一种风电机组早期故障特征增强方法和系统

摘要

本发明公开了一种风电机组早期故障特征增强方法和系统，属于电力设备故障诊断技术领域，基于实时测量的转速等计算理论故障特征频率，并考虑一定的不确定性，划分故障可能存在的不同频率子区间，进而通过自适应随机共振的手段达到故障增强的效果。应用了频谱能量的计算方法，针对不同的频率子区间计算频谱能量，然后设定适应度函数，通过粒子群算法找出最优能量分布，进而计算不同频谱区间的分段均值指标，找出故障特征频率存在的子区间，完成频率搜索算法和自适应特征增强，解决了故障特征不确定下难以对风电机组振动信号的故障特征进行增强的问题。

说明书

技术领域

本发明属于电力设备故障诊断技术领域，涉及一种风电机组早期故障特征增强方法和系统。

背景技术

在能源转型的关键时期，在碳达峰和碳中和背景下，电力系统的能源测结构正逐渐向以低碳能源发展为主导的能源模型进行变革。风力发电作为一种重要的低碳能源，近些年来风电机组的装机容量不断攀升。同时，大规模风电并网下的机组运维技术和故障诊断方法的研究对于风电机组乃至电力系统的安全稳定运行意义重大。然而，风电机组运行环境较为恶劣，通过传感器采集到的振动信号中有大量的低频、冲击性、电磁噪声干扰，信噪比低，导致故障特征难以提取，且实际中风电机组运行过程中故障导致的调制振动会随着机组转速变化而变化。实际风电机组运行过程中由于风速变化、设备磨损等导致的参数变化、信号采集干扰等因素引发风电机组的故障特征产生一定的不确定性，使得现有的故障诊断方法在工程实际中的应用面临巨大的挑战。考虑到工程实际中风电机组设备磨损、变转速、信号采集等复杂工况导致故障特征的不确定性，而现有风电机组智能故障识别技术通常基于确定性故障特征，二者之间的矛盾导致现有故障特征增强和故障识别算法难以在工程实际中得到良好的应用效果。

发明内容

本发明的目的在于克服上述现有技术中，由于风速变化、设备磨损、参数变化、信号采集干扰等导致的故障特征不确定性与风电机组的确定性故障识别技术产生矛盾缺点，提供一种风电机组早期故障特征增强方法和系统。

为了达到上述目的，本发明采用以下技术方案予以实现：

一种计及故障不确定性的风电机组早期故障特征增强方法，包括如下步骤：

步骤1)获取风电机组传动链上的原始信号；原始信号包括传动系统振动信号和高速轴的实时转速；

步骤2)建立二阶双稳态随机共振模型，结合传动系统振动信号，得到频域信号；

步骤3)基于风电机组的结构及传动系统高速轴的实时转速，计算得到理论故障特征频率；

步骤4)以理论故障特征频率为中心，对二阶双稳态随机共振模型输出信号的频域信号进行划分，得到若干个频率子区间；

步骤5)计算不同频率子区间的平均能量，基于不同频率子区间的平均能量，通过二阶双稳态随机共振模型进行参数的自适应调节，使子区间平均能量最大；

步骤6)计算各个子区间平均能量最大时二阶双稳态随机共振模型输出信号的分段均值指标；

步骤7)比较获取分段均值指标的最小值对应的频率子区间，在此频率子区间范围内分析实际故障特征，将此频率子区间能量最大时的二阶双稳态随机共振模型输出信号作为风电机组早期故障特征增强后的输出信号。

