一种基于声学诊断的风电机组偏航系统异音诊断方法

技术领域

本发明涉及一种基于声学诊断的风电机组偏航系统异音诊断方法，主要涉及风机偏航每户故障监测与故障诊断技术领域。

背景技术

风能作为一种清洁无污染、储量巨大等特点，受到世界各国的高度关注，而风力发电作为风能利用的主要形式，因其环境友好、建设周期短、项目规模灵活等优点，在近些年取得了快速的发展。但是，由于风电机组长期处于恶劣的环境中，导致其故据相关数据分析显示，风电机组的叶片、传动系统、变浆系统、偏航系统等均为故障高发部位。偏航系统作为水平轴风力发电机组中重要的机械系统之一，能够在风向发生改变时控制风轮方向，追踪风向变化，从而做到风电机组的高效运行。但现阶段针对风电机组偏航系统故障检测的研究还相对较少。所以，对偏航系统进行实时状态监测具有重要的意义。

当前，基于风机偏航系统状态监测的方法有人工听诊，振动检测，数据挖掘等方法。人工听诊方法主要是运行人员根据运行经验来判断偏航系统是否发生故障，该方法存在严重的滞后性，且人为主观性较强，效率低下且误差大。振动法检测需要安装大量的传感器，成本高，且信号源复杂多变，很难检测到设备的早期故障。数据挖掘方法不足之处在于模型运算过程耗时较长，成本较高，不利于工程利用。

因此，提出了一种基于声学诊断的风电机组偏航系统异音诊断方法，以解决现有技术中存在的这一问题。为了解决上述技术问题，特提出一种新的技术方案。

发明内容

本发明的目的在于提供一种基于声学诊断的风电机组偏航系统异音诊断方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于声学诊断的风电机组偏航系统异音诊断方法，所述方法包含下述步骤：

步骤1，从安装在风机偏航系统轴承附近的噪音传感器采集偏航系统正常和故障两种状态的声信号作为原始的数据集；

步骤2，正常和故障两种状态下测量的声信号；其频谱信息必然不同，利用倍频程分析的方法，提取声信号的声压级作为特征向量，并归一化数据集；

步骤3针对传统的SOM算法在离散化数据集时随机地选取间隔数，有可能会导致丢失信息，提取了改进的SOM数据离散方法，以信息增益率为目标来优化间隔数，利用SOM网络得到离散数据集。

步骤4特征向量集划分为训练集和检验集，以偏航系统两类状态作为故障层，以提取的离散数据集作为征兆层，构建基于贝叶斯网络的故障诊断模型；

步骤5将步骤4的检验集带入步骤4的基于贝叶斯网络算法故障监测模型，得到测试样本精度；

步骤6在基于贝叶斯网络算法故障监测模型，发现异常后，将诊断结果发送至集控中心继而及时通知风场的维护人员前去检修。

优选地，所述步骤2中的倍频程为1/3倍频程，声信号的声压级可以表示为：

基于其中p

并可以用SPLs特征向量来表示偏航系统的状态，

S＝[SPL

其中，i＝1,2,…,N，N表示SPL特征向量的个数。

优选地，所述步骤3中的改进SOM方法为：

步骤301，初始化SOM网络的输入层和输出层网络，其中w

步骤302，选择竞争获胜神经元：选择产生最小的节点作为最匹配的神经元，即为获胜神经元。L＝arg min

确定获胜的神经元之后，更新神经元及其领域内的所有神经元。更新函数如为

其中，a(n)、b(n)和w

其中，T表示总的迭代次数，最后得到离散数据集

步骤303，计算

其中

其中Q表示类别数，m

步骤304，增加输出神经元直到达到最大的间隔，根据IGR计算公式，第i个SPL特征向量的最优间隔为

优选地，所述步骤4中的贝叶斯网络模型包括了故障层和征兆层，征兆层的节点表示提取的SPL特征，用S＝{S

有益效果

与现有技术相比，本发明的有益效果是：

(1)安装便利维护，高精度拾音器安装在偏航系统轴承附近，不影响偏航系统的正常运行。而在后续维护中，传感器出现的失效、故障等问题不需要让机组停止运行，直接更换维修即可；

