一种风电机组故障自诊断方法和系统与流程

1.本发明属于风电机组故障检测领域，特别是涉及一种风电机组故障自诊断方法和系统。


背景技术：

2.风力发电作为新能源发电的主力军之一，其技术革新过程依然在加速推进。智能化作为当前社会变革的重要力量，与传统风电技术领域的结合，必将成为技术革新的重要引领渠道之一。
3.风电机组以齿轮箱为代表的关键部件，在恶劣环境下时刻承受复杂的交变载荷考验，随着使用时间的推移，会导致不同程度的恶化。为检测风电机组的状态，专利公开号为cn114662743a公开了一种具有智能诊断功能的风机监控系统的技术方案；该专利中把贝叶斯网络在智能诊断方面的应用引入风电状态监测系统中，提出贝叶斯网络的广义逆矩阵的方法即改进贝叶斯网络方法的状态监测应用，使传统动力学知识和贝叶斯概率统计理论进行有效结合，形成风电机组智能监测技术。但是贝叶斯网络是事件先验的评价系统，对未发生的事件很难定性描述。
4.综上，现有对风电机组故障的判断，很难对未发生的事件进行定性描述。


技术实现要素：

5.本发明的目的在于提供一种风电机组故障自诊断方法和系统，以解决现有技术中对风电机组故障的判断，很难对未发生的事件进行定性描述的技术问题。
6.为实现上述目的，本发明所提供的一种风电机组故障自诊断方法和系统的技术方案是：
7.一种风电机组故障自诊断方法，采集风电机组齿轮组的振动数据和温度数据，从振动数据和温度数据中提取出与故障相关的特征；建立d-s识别框架，将提取出的与故障相关的特征作为证据源，并建立相应的赋值函数，利用d-s证据理论，对证据源信号进行融合判定，确定相应故障的概率。
8.有益效果是，由于齿轮组是风电机组的关键器件，通过判断齿轮组的振动数据和温度数据表征风电机组的运行状态，提高对风电机组故障状态判断的准确性。通过对振动数据和温度数据提取故障相关特征，并对故障特征进行d-s证据融合，输出预测的风电机组的故障概率，解决现有技术中对风电机组故障的判断，很难对未发生的事件进行定性描述的问题。
9.作为进一步地改进，当进行齿轮裂纹或者断齿故障诊断时，所提取的特征为齿轮啮合频率数据、齿轮震动频率数据和齿轮箱油温数据；当进行齿轮磨损故障判断时，所提取的故障特征为：齿轮啮合3倍频数据、齿轮啮合频率边带数据、齿轮震动有效值数据、齿轮箱油温数据。
10.作为进一步地改进，该方法还包括对d-s的诊断结果进行优化的过程，该过程为：
获取与风电机组齿轮组相关的关联设备的状态数据，当关联设备的状态数据满足融合条件时，将对应的关联设备状态数据与d-s的诊断结果进行二次融合，确定最终的故障概率。
11.有益效果是，为进一步提高对风电机组运行状态的判断，获取与齿轮组关联的其他设备的状态数据，在关联设备状态数据满足融合条件的情况下，让对应关联设备的状态数据与第一次融合的诊断结果进行二次融合，得到最终的风电机组的故障概率。提高对故障判断的准确性。由于关联设备的数据需要满足融合条件才能进行二次融合，因此当其他设备状态数据均不满足融合条件时，就不存在二次融合，第一次诊断结果就是最终预测的风电机组的运行状态结果。
12.作为进一步地改进，二次融合指的是：将满足融合条件的关联设备状态数据和上述融合判定确定出的故障概率数据作为证据源，利用d-s证据理论，对证据源信号进行融合判定，确定最终的故障的概率。
13.有益效果是，将关联设备状态数据和上述融合判定确定出的故障概率数据作为证据源，利用利用d-s证据理论对证据进行融合判断，输出最终的故障概率，完成对风电机组故障概率的预测。
14.作为进一步地改进，关联设备的状态数据包括塔架震动峰值数据、输出功率数据和电机转速数据。
15.有益效果是，由于发电机、塔架和叶片等部件在一定程度上也能反映风电机组的的状态，因此对应增加上述部件对应的三类数据，提高对风机发电机组状态预测的准确性。
