基于贝叶斯网络的风电机组偏航系统故障诊断

　　风力发电作为风能应用的主要情势,因其情况友爱、建设周期短、项目范围机动等长处,在近年取得快速成长。但因为风电机组历久处于恶劣情况中,其叶片、传动体系、变浆体系、偏航体系等均为故障高发部位。偏航体系作为程度轴风力发电机组中紧张的机器体系之一,能在风向产生转变时节制风轮偏向、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体系故障检测的研讨还相对较少。当前基于风机偏航体系状况监测的办法有人工听诊、振动检测、数据发掘等办法。

　　人工听诊办法主要是运行职员依据运行履历来断定偏航体系是否产生故障,该办法存在严重的滞后性,工资主观性较强、效力低下且偏差年夜;振动检测办法作为一种成熟的故障检测办法普遍利用于风电机组故障检测中,如文献[1]针对风电机组叶片段裂、偏航体系故障等在内的5种工况,在装备适宜的部位安装振动传感器来获取振动旌旗灯号,应用旌旗灯号处置和BP神经收集办法实现了特性与故障类型的联系关系,但基于振动法检测需安装年夜量的传感器,本钱高且旌旗灯号源繁杂多变,很难检测到装备的早期故障;基于数据发掘的办法是应用风场SCADS体系和年夜数据技术来发掘数据之间的关系,如文献[2]从风电机组的发电功率、转子速率和俯仰角同风速间三个参数进行联系关系阐发,从SCADA体系中提取海量数据进行阐发,但此办法不敷之处在于模子运算进程耗时较长、本钱较高,晦气于工程应用。

　　从工程本钱、平安性及以实用性等方面斟酌,以上办法难以满意工程现实的需求。是以,本文提出了一种基于非打仗式的声学检测办法,该办法具有安装简单、维护便利、不影响机组正常事情等长处。提出了改良SOM与贝叶斯收集的偏航故障诊断办法,并联合风场实测数据验证办法的有用性。

　　1 算法设计

　　偏航体系毁伤检测可看作是一个故障征兆的非肯定性推理进程,而基于概率信息表现及推理的贝叶斯收集在处置非肯定性问题时有着优越的表示[3]。是以,本文提出了基于贝叶斯收集的风电机组偏航体系故障诊断办法,主要包含特性提取,数据离散化,贝叶斯收集模子。

　　1.1 特性提取

　　当偏航体系产生故障时,其声旌旗灯号的频谱必然会产生转变,经由过程倍频程阐发,这种转变可在提取的旌旗灯号声压级来(Sound Pressure Level,SPL)表现:,此中pe表现[fclower,fcupper]频带的声压级,fclower、fcupper分离表现中心频率上限截止频率和下限截止频率,pref表现参考声压级,空气中取值为2×10-5Pa。是以可用SPLs特性向量来表现偏航体系的状况:S=[SPL1,SPL2,…,SPLi,SPLN],此中i=1,2,…,N,N表现SPL特性向量的个数。

　　1.2 数据离散化

　　贝叶斯收集要求特性属性是离散化的,而提取的SPL特性向量各维度属性是持续的,是以SPL特性向量必需离散化。SOM神经收集是无监视式进修人工神经收集(artificial neural network,ANN)的一种,主要是用于数据离散化[4]。传统SOM算法是随便的划分数据距离,如许会导致数据信息的丧失。本文提出了一种基于信息增益率的SOM办法来有用地提取离散属性距离数以便更纯的离散化持续属性。给定归一化数据集XN'M={xi;xi=(xi,1,xi,2,…,xi,M),i=1,2,…,N},此中M表现样本数,IGR-SOM算法描写如下。

　　Step1:初始化SOM收集的输入层和输出层收集,此中wk,i(0),k=1,2,表现初始化收集第k个输入迷经元到第i个输着迷经元的衔接权重。

　　Step2:选择竞争得胜神经元,选择发生最小的节点作为最匹配的神经元,即为得胜神经元。,肯定得胜的神经元之后,更新神经元及其范畴内的所有神经元。更新函数为,此中a(n)、b(n)和wk,i(n)分离代表进修率、神经元范畴宽度、第n次迭代的衔接权重;d(k,L)表现第k个输入迷经元到得胜神经元的间隔。a(n)、b(n)更新公式如下,此中T表现总的迭代次数,末了获得离散数据集:

　　Step3:计算信息增益率,此中为的信息增益,界说为,此中Q表现种别数,mh表现第h类的样本数,M(k)表现第k个分别距离的样本数;IG表现分别距离的处分项,界说为。

　　Step4:增长输入迷经元直达到到最年夜的距离,依据IGR计算公式,第i个SPL特性向量的最优距离为。

　　1.3 贝叶斯收集模子

　　贝叶斯办法以其奇特的丰硕概率表达、不肯定常识表达等长处被普遍利用于文本辨认、故障猜测、分类等范畴[5,6,7]。基于贝叶斯收集诊断包含了故障层和征兆层。征兆层的节点表现提取的SPL特性,用S={S1,S2,…,SN}来表现,故障层节点用F={F1,F2,…,FC},此中C表现故障种别数,故障种别包含刹车片磨损、制动盘故障、减速器故障、偏航轴承失效。

　　2 试验阐发

　　为验证模子的有用性,采集了现实风电场偏航体系正常类与故障类的数据。传感器安装在接近偏航轴承邻近且指向偏航轴承,测试体系有AWA14423型传声器、工控条记本电脑(里面集成了旌旗灯号采集法式),采样频率设置为64kHz,采集了偏航正常状况和刹车片磨损故障状况两类数据,故障旌旗灯号能量在3kHz左右突然增长。

　　经由过程1/3倍频程提守信号声压级特性,共25个SPLs特性,统共比及200个正常类样本和200个故障类样本,颠末IGR-SOM算法将特性数据集离散化,此中IGR-SOM算法参数设置为:T1500、最年夜距离2、最小距离18、0.96、6.5;在对SPL数据离散化后的距离最优成果中,最优IGR值及最优距离数分离为:0.968、2,0.132、5,0.071、20,0.198、18,0.092、6,0.501、2,0.076、3,0.599、2,0.139、2,0.028、3,0.059、8,0.030、19,0.421、2,0.298、2,0.502、4,0.598、4,0.0258、18,0.899、2,0.621、2,0.221、2,0.075、9,0.022、20,0.042、2,0.015、20,0.031、18。表1给出了特性数据颠末离散化之后的表现成果。

　　表1 离散化特性数据表现 导出到EXCEL

　　Sample S1 S2 S2 … S10 S11 S12 S13 S14 … S23 S24 S25

　　1 1 5 18 2 6 16 1 2 2 19 15

　　2 1 4 14 2 4 14 1 2 2 9 8

　　3 1 2 17 2 5 12 1 2 2 18 6

　　… … … … … … … … … … … … … …

　　398 2 1 4 1 7 5 2 1 1 10 11

　　399 2 5 8 1 6 8 2 1 1 12 7

　　400 2 3 13 1 3 4 2 1 1 2 9

　　将离散特性数据70%作为训练数据、30%作为测试数据,为了证实本文所提办法的上风,对照了支撑向量机(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)。所提办法的准度度最高,为96.55%。

　　综上,本文从现有的研讨根基上,提出了基于贝叶斯收集诊断的风电机组偏航体系故障诊断模子,并联合改良的SOM数据离散办法,末了经由过程风电场实测的数据验证的该模子的正确性与实用性。