一种基于PS0-ANFIS的风力发电机传感器状态诊断系统的制作方法

一种基于ps0
‑
anfis的风力发电机传感器状态诊断系统
技术领域
1.本发明涉及风力发电机故障诊断技术领域，具体为一种基于ps0
‑
anfis的风力发电机传感器状态诊断系统。


背景技术：

2.目前风力发电机故障诊断都体现在风机的本体上，通过传感器输出信息来判断风力发电机是否有故障及采取措施，但是传感器输出信号耦合了“环境状态、被测对象状态和传感器自身状态”三个因素的信息，当环境出现异常、或被测对象出现异常，或传感器自身异常时，都会表现出传感器输出信号异常。因此目前主要是针对传感器的信号异常识别，而不是准确意义上的传感器异常识别，二者有本质的区别。
3.而本技术通过数据挖掘、风机群相似性分析、人工智能法、参数优化、交叉融合传感器状态识别和评估等，对传感器输出数据进行分析、判断、进行确认，能正确的区分出是环境因素还是被测对象状态或是传感器自身状态出现了故障，从而指导风场技术人员更加准确的发现故障类型和位置，从而减少维修时间和成本。


技术实现要素：

4.本发明的目的在于提供一种基于ps0
‑
anfis的风力发电机传感器状态诊断系统，具备实现传感器的固定偏差故障、漂移故障、精度下降故障、断电故障、脉冲故障等，其准确性高，检验率更高的优点，解决了现有的检测技术基本上都是对整个风机状态的评定，从而无法进行快速对故障进行排查，增加了维修成本和时间的问题。
5.为实现上述目的，本发明提供如下技术方案：一种基于ps0
‑
anfis的风力发电机传感器状态诊断系统，包括数据采集模块，所述数据采集模块的输出端单向电性连接有传感器预测单元，所述传感器预测单元的输出端单向连接有ps0
‑
anfis处理模型，所述ps0
‑
anfis处理模型的输出端连接有比较器，所述比较器的输出端单向电性连接有开始单元，所述开始单元的输出端单向电性连接有初始化模块，所述初始化模块的输出端单向电性连接有确认模块，所述确认模块的输出端单向电性连接有第一计算单元，所述第一计算单元的输出端单向电性连接有寻找单元，所述寻找单元的输出端单向电性连接有赋值单元，所述赋值单元的输出端单向电性连接有第二计算单元，所述第二计算单元的输出端单向电性连接有第一判断单元，所述第一判断单元的输出端单向电性连接有保存模块，所述保存模块的输出端单向电性连接有第二判断单元，所述第二判断单元的输出端单向电性连接有测试单元，所述测试单元的输出端单向电性连接有结束单元。
6.优选的，所述第二计算单元包括保存值模块、最优值模块和使用最优值模块，所述保存值模块的输出端与最优值的输入端单向电性连接，所述最优值的输入端与使用最优值的输出端单向电性连接，所述使用最优值的输入端与第二判断单元的输出端单向电性连接。
7.优选的，所述传感器预测单元包括输入层、映射层、瓶颈层、解映层和输出层，所述
输入层的输出端与映射层的输入端单向电性连接，所述映射层的输出端与瓶颈层的输入端单向电性连接，所述瓶颈层的输出端与解映层的输入端单向电性连接，所述解映层的输出端与输出层的输入端单向电性连接。
8.优选的，所述输入层输入的数据与输出层输出的数据为近似值，且维数相同，映射层和解映层采用非线性传递函数(s型)来进行映射。
9.优选的，所述初始化模块为初始化粒子数，ps0
‑
anfis中的粒子堆数，即速度和随机向量。
10.优选的，所述确认模块为确定ps0
‑
anfis的目标函数，且第一计算单元目标函数的初始化值，作为目标函数的局部最优值pbest存储。
11.优选的，所述寻找单元为从局部最优值pbest中找出最优值，保存为gbest。
12.优选的，所述第二计算单元为计算每个粒子新的速度和位置及目标函数值。
13.优选的，所述第一判断单元的判断依据为目标函数是否优于pbest，所述第二判断单元的判断依据为是否达标或者完成。
14.优选的，所述测试单元为将得到加速度和系列优化的参数，进入ps0
‑
anfis测试过程。
15.与现有技术相比，本发明的有益效果如下：
16.1、本发明具备可以具体到传感器本身，更加精细，有利于工作人员快速准确的找到风机故障具体原因的优点，尤其是传感器本身有故障时，能快速精准找到故障传感器，而不需要对所有器件进行检测再来判定是该传感器出现了故障，这样可以节约维修的成本和时间，具有很大的经济效益。
17.2、本发明通过设置保存值模块、最优值模块和使用最优值模块，可以对大量数据进行存储和筛选，便于数据进行分析，通过输入层、映射层、瓶颈层、解映层和输出层的设置，可以对数据进行分析和计算，通过采用近似值的输出和输入数据，可以方便对数据进行映射，通过采用初始模块，可以方便对粒子堆数进行采集，并对速度和随机向量进行标记，通过采用确认模块，可以对初始化值进行存储，通过采用寻找单元，可以对最优值pbest进行筛选，通过采用第二计算单元，可以对新数据进行标记和赋值，通过采用两个判断单元，可以对数据进行分析判断，通过采用测试单元，可以对输入数据进行测试。
附图说明
18.图1为本发明系统示意图；
19.图2为本发明传感器预测单元示意图；
20.图3为本发明第二计算单元示意图；