16.作为进一步地改进，塔架震动峰值数据的融合条件为：当前后振动峰值小于左右振动峰值且风速小于设定阈值时，塔架震动峰值数据参与二次融合。
17.有益效果是：由于风电机组正常情况下机组塔架前后振动峰值会大于左右振动峰值；因此当当前后振动峰值小于左右振动峰值且风速小于设定阈值时，说明塔架或风电机组其他部件故障了，因此需要将该数据加入到风电机组运行状态判断的依据中，提高对风电机组运行状态。
18.作为进一步地改进，电机转速数据和输出功率数据的融合条件均为：风电机组在设定发电风速段运行，当风速-功率曲线标准差大于标准设置阈值时，输出功率数据和/或电机转速数据参与二次融合。
19.有益效果是：对于电机转速数据来说，当风机故障时，当波动标准差超出正常水平说明风电机组可能存在故障，而电机转速数据和输出功率数据是电机转速数据和输出功率数均与标准差有关联，这两个数据能够更细致的反映故障状态，因此将标准差超出与值设置为这两个数据的融合条件，提高对风电机组状态更精细的判断。
20.作为进一步地改进，该方法还包括根据诊断出的故障的概率进行预警的步骤，当诊断出的概率超出设定概率阈值时，发出对应的预警信息。
21.有益效果是：根据风电机组的运行状态预测风电机组发生故障的概率，通过设定阈值来识别风电机组是不是故障，并在故障时发出警告，保障风电机组的运行安全和稳定。
22.本发明还公开了一种风电机组故障自诊断系统，该系统包括处理器，处理器用于处理风电机组故障自诊断方法的任意一项实施例。
附图说明
23.图1为本发明中风电机组故障自诊断方法框图；
24.图2为本发明中风电机组故障自诊断方法的齿轮啮合3倍频数据隶属度曲线图；
25.图3为本发明中风电机组故障自诊断方法的齿轮啮合频率边带数据隶属度曲线图；
26.图4为本发明中风电机组故障自诊断方法的齿轮震动有效值数据隶属度曲线图；
27.图5为本发明中风电机组故障自诊断方法的齿轮齿轮箱油温数据隶属度曲线图；
28.图6为本发明中风电机组故障自诊断方法的塔架震动峰值数据隶属度曲线图；
29.图7为本发明中风电机组故障自诊断方法的输出功率数据隶属度曲线图；
30.图8为本发明中风电机组故障自诊断方法的电机转速数据隶属度曲线图；
31.图9为本发明中风电机组故障自诊断方法的信任函数区间示意图；
32.图10为本发明中风电机组故障自诊断方法的流程图。
具体实施方式
33.为了使本发明的目的、技术方案及优点更加清楚明了，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即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。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。
34.风电机组故障自诊断方法实施例：
35.如图1、图10所示，风电机组故障自诊断方法包括如下步骤：
36.1)通过传感器采集风电机组齿轮组的振动数据和温度数据，从振动数据和温度数据中提取出与故障相关的特征。齿轮组主要包括齿轮裂纹或断齿故障和齿轮磨损故障。
37.针对齿轮裂纹或断齿故障所提取的特征为齿轮啮合频率数据、齿轮震动频率数据和齿轮箱油温数据。具体原因是：该故障本故障在故障齿啮合时会产生冲击，故障齿随轴旋转一周会相遇一次，故此以转频倒数为间隔的冲击脉冲会在振动时域信号上表现明显；振动信号频域上，故障齿所在轴的转频会明显增加；啮合频率及其谐波两边出现转频及其倍频的边带；故障严重的话，随着振动冲击的增加，会诱发齿轮箱其他固有振动频谱的异常。
38.针对齿轮磨损故障判断时，所提取的故障特征为：齿轮啮合3倍频数据、齿轮啮合频率边带数据、齿轮震动有效值数据、齿轮箱油温数据具体原因是：齿轮齿面的小幅度磨损，不会表现在振动的频谱变化上，同时磨损会不可避免的导致升温现象。随着磨损的增加，齿面渐开线形状出现破坏，则传动会随之恶化，振动会转向方波，齿轮啮合频率及其倍频会随之升高，以2倍频3倍频4倍频为代表的相对升高百分比会随阶次的增加而更加明显。
