风力发电设备故障诊断方法技术

本申请公开了一种风力发电设备故障诊断方法

【技术实现步骤摘要】
风力发电设备故障诊断方法、装置、电子设备及存储介质


[0001]本申请涉及风力发电机
，尤其涉及一种风力发电设备故障诊断方法
、
装置
、
电子设备及存储介质
。

技术介绍

[0002]风力发电机齿轮箱是风力发电设备的核心组件之一，它承担着风力发电过程中传动和转换功率的重要任务
。
然而，由于风力发电机的长期运行和恶劣环境条件的影响，齿轮箱常常面临各种故障，如齿轮磨损
、
轴承故障等
。
因此需要时常进行设备检修
。
基于风力发电设备的振动信号分析则是目前主流的故障诊断方法，但由于齿轮箱的工作环境复杂
、
故障类型多样，传统的故障诊断方法可能无法充分捕捉和准确诊断各种故障，所以目前的振动分析方法可能在齿轮箱故障诊断方面存在准确性不高的问题
。
而且基于振动分析的故障诊断方法需要离线分析或手动操作，进而导致检测周期长，导致故障诊断效率低的问题
。

技术实现思路

[0003]本申请的主要目的在于提供一种风力发电设备故障诊断方法
、
装置
、
电子设备及存储介质，旨在解决目前风力发电设备故障诊断方法存在准确性低和效率低的技术问题
。
[0004]为实现上述目的，本申请提供一种风力发电设备故障诊断方法，所述风力发电设备故障诊断方法包括：采集风力发电设备的振动信号；从所述振动信号中提取故障特征参数，通过预设的目标支持向量机模型和目标聚类分析模型分别对所述故障特征参数进行分类，得到第一分类结果和第二分类结果；基于所述第一分类结果和所述第二分类结果，确定所述风力发电设备对应的故障诊断结果
。
[0005]可选地，所述基于所述第一分类结果和所述第二分类结果，确定所述风力发电设备对应的故障诊断结果的步骤包括：提取所述第一分类结果和所述第二分类结果分别对应的主成分；计算所述第一分类结果的各主成分和所述第二分类结果中的各主成分之间的马氏距离；基于各所述主成分之间的马氏距离，选取目标主成分，并将所述目标主成分对应的分类评价指标置为故障诊断结果
。
[0006]可选地，在所述采集风力发电设备的振动信号的步骤之后，所述方法还包括：对所述振动信号先后进行去噪
、
滤波以及数据归一化处理，获得优化振动信号；通过所述优化振动信号对所述振动信号进行更新，获得更新后的振动信号
。
[0007]可选地，所述故障特征参数至少包括时域特征参数
、
频域特征参数
、
统计特征参数以及小波变换特征参数中的一种，所述从所述振动信号中提取故障特征参数的步骤包括：对所述振动信号进行时域分析，获得时域特征参数，其中，所述时域特征参数包括
均值
、
方差
、
峭度和峰度；对所述振动信号进行频域分析，获得频域特征参数，其中，所述频域特征参数包括频谱峰值和能量分布；计算所述振动信号的自身相关性和与其他信号之间的相关性，得到统计特征参数，其中，所述统计特征参数包括自相关函数和互相关函数；提取所述振动信号中的小波系数和小波系数能量，获得小波变换特征参数
。
[0008]可选地，在所述通过预设的目标支持向量机模型和目标聚类分析模型分别对所述故障特征参数进行分类，得到第一分类结果和第二分类结果的步骤之前，所述方法还包括：从不同工况的风力发电设备中采集振动信号，得到多组训练样本，并获取各所述训练样本对应的故障类型标签；将带有故障类型标签的训练样本输入初始支持向量机模型，获得对应的第三分类结果；将不带有故障类型标签的训练样本输入初始聚类分析模型，获得对应的第四分类结果；根据所述第三分类结果和所述第四分类结果，计算所述第三分类结果和所述第四分类结果分别对应的主成分之间的马氏距离；若所述马氏距离大于预设阈值，则对所述初始支持向量机模型和所述初始聚类分析模型的模型参数进行优化调整，并返回执行步骤：将带有故障类型标签的训练样本输入初始支持向量机模型，获得对应的第三分类结果；若所述马氏距离不大于所述预设阈值，则将当前的初始支持向量机模型和初始聚类分析模型分别置为目标支持向量机模型和目标聚类分析模型
。
[0009]可选地，在所述基于所述第一分类结果和所述第二分类结果，确定所述风力发电设备对应的故障诊断结果的步骤之后，所述方法还包括：根据所述故障诊断结果，生成故障预警信号；通过所述故障预警信号通知相关工作人员，以供工作人员采取所述故障诊断结果对应的检修措施
。
[0010]可选地，在所述通过所述故障预警信号通知相关工作人员的步骤之后，所述方法还包括：获取所述风力发电设备的检修结果，其中，所述检修结果至少包括故障类型
、
严重程度以及振动特征；基于所述检修结果和所述故障诊断结果，对所述目标支持向量机模型和所述目标聚类分析模型的模型参数进行优化