优选地，步骤1)中的原始信号还包括传动系统主轴水平的原始振动信号、传动系统高速轴水平的原始振动信号和传动系统发电机水平的原始振动信号；

对获取的原始信号，首先进行尺度变换，之后再基于尺度变换后的信号建立二阶双稳态随机共振模型。

优选地，步骤2)中，

将获取的原始振动信号进行包络解调作为二阶双稳态随机共振模型的输入信号；

对经过二阶双稳态随机共振模型处理后的输出信号进行频谱变换，计算输出信号的频域信号。

优选地，步骤2)中，频域信号是利用傅里叶变换法计算得到的。

优选地，步骤5)中，自适应调节通过粒子群优化算法进行；

自适应调节的具体过程为：

以不同频率子区间的平均能量作为粒子群算法的适应度函数，通过自适应调节二阶双稳态随机共振模型的系统参数和噪声强度，使子区间平均能量最大。

优选地，步骤2)中的二阶双稳态随机共振模型为

式(1)中，a、b为系统参数；k是阻尼比；D为噪声强度；s(t)为原始信号；ε(t)表示零均值高斯白噪声。

优选地，步骤5)中，计算不同频率子区间的平均能量，具体为：

式(2)中，f

一种计及故障不确定性的风电机组早期故障特征增强系统，包括：

信号采集单元，用于获取风电机组传动链上的原始信号；

模型建立单元，与信号采集单元相交互，建立二阶双稳态随机共振模型，结合传动系统振动信号，得到频域信号；

数据处理单元，与模型建立单元相交互，结合传动系统振动信号，得到频域信号，以理论故障特征频率为中心，对二阶双稳态随机共振模型输出信号的频域信号进行划分，得到若干个频率子区间，计算不同频率子区间的平均能量，基于不同频率子区间的平均能量，通过二阶双稳态随机共振模型进行参数的自适应调节，使子区间平均能量最大，计算各个子区间平均能量最大时二阶双稳态随机共振模型输出信号的分段均值指标；

分析评估模块，与数据处理单元相交互，比较获取分段均值指标的最小值对应的频率子区间，在此频率子区间范围内分析实际故障特征，将此频率子区间能量最大时的二阶双稳态随机共振模型输出信号作为风电机组早期故障特征增强后的输出信号。

与现有技术相比，本发明具有以下有益效果：

本发明公开了一种计及故障不确定性的风电机组早期故障特征增强方法，基于实时测量的转速等计算理论故障特征频率，并考虑一定的不确定性，划分故障可能存在的不同频率子区间，进而通过自适应随机共振的手段达到故障增强的效果。应用了频谱能量的计算方法，针对不同的频率子区间计算频谱能量，然后设定适应度函数，通过粒子群算法找出最优能量分布，进而计算不同频谱区间的分段均值指标，找出故障特征频率存在的子区间，完成频率搜索算法和自适应特征增强，解决了故障特征不确定下难以对风电机组振动信号的故障特征进行增强的问题。

本发明还公开了一种计及故障不确定性的风电机组早期故障特征增强系统，包括四个模块，信号采集单元，用于获取风电机组传动链上的原始信号；模型建立单元，用于建立二阶双稳态随机共振模型；数据处理单元，用于对二阶双稳态随机共振模型进行包络解调，计算二阶双稳态随机共振模型的频域信号；进一步计算得到理论故障特征频率，以理论故障特征频率为中心，对二阶双稳态随机共振模型的频域信号进行划分，得到若干个频率子区间；计算不同频率子区间的平均能量，基于不同频率子区间的平均能量，通过自适应调节，使子区间平均能量最大；分析评估模块，当子区间平均能量最大时，计算此时二阶双稳态随机共振模型输出信号的分段均值指标，分析该分段均值指标是否为所有子区间中的最小值；若该分段均值指标是所有子区间中的最小值，则该分段均值指标对应的子区间为实际故障特征存在的空间，完成频率搜索；若该分段均值指标不是所有子区间中的最小值，则继续计算直至得到子区间平均能量最大时的分段均值指标最小值。本发明系统设计成本较低，且能够对风电机组振动信号的故障特征进行增强，从而对早期故障进行有效识别和预警，实用性强。