39.2)建立d-s识别框架，将提取出的与故障相关的特征作为证据源，并建立相应的赋值函数，利用d-s证据理论，对证据源信号进行融合判定，确定相应故障的概率。具体地包括步骤如下：。
40.(1)建立故障状态d-s识别框架函数。
41.获取风电机组运行状态的多个独立事件，所有独立事件的集合作为识别框架。d-s识别框架有如下的表达形式：
42.θ＝{θ1,θ2,...,θn}
ꢀꢀꢀ
(1)
43.其中：θ为识别框架集合，表示对某一问题的所有可能答案，包含n个相互排斥且相互独立的事件。θi代表n个独立事件的测量结果。
44.识别框架所包含的子集可表示为：
[0045]2θ
＝{φ,{θ1},{θ2},...,{θn},{θ1∪θ2},...,{θ1∪θn},...,θ}
ꢀꢀꢀ
(2)
[0046]
其中：φ代表空集；θ为θ1到θn的并集，代表待判定事件的各种可能存在事件。现建立齿轮箱识别框架的基本形式，如式3所示：
[0047]
θ＝{f,n}
ꢀꢀꢀ
(3)
[0048]
其子集可表示为：
[0049]2θ
＝{φ,f,n,θ}应该还有(fun)
ꢀꢀꢀ
(4)
[0050]
其中，f表示齿轮箱故障发生；n表示齿轮箱状态正常；θ代表f和n的并集，代表齿轮型故障发生存在一定的概率。
[0051]
(2)建立故障可信度函数的数学描述
[0052]
为完成d-s证据预测的命题描述，需建立重要的描述函数，用于数字化表达事件命题的性质。m函数：基本概率分配函数，用于为各个命题进行信任程度分配。命题a在识别框架中的信任程度可用下式表示：
[0053]
m(φ)＝0
[0054][0055]
其中：m(a)为命题a的初始信任度函数，表征a的原始可信度；m(a)＞0的子集为a的焦元，焦元集构成证据核。m(φ)代表信任程度为0空集合。全集信任度累加值为一定等于1。
[0056]
定义信任函数bel(a)表示对命题a的信任程度；似然函数pl(a)，表示对命题a非假的信任程度，也即对a似乎可能成立的不确定性度量；则有[bel(a),pl(a)]表示a的不确定区间，[0，bel(a)]表示命题a支持证据区间，[0，pl(a)]表示命题a的拟信区间，[pl(a)，1]表示命题a的拒绝证据区间。
[0057]
幂集2
θ
上：
[0058][0059]
幂集2
θ
上：
[0060][0061]
其中：代表a的补集，bel(φ)＝0，bel(θ)＝1。
[0062]
则可得到关系式：
[0063]
bel(a)≤pl(a)
ꢀꢀꢀ
(8)
[0064]
信任函数和似然函数之间的信任关系可由图9表示
[0065]
(3)故障信任函数录属度的数据标识
[0066]
获取风电机组的历史故障数据，根据历史故障数据分别为各个独立事件建立故障隶属度函数；根据故障隶属度函数得到独立事件对应的故障概率，根据故障概率为对应独立事件分配信任程度。以某风场11号机组的运行工况为例进行说明。
[0067]
d-s证据预测属于模糊数学范畴，可以用模糊录属度来描述事件归属与某个集合的可能程度，这与经典数学要么属于要么不属于有本质区别。由此可知，d-s证据理论中，录
属结果存在0到1的任意可能性。这一步要建立齿轮箱经传感器采集数据后，其故障概率可能程度的模糊隶属度。齿轮箱故障的概率为齿轮箱单个传感器采集信息表达的故障不确定性的数学描述。
[0068]
模糊集a在论域u上属度函数的表达形式为：
[0069]u→
[0,1]
[0070]
ua:u
→
ua(u)
ꢀꢀꢀ
(9)
[0071]
