是实施例23号风机塔架的原始倾角数据图；(a)为实施例23号风机塔架上端原始倾角数据图；(b)为实施例23号风机塔架底座原始倾角数据图。
[0014]图5是实施例23号风机倾斜能量特征数据图。
[0015]图6是实施例23号风机倾斜能量特征数据划分图。
[0016]图7是实施例倾斜能量特征数据预测结果图。
[0017]图8是实施例实时核本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于倾角传感器信息的风电塔筒倾覆智能诊断方法，其特征在于，具体按以下步骤进行：1）利用分别安装在塔筒顶端和底座法兰平面上的倾角传感器实时采集塔筒倾斜数据和塔筒基础沉降数据，并将采集到的数据传输给远程监测平台进行预处理，得到塔筒基础沉降数据集{a
x
,a
y
}与塔筒倾斜数据集{b
x
,b
y
}；2）根据公式提取固定时间段内倾角数据集{a
x
,a
y
,b
x
,b
y
}的中的能量特征e
h
，得到风机倾斜能量特征集合e=[e1,e2,
…
,e
n
]
T
；式中，h为固定时间段，E()表示求取期望；3）利用步骤2）中得到的风机倾斜能量特征集合e建立模型训练数据集和测试数据集和测试数据集；其中，x
i
=[e
i
‑
m
,e
i
‑
m+1
,
…
,e
i
]
T
，y
i
=e
i+k
；式中，t为训练集长度，l是测试集长度，m为嵌入维数，k表示预测步数；4）根据公式y
i
=f(x
i
)+ξ
i
构建基于高斯过程的核自适应滤波模型；式中，f(x
i
)～GP(μ, Σ)表示符合均值向量为μ、协方差矩阵为Σ的高斯过程，表示均值为零、方差为的高斯噪声；将训练集输入该基于高斯过程的核自适应滤波模型中，根据公式(3)计算模型预测的后验分布；式中，为后验分布的均值，表示后验分布的方差，其中k
j
=[k(x1,x
j
...

【专利技术属性】
技术研发人员：郑钢，浦蓉晖，于广汇，贺正良，
申请(专利权)人：甘肃靖远航天风力发电有限公司，
类型：发明
国别省市：