一种基于电信号的风力发电机组通信滑环故障诊断方法与流程

1.本发明属于风力发电技术领域，具体涉及一种基于电信号的风力发电机组通信滑环故障诊断方法。


背景技术：

2.风电滑环是用于风力发电机组的机舱和轮毂之间传输电能动力和电气信号的装置，滑环的故障现象主要表现为通信故障、环道烧毁、编码器故障等。其中，通信故障是一类较常见的故障，而其问题的根本原因是刷针与环道的接触不良，从而影响信号的传输。从问题本质上分析，主要分为二类：一类为滑环自身缺陷，导致接触不良，二类为未及时维护导致接触不良。因通信滑环故障所导致的风力发电机组运行不稳定现象屡有发生，造成巨大的经济损失。因此，通信滑环故障诊断具有重要的现实意义。
3.近年来，有学者进行了关于风力发电机组滑环故障诊断的研究，chen等根据滑环、碳刷的热成像来判断碳刷-滑环的运行状态；tang等根据滑环、碳刷的振动信号对碳刷-滑环的故障特性进行了研究；wurfel等从电刷滑环装置运行温度的角度来分析判断其运行状况。但以上种种诊断及监测方法，主要还是从振动信号、图像监测等方面入手，依赖传感器、红外检测等外部设备，这些设备所需安装的数量多、所处环境恶劣时容易被损坏，因此，存在成本高、可适应性差的缺陷，且实际中正常运行的风力发电机组本身就具有复杂的振动特性，尤其在风速随机不稳定变化的冲击下，机组的振动情况更加复杂，使振动监测的准确度不高，在信号分析过程中虽然可以实现对噪声信号的处理，但均只考虑了时域的特征量，诊断结果的可靠性较差。


技术实现要素：

4.为解决现有技术中存在的技术问题，本发明的目的在于提供一种基于电信号的风力发电机组通信滑环故障诊断方法。
5.为实现上述目的，达到上述技术效果，本发明采用的技术方案为：
6.一种基于电信号的风力发电机组通信滑环故障诊断方法，包括以下步骤：首先，采集不同工况下通信滑环的电信号，选取通信滑环故障时的电信号作为实验数据；随后，对信号进行分解，提取信号的时域、频域和时频域特征，得到能够全面反映信号特点的多域特征向量t；利用多域特征向量t对粒子群优化最小二乘支持向量机的故障诊断模型进行训练，完成故障模式识别，实现故障诊断。
7.进一步的，包括以下步骤：
8.1)采集不同工况下通信滑环的电信号，选取通信滑环故障时的电信号作为实验数据；
9.2)对信号进行自适应变分模态分解；
10.3)由步骤2)可得信号的k个固有模态分量imf，即得到了原信号的时域信息，求取各个imf时域矩阵的奇异值，得到时域矩阵奇异值构成的k维特征向量t1；
11.4)对k个imf进行快速傅里叶变换，得到原信号的频域信息，并求取各个imf频域矩阵的奇异值，得到频域矩阵奇异值构成的k维特征向量t2；
12.5)计算k个imf时频域的排列熵h
pe
，得到h
pe
构成的k维特征向量t3；
13.6)分别对时域、频域和时频域特征向量采用主成分分析法进行分析，选取贡献度最大的主成分分量，作为各域的特征量；
14.7)综合上述降维后的各域特征量，再将时域、频域、时频域的特征量综合，即得到能够全面反映信号特点的多域特征向量t；
15.8)采用pso对lssvm参数进行寻优，搭建粒子群优化最小二乘支持向量机的故障诊断模型pso-lssvm，根据设计计算的多域特征向量t对pso-lssvm进行训练；
16.9)在训练好的pso-lssvm中进行故障模式识别，即可实现故障诊断。
17.进一步的，步骤2)中，对信号进行自适应变分模态分解的步骤包括：
18.2.1)初始化f-gwo参数，设置迭代次数为n，灰狼ω的数量为m，将(k,α)设置为灰狼的位置向量，其中，k为vmd的模态数；
19.2.2)根据每匹灰狼的位置向量即(k,α)，对信号进行自适应vmd，计算固有模态分量imf的平均包络熵aee；
20.2.3)更新最小平均包络熵maee，并把前三小的aee的位置向量分别给α，β和δ，α代表最适解，β代表第二个最佳解决方案，δ代表第三个最佳解决方案；
21.2.4)根据α，β和δ灰狼的位置，更新m个灰狼ω的位置；
22.2.5)重复步骤2.2)至步骤2.4)，直到迭代次数达到n；
23.2.6)输出α灰狼的位置向量，即得最佳分解参数
24.进一步的，步骤2.1)中，k的寻优范围为2-12，α的寻优范围为800-5000。
25.进一步的，步骤3)中，各个imf时域矩阵的奇异值的求取步骤包括：
26.3.1)计算矩阵aa
t
的特征值；
27.3.2)对其特征值开方，即得到矩阵a的奇异值；