21.图4为本发明ps0
‑
anfis处理模型示意图。
具体实施方式
22.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
23.请参阅图1
‑
4，一种基于ps0
‑
anfis的风力发电机传感器状态诊断系统，包括数据采集模块，数据采集模块的输出端单向电性连接有传感器预测单元，传感器预测单元的输出端单向连接有ps0
‑
anfis处理模型，ps0
‑
anfis处理模型的输出端连接有比较器，比较器的输出端单向电性连接有开始单元，开始单元的输出端单向电性连接有初始化模块，初始化模块的输出端单向电性连接有确认模块，确认模块的输出端单向电性连接有第一计算单元，第一计算单元的输出端单向电性连接有寻找单元，寻找单元的输出端单向电性连接有赋值单元，赋值单元的输出端单向电性连接有第二计算单元，第二计算单元的输出端单向电性连接有第一判断单元，第一判断单元的输出端单向电性连接有保存模块，保存模块的输出端单向电性连接有第二判断单元，第二判断单元的输出端单向电性连接有测试单元，测试单元的输出端单向电性连接有结束单元，通过具体到传感器本身，更加精细，有利于工作人员快速准确的找到风机故障的具体原因，尤其是传感器本身有故障时，能快速精准找到故障传感器，而不需要对所有器件进行检测再来判定是该传感器出现了故障，这样可以节约维修的成本和时间，具有很大的经济效益。
24.在使用ps0
‑
anfis处理模型进行数据处理时，输入被研究传感器和其关联的其他传感器信号，比如说，研究对象是主轴承温度传感器，则输入y
m
是主轴承温度值，x
i
为与主轴承温度相关联的其他传感器值，比如机舱温度、变频器网侧功率、发电机电流等等，输出为研究传感器的预测值，比如这里指主轴承温度，判断故障如下：通过模型得到预测值，k为起始时刻，比较预测值与k时刻的实际值y
m
(k),得到二者的残差值e
m
(k),这样对一个时间序列进行比较，得到一个残差序列，当某时刻g,出现残差值e
m
(g)大于所设得的超限报警阈值，表示从g时刻起，传感器出现了故障，画出残差值曲线，通过分析残差值曲线的形式，可以判断传感器的故障类型。
25.本实施例中，第二计算单元包括保存值模块、最优值模块和使用最优值模块，保存值模块的输出端与最优值的输入端单向电性连接，最优值的输入端与使用最优值的输出端单向电性连接，使用最优值的输入端与第二判断单元的输出端单向电性连接，通过设置保存值模块、最优值模块和使用最优值模块，可以对大量数据进行存储和筛选，便于数据进行分析。
26.本实施例中，传感器预测单元包括输入层、映射层、瓶颈层、解映层和输出层，输入层的输出端与映射层的输入端单向电性连接，映射层的输出端与瓶颈层的输入端单向电性连接，瓶颈层的输出端与解映层的输入端单向电性连接，解映层的输出端与输出层的输入端单向电性连接，通过输入层、映射层、瓶颈层、解映层和输出层的设置，可以对数据进行分析和计算。
27.本实施例中，输入层输入的数据与输出层输出的数据为近似值，且维数相同，映射层和解映层采用非线性传递函数(s型)来进行映射，通过采用近似值的输出和输入数据，可以方便对数据进行映射。
28.本实施例中，初始化模块为初始化粒子数，ps0
‑
anfis中的粒子堆数，即速度和随机向量，通过采用初始模块，可以方便对粒子堆数进行采集，并对速度和随机向量进行标记。
29.本实施例中，确认模块为确定ps0
‑
anfis的目标函数，且第一计算单元目标函数的初始化值，作为目标函数的局部最优值pbest存储，通过采用确认模块，可以对初始化值进
行存储。
30.本实施例中，寻找单元为从局部最优值pbest中找出最优值，保存为gbest，通过采用寻找单元，可以对最优值pbest进行筛选。
31.本实施例中，第二计算单元为计算每个粒子新的速度和位置及目标函数值，通过采用第二计算单元，可以对新数据进行标记和赋值。
32.本实施例中，第一判断单元的判断依据为目标函数是否优于pbest，第二判断单元的判断依据为是否达标或者完成，通过采用两个判断单元，可以对数据进行分析判断。
33.本实施例中，测试单元为将得到加速度和系列优化的参数，进入ps0
‑
anfis测试过程，通过采用测试单元，可以对输入数据进行测试。
34.使用时，将风电机组的输入定义为风速，输出定义为风电机组的有功功率，并采用动态数据调整，计算其相似度，映射层、解映层和瓶颈层的节点数通过不停的尝试确定，性能指标可以是运行时间、误差值等。其工作过程描述为，输入数据经过映射层，映射到高维度空间中，然后通过瓶颈层进行压缩，瓶颈层的节点数是希望尽可能的少，再通过解映层进行解映，并通过重建数据从原始空间维度输出来，由于机组本体工作状态异常将导致关联传感器的异常联动，所以若该环节识别出的传感器信号仍然异常，则基本可判断不是风机本体状态异常引起的传感器信号异常。
35.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
36.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。