一种风电机组变桨故障诊断方法与流程

1.本发明涉及风电机组故障诊断技术领域，具体而言，涉及一种风电机组变桨故障诊断方法。


背景技术：

2.风力发电是指把风的动能转为电能，是一种清洁无公害的可再生能源。风电机组的变桨系统用于控制风机叶片角度。
3.现有风电机组变桨故障诊断方法通过采集风电机组变桨系统的多种传感器信号，基于故障诊断模型进行分类，从而得到风电机组变桨系统的故障类型。故障诊断模型通常采用长短时记忆神经网络和支持向量机等。现有风电机组变桨故障诊断方法需要采集多种传感器信号，故障诊断模型的输入数据庞大，因此，其需要采用的故障诊断模型的结构复杂，计算量大。


技术实现要素：

4.本发明的目的在于提供一种风电机组变桨故障诊断方法，其解决了现有风电机组变桨故障诊断方法采用的故障诊断模型的结构复杂，计算量大的问题。
5.本发明的实施例通过以下技术方案实现：一种风电机组变桨故障诊断方法，包括以下步骤：s1、采集待测风电机组变桨系统的振动信号；s2、设置自适应滤波单元，对振动信号进行滤波，得到滤波信号；s3、提取滤波信号的振动特征和峰值特征，得到待测特征向量；s4、计算待测特征向量与标准特征向量的异常度；s5、在异常度大于异常阈值时，风电机组变桨系统存在故障。
6.进一步地，所述s2中自适应滤波单元的表达式为：其中，为滤波信号中第个值，为比例系数，为振动信号中第个值，为振动信号中第个值，为振动信号中邻近的值的数量，为邻近值的编号。
7.进一步地，所述比例系数的公式为：其中，为振动信号中第个值，为振动信号的均值。
8.进一步地，所述振动信号的均值的表达式为：
其中，为振动信号中第个值，为振动信号中第个值，为振动信号中邻近的值的数量。
9.进一步地，所述s3中振动特征的表达为：其中，为振动特征，为滤波信号中第个值，为的数量。
10.进一步地，所述s3中峰值特征的表达式为：其中，为峰值特征，为滤波信号中最大值，为滤波信号中最小值，为滤波信号中第个值，为的数量。
11.进一步地，所述s4中异常度的计算公式为：其中，为异常度，为待测特征向量中振动特征，为待测特征向量中峰值特征，为标准特征向量中振动特征，为标准特征向量中峰值特征，为指数因子。
12.进一步地，所述指数因子的表达式为：。
13.本发明实施例的技术方案至少具有如下优点和有益效果：本发明中采集待测风电机组变桨系统的振动信号，振动信号反映了变桨系统中各部件的工作情况，先对振动信号进行滤波，去除电噪声，再提取滤波信号的振动特征和峰值特征，得到待测特征向量，将待测特征向量与标准特征向量进行比较，得到异常度，在异常度大于异常阈值时，风电机组变桨系统存在故障；本发明中通过振动信号的振动情况反映变桨系统的工作情况，从而避免采用多种传感器采集多种传感信号，造成数据量庞大，同时，再通过待测特征向量与标准特征向量比较，从而得到风电机组变桨系统是否故障，提供一种轻量化的故障诊断方法。
附图说明
14.图1为一种风电机组变桨故障诊断方法的流程图。
具体实施方式
15.为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
16.如图1所示，一种风电机组变桨故障诊断方法，包括以下步骤：s1、采集待测风电机组变桨系统的振动信号；s2、设置自适应滤波单元，对振动信号进行滤波，得到滤波信号；所述s2中自适应滤波单元的表达式为：其中，为滤波信号中第个值，为比例系数，为振动信号中第个值，为振动信号中第个值，为振动信号中邻近的值的数量，为邻近值的编号。
17.所述比例系数的公式为：其中，为振动信号中第个值，为振动信号的均值。
18.所述振动信号的均值的表达式为：其中，为振动信号中第个值，为振动信号中第个值，为振动信号中邻近的值的数量。
19.s3、提取滤波信号的振动特征和峰值特征，得到待测特征向量；所述s3中振动特征的表达为：其中，为振动特征，为滤波信号中第个值，为的数量。
20.所述s3中峰值特征的表达式为：其中，为峰值特征，为滤波信号中最大值，为滤波信号中最小值，为滤波信号中第个值，为的数量。
21.s4、计算待测特征向量与标准特征向量的异常度；在本实施例中，标准特征向量为正常工作的风电机组变桨系统得到的特征向量。
22.所述s4中异常度的计算公式为：其中，为异常度，为待测特征向量中振动特征，为待测特征向量中峰值特征，为标准特征向量中振动特征，为标准特征向量中峰值特征，为指数因子。
23.所述指数因子的表达式为：。
24.s5、在异常度大于异常阈值时，风电机组变桨系统存在故障。
25.本发明中采集待测风电机组变桨系统的振动信号，振动信号反映了变桨系统中各部件的工作情况，先对振动信号进行滤波，去除电噪声，再提取滤波信号的振动特征和峰值特征，得到待测特征向量，将待测特征向量与标准特征向量进行比较，得到异常度，在异常度大于异常阈值时，风电机组变桨系统存在故障；本发明中通过振动信号的振动情况反映变桨系统的工作情况，从而避免采用多种传感器采集多种传感信号，造成数据量庞大，同时，再通过待测特征向量与标准特征向量比较，从而得到风电机组变桨系统是否故障，提供一种轻量化的故障诊断方法。
26.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。