附图说明

图1为利用本发明方法最初采集的原始信号图；

图2为本发明二阶双稳态随机共振模型输出的频域信号图；

图3为本发明二阶双稳态随机共振模型输出的频域信号的频率子区间划分示意图；

图4为本发明二阶双稳态随机共振模型基于粒子群进行的自适应优化示意图；

图5为本发明风电机组早期故障特征增强方法的流程图；

图6为本发明中频率子区间1％时随机共振输出频域信号图；

图7为本发明中不同频率子区间输出响应的PMV值变化趋势图；

图8为本发明对风电机组早期故障特征增强效果图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

实施例1

一种计及故障不确定性的风电机组早期故障特征增强方法，如图5所示，具体按照以下步骤实施：

步骤1)获取风电机组传动链上的原始信号；原始信号包括传动系统振动信号和高速轴的实时转速；

步骤2)建立二阶双稳态随机共振模型，结合传动系统振动信号，得到频域信号；

步骤3)基于风电机组的结构及传动系统高速轴的实时转速，计算得到理论故障特征频率；

步骤4)以理论故障特征频率为中心，对二阶双稳态随机共振模型输出信号的频域信号进行划分，得到若干个频率子区间；

步骤5)计算不同频率子区间的平均能量，基于不同频率子区间的平均能量，通过二阶双稳态随机共振模型进行参数的自适应调节，使子区间平均能量最大；

步骤6)计算各个子区间平均能量最大时二阶双稳态随机共振模型输出信号的分段均值指标；

步骤7)比较获取分段均值指标的最小值对应的频率子区间，在此频率子区间范围内分析实际故障特征，将此频率子区间能量最大时的二阶双稳态随机共振模型输出信号作为风电机组早期故障特征增强后的输出信号。

实施例2

一种计及故障不确定性的风电机组早期故障特征增强方法，包括：

步骤1、利用风电机组传动链安装的振动传感器获取原始信号s(t)，如图1所示。原始信号还包括传动系统主轴水平的原始振动信号、传动系统高速轴水平的原始振动信号和传动系统发电机水平的原始振动信号；

对获取的原始信号，首先进行尺度变换，之后再基于尺度变换后的信号建立二阶双稳态随机共振模型。

步骤2、搭建二阶双稳态随机共振模型，模型势函数如式(1)所示，并将原始信号s(t)作为模型输入信号。

其中，a、b为系统参数；k是阻尼比；D为噪声强度，ε(t)表示零均值高斯白噪声；

步骤3、将对随机共振模型输出信号进行包络解调，并利用傅里叶变换计算其频域信号，如图2所示。

具体为：将获取的原始振动信号进行包络解调作为二阶双稳态随机共振模型的输入信号；利用傅里叶变换法对经过二阶双稳态随机共振模型处理后的输出信号进行频谱变换，计算输出信号的频域信号。

步骤4、根据风电机组的结构、转速计算理论故障特征频率。以风电机组轴承故障为例，根据轴承结构尺寸及转速可计算表1计算轴承内圈、外圈等典型故障特征频率。例如设滚动轴承的理论参数为滚珠直径8mm，轴承节径40mm，滚动体个数为9个，接触角为0°，理论轴承外圈故障特征频率为3.6*fr，当磨损导致滚珠直径变化0.1mm，节径变化0.2mm，接触角不变时，实际外圈故障特征频率为3.607*fr。若转速为30Hz，则理论外圈故障特征频率为108Hz。

步骤5、考虑转速变化、机组设备磨损等因素导致故障特征频率变化的不确定性，随机共振模型输出信号包络解调的频谱信号以理论故障特征频率为中心划分频率子区间，以划分1％、3％、5％为例，外圈故障频率为108Hz，划分频率子区间为[108*(1-1％),108*(1+1％)]、[108*(1-3％),108*(1+3％)]、[108*(1-5％),108*(1+5％)]，如图3所示。

步骤6、利用式2计算步骤5中不同频率子区间的平均能量。

式(2)中，f

步骤7、选取粒子群作为优化算法，以不同频率子区间的平均能量作为粒子群算法的适应度函数，通过自适应调节随机共振模型参数a、b和噪声强度D，使得子区间平均能量最大，即以不同频率子区间的平均能量作为粒子群算法的适应度函数，通过自适应调节二阶双稳态随机共振模型的系统参数和噪声强度，使子区间平均能量最大。如图4所示。

E

式(3)中，f

步骤8、计算子区间平均能量最大时随机共振模型输出信号的分段均值指标(Piecewise mean value,PMV)，分析当分段均值指标PMV是否在所有子区间中最小，若非最小，返回步骤6并顺序进行，计算其他子区间PMV指标，分析PMV指标最小的一阶为实际故障特征存在的区间，完成频率搜索，并将此区间下平均能量最大时的随机共振模型输出作为特征增强的机组振动信号。PMV指标在一定程度上可以反映SR输出非线性系统幅值的离散程度，离散程度越大说明相应效果越差，离散程度越小说明相应效果越佳。即最小PMV值可以表征最优共振状态。流程图如图5所示。