28.奇异值越大，其所代表的能量越大，小奇异值的奇异向量对原矩阵影响很小，大奇异值所对应的奇异向量更能代表原先的矩阵。
29.进一步的，步骤5)中，k个imf时频域的排列熵h
pe
的计算步骤包括；
30.5.1)将得到的各imf分量看作一个时间序列x(i)，i＝1,2,
…
,n，进行相空间重构，得到矩阵y；
31.5.2)将每一个重构分量按照升序重新排列，得到向量中各元素位置的列索引构成一组符号序列：s(l)＝{j1,j2,
…
,jm},l＝1,2,
…
,n,且n≤m！；
32.5.3)计算每一种符号序列出现的次数，其除以m！种不同的符号序列出现的总次数作为该符号序列出现的概率，即{p1,p2,
…
,pn}；
33.5.4)时间序列x的排列熵h
pe
的计算公式为：
[0034][0035]
5.5)排列熵的最大值为ln(d！)，将排列熵值进行归一化处理，即：
[0036][0037]
进一步的，步骤5.1)中，矩阵y为：
[0038][0039]
其中，m为嵌入维数，t为延迟时间，n＝n-(m-1)t，矩阵y中的每一行都是一个重构分量，共有n个重构分量。
[0040]
进一步的，步骤8)中，根据设计计算的多域特征向量t对pso-lssvm进行训练，训练步骤包括：
[0041]
8.1)将数据样本点划分为训练样本集和测试样本集两部分；
[0042]
8.2)对最大迭代次数、最大和最小的加权因子w
max
和w
min
、学习因子c1,c2与径向基核函数中的宽度σ2进行初始化设置；
[0043]
8.3)根据c1、c2和σ2的值，计算出目标函数的适应度值，目标函数为训练正确率；
[0044]
8.4)将各个粒子当下获得的适应度值与该粒子之前的最优适应度值比较大小，如果目前获得的数值更优，则将其值作为个体的最佳位置pbest；
[0045]
8.5)将各个粒子当前计算出的适应度值同该种群最优位置的适应度值进行比较，如果前者更优，则将其值作为群体的最优位置gbest；
[0046]
8.6)根据如下两式更新定义的所有粒子的位置和速度大小，满足搜寻更匹配的参数c1、c2和σ2的值；
[0047]
v＝wv c1rand()(pbest-p) c2rand()(gbest-p)
[0048]
p＝p v
[0049]
其中，rand为(0,1)之间的随机函数值；c1,c2分别被称为学习因子；w被称为加权因子；v被称为粒子运行的速度；p被称为粒子当前所处的位置；
[0050]
8.7)重复步骤8.3)至步骤8.6)，直到满足最佳的匹配值。
[0051]
进一步的，步骤8.3)中，正确率的计算公式如下：
[0052]
accuracy＝(tp tn)/(p n)
[0053]
其中，tp是被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数(样本数)；tn是被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数；p是实际为正的样本数；n是实际为负的样本数。
[0054]
与现有技术相比，本发明的有益效果为：
[0055]
本发明提出了一种基于电信号的风力发电机组通信滑环故障诊断方法，包括以下步骤：采集不同工况下通信滑环的电信号，采用快速灰狼算法(f-gwo)优化的变分模态分解(vmd)降噪方法对信号进行处理，在一定程度减少了模态混叠问题；接着，根据自适应vmd信号处理方法的特点，计算各模态时频域矩阵的奇异值及各模态的排列熵，并根据主成分分析法(pca)简化特征信息，凸显出故障特征，构建多域特征向量；接着利用多域特征向量对
pso-lssvm进行训练，提高了故障诊断的准确性。本发明中，从电信号入手采集故障信号，提高了信号采集精度，降低了采集成本，且不需要额外装设设备，还可以避免因检测设备故障造成的故障信号不稳定、可靠性差的问题；在信号降噪过程中，通过快速灰狼算法(f-gwo)优化的变分模态分解(vmd)降噪方法将故障信号进行分解来实现降噪处理，降低了复杂度高和非线性强的时间序列非平稳性，减少了模态混叠现象的出现；在信号特征提取过程中，根据自适应vmd的分解特点，通过计算奇异值及排列熵值分别提取了信号时域、频域和时频域特征，利用pca简化特征信息，选取代表各域的主要特征量构成多域特征向量，提高故障诊断的准确度和效率，而且，所提取的时域、频域和时频域特征能够反应多域的特点，蕴含更加丰富的信息，能够使故障特征更具有独创性；在故障诊断过程中，采用pso对lssvm参数进行寻优，通过多域特征向量对粒子群算法(pso)优化的最小二乘支持向量机(lssvm)进行训练，本发明通过多域特征提取和智能算法优化参数，提高了故障诊断的准确度和速度，为风力发电机组通信滑环故障诊断提供了方向。