研究齿轮箱加速度传感器，温度传感器在不齿轮传递环境的数据变化规律后发现，描述齿轮箱故障概率的隶属度函数有sigmf分布特征，以sigmf分布作为隶属度函数描述振动特性变化和温度变化是合适的。其函数表达式为：
[0072][0073]
其中：x为传感器检值或检测值的数据变换值，具体到本监测系统则为振动信号变换的有效值和傅里叶变换后固定点频率变化幅度，以及温度采集值；f为相应故障发生概率值。
[0074]
c和a为代表单一信号数据与故障概率具体分布情况的参数。当a取正值时f为单调增函数，其极限值为1；当a取负值时，f为单调减函数，其极限值为0。这与故障发生概率一定在区间[0,1]的事实相符，符合模糊数学描述。
[0075]
设fa,fb,fc分别代表有故障发生基本概率函数、无故障基本概率函数、故障不确定性函数，则有：
[0076]
fc＝1-f
a-fbꢀꢀꢀ
(11)
[0077]
现以齿轮磨损故障为例，建立具体的基本概率函数。如图图2为本发明中风电机组故障自诊断方法的齿轮啮合3倍频数据隶属度曲线图；图3为本发明中风电机组故障自诊断方法的齿轮啮合频率边带数据隶属度曲线图；图4为本发明中风电机组故障自诊断方法的齿轮震动有效值数据隶属度曲线图；图5为本发明中风电机组故障自诊断方法的齿轮齿轮箱油温数据隶属度曲线图。
[0078]
(4)故障证据合成算法建立。
[0079]
现对齿轮磨损故障的4个证据源信号进行融合判定，设4个证据源的赋值函数为m1,m2,m3,m4，在识别框架下的派生出12个故障赋值函数，故障赋值函数m1(f)、m2(f)、m3(f)、m4(f)，无故障赋值函数m1(n)、m2(n)、m3(n)、m4(n)，不确定幅值函数m1(u)、m2(u)、m3(u)、m4(u)。d-s证据合成规则满足证据交换率，同时满足证据结合率。由这两条股则可知，证据合成的次序不影响最终合成的判断结果。下式为证据合成的基本公式：
[0080]
任意2个不同证据假设其概率分配函数m(u)、m(v)满足：
[0081][0082][0083]
式中：k为冲突系数，k值越小代表证据间的冲突越小，1/1-k代表归一化的常量。
[0084]
证据的合成结果，形成了一个新的概率分布函数，可以作为全新的证据参与与另外的证据函数的合成。因交换率和结合率的存在，保证了证据合成次序的无关性，也为计算
机实现提供了便利。齿轮磨损故障的整个合成规划如图1所示。
[0085]
3)该方法还包括对d-s的诊断结果进行优化的过程，该过程为：获取与风电机组齿轮组相关的关联设备的状态数据，当关联设备的状态数据满足融合条件时，将对应的关联设备状态数据与d-s的诊断结果进行二次融合，确定最终的故障概率。二次融合指的是：将满足融合条件的关联设备状态数据和上述融合判定确定出的故障概率数据作为证据源，利用d-s证据理论，对证据源信号进行融合判定，确定最终的故障的概率。关联设备的状态数据包括有塔架震动峰值数据、输出功率数据和电机转速数据。
[0086]
为了提高对风电机组状态预测的准确度设置该二次融合步骤。二次融合与上述第一次的融合方式类似，其中根据历史数据建立塔架震动峰值数据、输出功率数据和电机转速数据的隶属度函数图像如图6、图7和图8所示。二次融合的信息数据获得非故障直接监测的本体，而是与监测本体具有强相关的关联设备上获得信息数据；二次融合条件不满足时，原有融合结果仍然有效。
[0087]
具体地，其他部件的状态数据包括塔架震动峰值数据、输出功率数据和电机转速数据。由于发电机、塔架和叶片等部件在一定程度上也能反映风电机组的的状态，因此对应增加上述部件对应的三类数据，提高对风机发电机组状态预测的准确性。
[0088]
其中，塔架震动峰值数据的融合条件为：当前后振动峰值小于左右振动峰值且风速小于。原因是：正常情况下，由于风电机组受力特征确定的机组塔架前后振动峰值(驱动端振动值)会大于左右振动峰值(非驱动端峰值)；正常情况下小风情况下，即风速7m/s以下，前后振动及左右振动峰值都会维持在较低水平。
