一种叶片故障诊断方法、存储介质和诊断装置

摘要

本发明公开了一种叶片故障诊断方法、存储介质和诊断装置，属于风力发电技术领域。该方法具体步骤为：测量风电机组运行状况下的发电机的定子电流；利用多重信号分类法MUS I C对定子电流进行处理得到风电机组运行状况下特征值；将风电机组运行状态下特征值与理论特征值进行比较和判断，得到风电机组叶片故障诊断结果。本发明不需要安装额外的传感器和数据采集设备、简单易行、诊断成本低。

说明书

技术领域

本发明涉及风力发电技术领域，具体涉及一种叶片故障诊断方法、存储介质和诊断装置。

背景技术

基于电信号的风力发电机电气故障诊断方法已得到了广泛应用。考虑到风力发电机的故障耦合调制，某些机械故障问题也会被调制到发电机的电信号上，引起电信号的变化，故电信号也可用于风力发电机的机械结构的缺陷检测。由于仅需通过分析现有采集到的电信号实现对风电机组的状态监测，该方法具有成本上的优势。如文献CN102954857A提出一种基于电流信号的叶轮故障识别方法，该方法对定子电流进行Park变换后求模平方的办法来提取故障特征信号，但由于Park变换而引入平方算子，增加了一个干扰项，即叶轮转动导致的二倍频信号，因此提出一种叶片故障诊断方法、存储介质和诊断装置。

发明内容

针对现有技术的不足，本发明提出了一种叶片故障诊断方法、存储介质和诊断装置。

本发明的目的可以通过以下技术方案实现：

通过安装在风电机组上的电流传感器和数据采集设备采集风电机组运行状况下发电机的定子电流信号，然后利用多重信号分类法MUSIC对定子电流进行处理，提取风电机组运行状态下的故障特征值，再将风电机组运行状态下提取的故障特征值与风电机组理论特征值进行对比，得到风电机组叶片不平衡故障的诊断结果。

所述的MUSIC算法处理定子电流信号的步骤为：

①构建定子电流信号的自相关矩阵

采集的风力发电机组定子电流信号可以表示为一系列分量的组合

式中，w表示分量的个数，A

y

e

由此构建(M+1)*(M+1)维相关矩阵如下

②求自相关矩阵R

对自相关矩阵R

特征值：λ

特征向量：v

③求取信号子空间和噪声子空间

按降序排列的前w个较大的特征值对应的特征向量构成信号子空间Ω

将信号子空间Ω

④在噪声子空间Ω

进一步地，风电机组叶片故障理论不平衡特征值的获取方法为：由定子电流获得其基波频率f

进一步地，风电机组叶片不平衡故障判断方法为：首先将故障特征值的幅值与理论特征值阈值逐一进行对比，判断有无越限超标，如有超标，则分别判别是否包括两个理论特征频率(f

本发明实施例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存储有执行上述的基于发电机定子电流分析的叶片不平衡故障诊断方法。

本发明实施例还提供一种风电机组叶片故障诊断装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于发电机定子电流分析的叶片不平衡故障诊断方法。

本发明的有益效果：

本发明的一种叶片故障诊断方法采用MUSIC算法，可以有效提取故障特征分量，快速有效地诊断风电机组叶片不平衡故障。本方法采用的电流传感器是风电机组自带传感器，不需要安装额外的传感器和数据采集设备，简单易行、诊断成本低，是一种能够有效提高风电机组叶片安全、可靠性的基于发电机定子电流分析的风电机组的叶片不平衡故障诊断方法。本方法采用MUSIC算法，不进行平方运算，频谱图中不存在交叉项。

附图说明

下面结合附图对本发明作进一步的说明。

图1为本申请的风电机组叶片不平衡故障诊断流程图；

图2为风电机组叶片在正常状况和不正常状况下定子电流信号频谱图；

图3为风电机组叶片在正常状况和不正常状况下定子电流MUSIC频谱图。

具体实施方式

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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明提出了一种基于发电机定子电流分析的风电机组叶片不平衡故障诊断方法。该方法通过安装在风电机组上的电流传感器和数据采集设备采集风电机组运行状况下发电机的定子电流信号，然后利用MUSIC算法对定子电流进行处理，提取风电机组运行状态下的故障特征值，再将风电机组运行状态下提取的故障特征值与风电机组理论特征值进行对比，得到风电机组叶片故障的诊断结果。

所述的MUSIC算法处理定子电流信号的步骤为：

①构建定子电流信号的自相关矩阵

采集的风力发电机组定子电流信号可以表示为一系列分量的组合

式中，w表示分量的个数，A

y

e

由此构建(M+1)*(M+1)维相关矩阵如下

②求自相关矩阵R

对自相关矩阵R

特征值：λ

特征向量：v

③求取信号子空间和噪声子空间

按降序排列的前w个较大的特征值对应的特征向量构成信号子空间Ω

将信号子空间Ω

④在噪声子空间Ω

风电机组叶片故障理论不平衡特征值的获取方法为：风电机组叶片不平衡故障的理论特征值包括频率和幅值两部分。由定子电流获得其基波频率f

风电机组叶片不平衡故障判断方法为：首先将故障特征值的幅值与理论特征值阈值逐一进行对比，判断有无越限超标，如有超标，则分别判别是否包括两个理论特征频率(f

下面以风电机组故障运行状况为例：

风电机组发生叶片不平衡故障会导致风力机输出的轴转矩发生变化，此时，风力机输出的轴转矩可以表示为：

T(t)＝T

式中：t是时间常数；T是风力机输出的轴转矩；T

简化风电机组传动模型为单质量模型，其运行方程可以表示为

式中：J为风电机组的等效转动惯量；T

在风电机组发生叶片不平衡故障，且运行稳定的情况下，电磁转矩可以表示为：

式中：T

此时，发电机的定子电流可以表示为

式中：积分常量认为等于0；A为定子电流的幅值；p为发电机的极对数；a＝T

i

+((Ab)/2)sin((ω

+((Ab)/2)sin((ω

式中：ω

式中：I

下面以0.2kW直驱永磁同步风电机组为研究对象，机组的运行状态为转轴的转速为240rpm/min。试验设置了两种状况，它们分别为：a为风电机组叶片正常运行，b为叶片不平衡情况。图2为正常情况下和T

从图2定子电流FFT频谱图中可以看出，不平衡故障导致定子电流中出现了f

从图3频谱图中够可以看出，不平衡情况下的定子电流MUSIC信号在f

从上面的结果可以看出，利用MUSIC算法对定子电流信号进行处理，减弱了定子电流基频信号对故障特征分量的影响，能准确地监测到定子电流信号中的叶片不平衡故障特征分量，可以有效地诊断叶片不平衡故障。可见，本发明提出的基于发电机定子电流分析的风电机组的叶片不平衡故障诊断方法，简单易行、诊断成本低、是一种能够有效提高风电机组叶片安全、可靠性的故障诊断方法。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。