。
[0011]本申请还提供一种风力发电设备故障诊断装置，所述风力发电设备故障诊断装置应用于风力发电设备故障诊断设备，所述风力发电设备故障诊断装置包括：信号采集模块，用于采集风力发电设备的振动信号；故障分类模块，用于从所述振动信号中提取故障特征参数，通过预设的目标支持向量机模型和目标聚类分析模型分别对所述故障特征参数进行分类，得到第一分类结果和第二分类结果；故障诊断模块，用于基于所述第一分类结果和所述第二分类结果，确定所述风力
发电设备对应的故障诊断结果
。
[0012]本申请还提供一种电子设备，所述电子设备为实体设备，所述电子设备包括：存储器
、
处理器以及存储在所述存储器上并可在所述处理器上运行的所述风力发电设备故障诊断方法的程序，所述风力发电设备故障诊断方法的程序被处理器执行时可实现如上述的风力发电设备故障诊断方法的步骤
。
[0013]本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现风力发电设备故障诊断方法的程序，所述风力发电设备故障诊断方法的程序被处理器执行时实现如上述的风力发电设备故障诊断方法的步骤
。
[0014]本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的风力发电设备故障诊断方法的步骤
。
[0015]本申请提供了一种风力发电设备故障诊断方法
、
装置
、
电子设备及计算机可读存储介质，首先采集风力发电设备的振动信号，再从所述振动信号中提取故障特征参数，通过预设的目标支持向量机模型和目标聚类分析模型分别对所述故障特征参数进行分类，得到第一分类结果和第二分类结果，进而基于所述第一分类结果和所述第二分类结果，确定所述风力发电设备对应的故障诊断结果，本申请的技术方案通过结合支持向量机模型和聚类模型对风力发电设备的振动信号中的故障特征参数进行分类，其中支持向量机模型具有较强的分类边界本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种风力发电设备故障诊断方法，其特征在于，所述风力发电设备故障诊断方法包括：采集风力发电设备的振动信号；从所述振动信号中提取故障特征参数，通过预设的目标支持向量机模型和目标聚类分析模型分别对所述故障特征参数进行分类，得到第一分类结果和第二分类结果；基于所述第一分类结果和所述第二分类结果，确定所述风力发电设备对应的故障诊断结果
。2.
如权利要求1所述风力发电设备故障诊断方法，其特征在于，所述基于所述第一分类结果和所述第二分类结果，确定所述风力发电设备对应的故障诊断结果的步骤包括：提取所述第一分类结果和所述第二分类结果分别对应的主成分；计算所述第一分类结果的各主成分和所述第二分类结果中的各主成分之间的马氏距离；基于各所述主成分之间的马氏距离，选取目标主成分，并将所述目标主成分对应的分类评价指标置为故障诊断结果
。3.
如权利要求1所述风力发电设备故障诊断方法，其特征在于，在所述采集风力发电设备的振动信号的步骤之后，所述方法还包括：对所述振动信号先后进行去噪
、
滤波以及数据归一化处理，获得优化振动信号；通过所述优化振动信号对所述振动信号进行更新，获得更新后的振动信号
。4.
如权利要求1所述风力发电设备故障诊断方法，其特征在于，所述故障特征参数至少包括时域特征参数
、
频域特征参数
、
统计特征参数以及小波变换特征参数中的一种，所述从所述振动信号中提取故障特征参数的步骤包括：对所述振动信号进行时域分析，获得时域特征参数，其中，所述时域特征参数包括均值
、
方差
、
峭度和峰度；对所述振动信号进行频域分析，获得频域特征参数，其中，所述频域特征参数包括频谱峰值和能量分布；计算所述振动信号的自身相关性和与其他信号之间的相关性，得到统计特征参数，其中，所述统计特征参数包括自相关函数和互相关函数；提取所述振动信号中的小波系数和小波系数能量，获得小波变换特征参数
。5.
如权利要求1所述风力发电设备故障诊断方法，其特征在于，在所述通过预设的目标支持向量机模型和目标聚类分析模型分别对所述故障特征参数进行分类，得到第一分类结果和第二分类结果的步骤之前，所述方法还包括：从不同工况的风力发电设备中采集振动信号，得到多组训练样本，并获取各所述训练样本对应的故障类型标签；将带有故障类型标签的训练样本输入初始支持向量机模型，获得对应的第三分类结果；将不带有故障类型标签的训练...

【专利技术属性】
技术研发人员：刘中华，李建辉，贾海森，白茂林，杨晓臣，刘文龙，杨沛琦，张同方，
申请(专利权)人：华能托里风力发电有限公司，
类型：发明
国别省市：