技术特征：
1.一种风电机组变桨故障诊断方法，其特征在于，包括以下步骤：s1、采集待测风电机组变桨系统的振动信号；s2、设置自适应滤波单元，对振动信号进行滤波，得到滤波信号；s3、提取滤波信号的振动特征和峰值特征，得到待测特征向量；s4、计算待测特征向量与标准特征向量的异常度；s5、在异常度大于异常阈值时，风电机组变桨系统存在故障；所述s2中自适应滤波单元的表达式为：其中，为滤波信号中第个值，为比例系数，为振动信号中第个值，为振动信号中第个值，为振动信号中邻近的值的数量，为邻近值的编号；所述比例系数的公式为：其中，为振动信号中第个值，为振动信号的均值。2.根据权利要求1所述的风电机组变桨故障诊断方法，其特征在于，所述振动信号的均值的表达式为：其中，为振动信号中第个值，为振动信号中第个值，为振动信号中邻近的值的数量。3.根据权利要求1所述的风电机组变桨故障诊断方法，其特征在于，所述s3中振动特征的表达为：其中，为振动特征，为滤波信号中第个值，为的数量。4.根据权利要求3所述的风电机组变桨故障诊断方法，其特征在于，所述s3中峰值特征的表达式为：其中，为峰值特征，为滤波信号中最大值，为滤波信号中最小值，为滤波信号中第个值，为的数量。
5.根据权利要求4所述的风电机组变桨故障诊断方法，其特征在于，所述s4中异常度的计算公式为：其中，为异常度，为待测特征向量中振动特征，为待测特征向量中峰值特征，为标准特征向量中振动特征，为标准特征向量中峰值特征，为指数因子。6.根据权利要求5所述的风电机组变桨故障诊断方法，其特征在于，所述指数因子的表达式为：。

技术总结
本发明提供了一种风电机组变桨故障诊断方法，属于风电机组故障诊断技术领域，本发明中采集待测风电机组变桨系统的振动信号，振动信号反映了变桨系统中各部件的工作情况，先对振动信号进行滤波，去除电噪声，再提取滤波信号的振动特征和峰值特征，得到待测特征向量，将待测特征向量与标准特征向量进行比较，得到异常度，在异常度大于异常阈值时，风电机组变桨系统存在故障。桨系统存在故障。桨系统存在故障。


技术研发人员：王海侠 刘剑锋 张志强 靖鑫 李岩 柴林茂 原桦 刘兴章
受保护的技术使用者：华能新能源股份有限公司山西分公司
技术研发日：2023.09.01
技术公布日：2023/10/11