(2)实时性高，偏航系统故障时，会发出很尖锐的噪音，相比于正常的噪音，这类信号在某频段能量很高。因此可以通过声信号分析检测的方法，实现对运转状态下风电机组偏航系统的实时诊断。

附图说明

图1为改进的SOM网络结构图。

图2为偏航正常与故障状态下时频图。

图3为最优化间隔数图。

图4为离散化特征数据表示图。

图5为支持向量机(SVM)分类器、基于SOM的贝叶斯算法(BN_SOM)和基于IGR和SOM的贝叶斯算法(BN_IGR_SOM)三种算法的试验对比图；

图6为风电机组偏航系统异音诊断流程图。

图7为步骤4中的贝叶斯网络模型的模型图。

具体实施方式

下面结合附图和实施例对本发明的一种基于声学诊断的风机叶片远程听诊方法进行详细说明。

步骤1，从安装在风机偏航系统轴承附近的噪音传感器采集偏航系统正常和故障两种状态的声信号作为原始的数据集；

步骤2，两种状态下测量的声信号；其频谱信息必然不同，利用倍频程分析的方法，提取声信号的声压级作为特征向量，并归一化数据集；

步骤3，针对传统的SOM算法在离散化数据集时随机地选取间隔数，有可能会导致丢失信息，提取了改进的SOM数据离散方法，以信息增益率为目标来优化间隔数，利用SOM网络得到离散数据集。

步骤4，特征向量集划分为训练集和检验集，以偏航系统两类状态作为故障层，以提取的离散数据集作为征兆层，构建基于贝叶斯网络的故障诊断模型；

步骤5，将步骤4的检验集带入步骤4的基于贝叶斯网络算法故障监测模型，得到测试样本精度；

步骤6，在基于贝叶斯网络算法故障监测模型，发现异常后，将诊断结果发送至集控中心继而及时通知风场的维护人员前去检修。

优选地，所述步骤2中的倍频程为1/3倍频程，声信号的声压级可以表示为：

基于其中p

并可以用SPLs特征向量来表示偏航系统的状态，

S＝[SPL

其中，i＝1,2,…,N，N表示SPL特征向量的个数。

优选地，所述步骤3中的改进SOM方法为：

步骤301，初始化SOM网络的输入层和输出层网络，其中w

步骤302，选择竞争获胜神经元：选择产生最小的节点作为最匹配的神经元，即为获胜神经元。L＝arg min

确定获胜的神经元之后，更新神经元及其领域内的所有神经元。更新函数如为

其中，a(n)、b(n)和w

其中，T表示总的迭代次数，最后得到离散数据集

步骤303，计算

其中

其中Q表示类别数，m

步骤304，增加输出神经元直到达到最大的间隔，根据IGR计算公式，第i个SPL特征向量的最优间隔为

优选地，所述步骤4中的贝叶斯网络模型包括了故障层和征兆层，征兆层的节点表示提取的SPL特征，用S＝{S

以及，步骤1通过前期实验结果表明，在偏航系统附近，不同位置采集的信号信噪比有很大差异，前期大量的试验结果表明，在靠近偏航轴承且传感器指向偏航轴承附近采集的信号信噪比最好，优选地实施方式中，倍频程为1/3倍频程，特征向量数据集进行划分的方式为70％作为训练集，30％作为检验集。

具体实施时：1)为了训练贝叶斯网络模型，现场采集了贤良风电场厂风机偏航系统正常与刹车片磨损故障的声学信号，其中风机型号为UP2000-96，机组容量2.0MW。数据采集系统由YG-201型传声器、集成在工控机中的采集卡及采集程序构成，采样频率为64kHz，源数据经过信号处理后，以1s的数据量作为一个样本周期；

数据集经时频分析，如图1所示，从图中可以看出，故障信号能量在3kHz左右突然增加。利用倍频程提取源信号的声压级后，利用改进的SOM(如图2所示)进行离散化处理，其最优分类间隔和离散后的数据集表示如图3、4所示。最后经过离散化之后的数据集用于贝叶斯网络模型的训练，以SVM、BN_SOM、BN_IGR_SOM三种算法进行比对，结果如图5所示。

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。