附图说明
[0056]
图1为本发明的流程图；
[0057]
图2为本发明的自适应vmd方法的流程图。
具体实施方式
[0058]
下面对本发明进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
[0059]
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
[0060]
如图1-2所示，一种基于电信号的风力发电机组通信滑环故障诊断方法，包括以下步骤：
[0061]
1)采集不同工况下通信滑环的电信号，选取通信滑环故障时的电信号作为实验数据；
[0062]
2)对原信号即原信号是步骤1)中选来作为实验数据的电信号进行自适应变分模态分解(vmd)；
[0063]
步骤2)中，对vmd分解中需要人为设定的参数，以最小平均包络熵作为适应度函数，引入快速灰狼算法(f-gwo)对vmd进行寻优，得到自适应vmd方法；
[0064]
3)由步骤2)可得原信号的k个固有模态分量(imf)，即得到了原信号的时域信息，求取各个imf时域矩阵的奇异值，得到时域矩阵奇异值构成的k维特征向量t1；
[0065]
4)对k个imf进行快速傅里叶变换，得到原信号的频域信息，并求取各个imf频域矩阵的奇异值，得到频域矩阵奇异值构成的k维特征向量t2；
[0066]
5)计算k个imf时频域的排列熵(pe)，得到pe构成的k维特征向量t3；
[0067]
6)分别对时域、频域和时频域特征向量采用主成分分析法(pca)进行分析，选取贡献度最大的主成分分量，作为各域的特征量；
[0068]
7)综合上述降维后的各域特征量，再将时域、频域、时频域的特征量综合，即得到能够全面反映信号特点的多域特征向量t；
[0069]
8)采用pso对lssvm参数进行寻优，搭建了粒子群优化最小二乘支持向量机的故障诊断模型pso-lssvm，根据设计计算的多域特征向量t对pso-lssvm进行训练；
[0070]
9)在训练好的pso-lssvm中进行故障模式识别，即可实现故障诊断。
[0071]
实施例1
[0072]
如图1-2所示，一种基于电信号的风力发电机组通信滑环故障诊断方法，包括以下步骤：
[0073]
1)以某型号风力发电机组为分析对象，采集不同工况下通信滑环的电信号，选取通信滑环故障时的电信号作为实验数据，故障信号与正常信号的区别在于频率不同。
[0074]
2)对原信号进行自适应变分模态分解；
[0075]
需要说明的是，故障的特征频率幅值较小，且其往往与环境噪声一起混杂在复杂信号中，直接对电信号进行快速傅里叶变化很难观察到故障特征频率，为实现对原始信号的高分辨率时频分析并提取故障特征分量，需要详细了解组成复杂信号的各模态分量，将非线性、非平稳的时序信号分解为相对线性、平稳的各模态分量，清晰地显示各模态分量的规律，从而明确原始复杂信号的组成成分，因此，本步骤对原信号进行自适应变分模态分解(vmd)，具体步骤包括：
[0076]
2.1)初始化f-gwo参数，设置迭代次数为n，灰狼ω的数量为m，将(k,α)设置为灰狼的位置向量，其中，k为vmd的模态数，其寻优范围为2-12，α的寻优范围为800-5000；
[0077]
2.2)根据每匹灰狼的位置向量即(k,α)，对信号进行自适应vmd，计算固有模态分量imf的平均包络熵(aee)；
[0078]
2.3)更新最小平均包络熵(maee)，并把前三小的aee的位置向量分别给α，β和δ，α代表最适解，β代表第二个最佳解决方案，δ代表第三个最佳解决方案；
[0079]
2.4)根据α，β和δ灰狼的位置，更新m个灰狼ω的位置；
[0080]
2.5)重复步骤2.2)至步骤2.4)，直到迭代次数达到n；
[0081]
2.6)输出α灰狼的位置向量，即得最佳分解参数
[0082]
3)由步骤2)可得原信号的k个固有模态分量(imf)，即得到了原信号的时域信息，求取各个imf时域矩阵的奇异值，将各奇异值拼在一起得到时域矩阵奇异值构成的k维特征向量t1；其中，各个imf时域矩阵的奇异值的求取步骤包括：
[0083]
3.1)计算矩阵aa
t
的特征值；
[0084]
3.2)对其特征值开方，即得到矩阵a的奇异值；