其中将随机共振的输出信号以过零点为间隔划分成i+1个区间(假设i个过零点)，式(5)中x

实施例3

以风电机组轴承内圈故障为例，首先利用振动传感器采集轴承的振动信号，并将信号进行尺度变换后送入随机共振模型对信号进行包络解调及傅里叶变换，获取频域信号。

结合表1中的机组轴承尺寸和转速计算轴承内圈故障的理论故障特征频率为110Hz。在此基础上划分频率子区间1％、2％、3％、4％、5％、6％，分别是[108.9Hz,111.1Hz]，[107.8Hz,112.2Hz]，[106.7Hz,113.3Hz]，[105.6Hz,114.4Hz]，[104.5Hz,115.5Hz]，[103.4Hz,116.6Hz]，并计算不同频率子区间的能量。选取粒子群作为优化算法，以不同频率子区间的平均能量作为粒子群算法的适应度函数，通过自适应调节随机共振模型参数a、b和噪声强度D，使得子区间平均能量最大。以频率子区间1％为例，自适应调节随机共振模型参数a、b和噪声强度D计算[108.9Hz,111.1Hz]范围内的能量最大值，得到此时随机共振模型输出后的频谱信号如图6所示。可以看出故障特征频率幅值均得到了一定的增强。

计算所有频率子区间能量最大值对应的随机共振输出信号的分段均值指标PMV，分析PMV值变化趋势，如图7所示发现5％子区间下输出响应的PMV指标值最小，那么就认为在110Hz±5％范围内既[104.5,115.5]的频率范围内存在故障特征频率。

输出以该频率范围为优化目标的自适应随机共振相应如图8所示，其中优化的参数为a＝0.206；b＝1.702；D＝0.005；最终频率搜索出的实际故障特征频率为0.23×R＝115Hz，不同于理论的轴承内圈故障特征频率110Hz。从上述的仿真实验说明本专利所提算法能够有效识别不确定性导致故障特征频率变化时的故障特征频率，并同时机组早期故障特征增强增大了数倍，实现了工程实际中不确定性下的风电机组早期故障特征增强。

表1风电机组轴承典型故障理论特征频率计算

需要说明的是，上述实施例以双馈式风力发电机组为例进行实施例说明，实际中，本发明方法对于直驱式风力发电机组同样适用。

实施例4

一种计及故障不确定性的风电机组早期故障特征增强系统，包括：

双馈式风力发电机，用于获取风电机组传动链上的原始信号；

模型建立单元，与振动传感器相交互，基于获取的原始信号，建立二阶双稳态随机共振模型；

数据处理单元，与模型建立单元相交互，用于对二阶双稳态随机共振模型进行包络解调，计算二阶双稳态随机共振模型的频域信号；进一步计算得到理论故障特征频率，以理论故障特征频率为中心，对二阶双稳态随机共振模型的频域信号进行划分，得到若干个频率子区间；计算不同频率子区间的平均能量，基于不同频率子区间的平均能量，通过自适应调节，使子区间平均能量最大；

分析评估模块，当子区间平均能量最大时，计算此时二阶双稳态随机共振模型输出信号的分段均值指标，分析该分段均值指标是否为所有子区间中的最小值；若该分段均值指标是所有子区间中的最小值，则该分段均值指标对应的子区间为实际故障特征存在的空间，完成频率搜索；若该分段均值指标不是所有子区间中的最小值，则继续计算直至得到子区间平均能量最大时的分段均值指标最小值。

其中，以双馈式风电机组振动监测系统典型配置为例，如表2所示，在8个测点配置振动传感器加1个测点配置转速传感器，测量的转速信号用于计算理论故障特征频率，振动传感器的配置参考相关规范配置即可。

表2双馈式风力发电机振动测点分布表

综上所述，本发明一种计及故障不确定性的风电机组早期故障特征增强方法，该种算法能够有效地针对工程实际中机组设备磨损、转速变化、信号采集干扰等复杂工况导致的故障特征频率不确定，搜索出故障存在的不同频率子区间，进而通过自适应的随机共振的手段达到故障增强的效果。本发明应用了频谱能量的计算方法，针对不同的频率子区间计算频谱能量，然后设定适应度函数，通过粒子群算法找出最优能量分布，进而计算不同频谱区间的分段均值指标，找出故障特征频率存在的子区间，完成频率搜索算法和自适应特征增强。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。