[0085]
奇异值越大，其所代表的能量越大，小奇异值的奇异向量对原矩阵影响很小，大奇异值所对应的奇异向量更能代表原先的矩阵。因此，可选取前若干个奇异值和奇异向量，能够用少量的矩阵相乘来近乎无损表示出原矩阵的信息，如此通过奇异值分解(svd)能得到代表矩阵最本质变化的特征元素。基于此，选取奇异值作为电信号时域和频域信息的特征量。
[0086]
4)对k个imf进行快速傅里叶变换，得到原信号的频域信息，并求取各个imf频域矩阵的奇异值，得到频域矩阵奇异值构成的k维特征向量t2；
[0087]
5)故障信号和正常信号在分解后所得到的各分量复杂程度不同，不同类型的故障
信号复杂程度也不同，通过计算k个imf时频域的排列熵(pe)，可以衡量各自的复杂度，得到pe构成的k维特征向量t3，直观放大了信号中的微小差别，各imf的pe计算步骤如下；
[0088]
5.1)将得到的各imf分量看作一个时间序列x(i)，i＝1,2,
…
,n，进行相空间重构，得到矩阵y为：
[0089][0090]
其中，m为嵌入维数，t为延迟时间，n＝n-(m-1)t，矩阵y中的每一行都是一个重构分量，共有n个重构分量；
[0091]
5.2)将每一个重构分量按照升序重新排列，得到向量中各元素位置的列索引构成一组符号序列：s(l)＝{j1,j2,
…
,jm},l＝1,2,
…
,n,且n≤m！；
[0092]
5.3)计算每一种符号序列出现的次数，其除以m！种不同的符号序列出现的总次数作为该符号序列出现的概率，即{p1,p2,
…
,pn}；
[0093]
5.4)时间序列x的排列熵的计算公式为：
[0094][0095]
5.5)排列熵的最大值为ln(d！)，将排列熵值进行归一化处理，即：
[0096][0097]
6)分别对时域、频域和时频域特征向量采用主成分分析法(pca)进行分析，选取贡献度最大的主成分分量，作为各域的特征量；
[0098]
7)综合上述降维后的各域特征向量，再将时域、频域、时频域的特征向量综合，即得到能够全面反映信号特点的多域特征向量t；
[0099]
8)采用pso对lssvm参数进行寻优，搭建了粒子群优化最小二乘支持向量机的故障诊断模型pso-lssvm，根据设计计算的多域特征向量t对pso-lssvm进行训练，具体步骤包括：
[0100]
8.1)将数据样本点划分为训练样本集和测试样本集两部分；
[0101]
8.2)对最大迭代次数、最大和最小的加权因子w
max
和w
min
、学习因子c1,c2与径向基核函数中的宽度σ2进行初始化设置；
[0102]
8.3)根据c和σ2的值，计算出目标函数的适应度值，目标函数为训练正确率，计算公式如下所示：
[0103]
accuracy＝(tp tn)/(p n)
[0104]
其中，tp是被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数(样本数)；tn是被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数；p是实际为正的样本数；n是实际为负的样本数；
[0105]
8.4)将各个粒子当下获得的适应度值与该粒子之前的最优适应度值比较大小，如
果目前获得的数值更优，则将其值作为个体的最佳位置pbest；
[0106]
8.5)将各个粒子当前计算出的适应度值同该种群最优位置的适应度值进行比较，如果前者更优，则将其值作为群体的最优位置gbest；
[0107]
8.6)根据如下两式更新定义的所有粒子的位置和速度大小，满足搜寻更匹配的参数c1,c2和σ2的值；
[0108]
v＝wv c1rand()(pbest-p) c2rand()(gbest-p)
[0109]
p＝p v
[0110]
其中，rand为(0,1)之间的随机函数值；c1,c2分别被称为学习因子；w被称为加权因子；v被称为粒子运行的速度；p被称为粒子当前所处的位置；
[0111]
8.7)重复步骤8.3)至步骤8.6)，直到满足最佳的匹配值。
[0112]
9)将测试样本集的特征向量输入到训练好的pso-lssvm中，在训练好的pso-lssvm中进行故障模式识别，输出诊断结果，实现故障诊断。
[0113]
本发明未具体描述的部分或结构采用现有技术或现有产品即可，在此不做赘述。
[0114]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。