[0089]
输出功率数据的融合条件均为：风电机组在设定发电风速段运行，当风速-功率曲线标准差大于标准设置阈值时，输出功率数据和/或电机转速数据参与二次融合。原因是正常情况与齿轮磨损故障发生相比，发电功率会带出密集波动信号，有时功率输出频谱会携带齿轮箱故障频谱特征。为利用这一特性，研究发现，在最大功率跟踪风速段，平均风速与输出功率曲线是有确定的函数关系的，以平均风速为输入函数，计算出的输出功率做为基准功率，然后坐测量电功率与此基准功率的标准差。可知，正常情况下此标准差稳定在一个较低的水平上，当齿轮磨损故障发生时，此标准差超出一定会明显超出正常水平。
[0090]
电机转速数据融合条件均为：风电机组在设定发电风速段运行，当风速-功率曲线标准差大于标准设置阈值时，电机转速数据参与二次融合。正常情况与齿轮磨损故障发生相比，电机转速波动会增加，且这种增量与齿轮箱齿轮磨损故障相关，部分转速输出频谱会携带齿轮箱故障频谱特征，多数时刻波动标准差的关联性更大，这个过程在整个风速段均有较明显体现。但变桨阶段和恒转矩阶段容易受其他因素影响，同样会表现出转速波动标准差的增加，基于此，仍用最大功率跟踪风速段为易。平均风速与转速曲线是有确定的函数关系的，以平均风速为输入函数，计算出的转速值做为基准转速，然后计算测量转速与此基准转速的标准差。可知，正常情况下此标准差稳定在一个较低的水平上，当齿轮磨损故障发生时，此标准差超出一定会明显超出正常水平。
[0091]
4)该方法还包括根据诊断出的故障的概率进行预警的步骤，当诊断出的概率超出设定概率阈值时，发出对应的预警信息。
[0092]
故障上报的数字化识别方法有多种形式，本系统设置为有故障概率函数值ε1大于设置阀值则确认故障发生。例如齿轮磨损故障当ε1＞0.8时则出发上报阀值，这个上报阀值
同样是历史积累数据的提炼所确定合适值。
[0093]
故障上报的数字化识别方法有多种形式，有故障概率函数不足以全面体现所有可能故障已发生。系统设置的上报规则可以用识别框架内有故障概率函数和无故障概率函数及不确定概率函数之差大于上报阀值来确定故障发。此时的上报阀值会相对较低，如设置为0.5。
[0094]
上报规则计算机描述函数可如下标识：
[0095]
m(f)＞0.8
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0096]
(m(f)-m(u)＞0.5)&(m(f)-m(n)＞0.5)
ꢀꢀꢀ
(18)
[0097]
本发明通过一次融合和有条件的二次融合，提高对风电机组运行状态预测的准确性。
[0098]
风电机组故障自诊断系统实施例：
[0099]
风电机组故障自诊断系统，该系统包括处理器，该处理器用于处理风电机组故障自诊断方法的实施例。本实施例参照风电机组故障自诊断方法的实施例，此处不再赘述。
[0100]
最后需要说明的是，以上所述仅为本发明的优选实施例，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细地说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行不需付出创造性劳动地修改，或者对其中部分技术特征进行等同替换。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：
1.一种风电机组故障自诊断的方法，其特征在于，该方法包括如下步骤：采集风电机组齿轮组的振动数据和温度数据，从振动数据和温度数据中提取出与故障相关的特征；建立d-s识别框架，将提取出的与故障相关的特征作为证据源，并建立相应的赋值函数，利用d-s证据理论，对证据源信号进行融合判定，确定相应故障的概率。2.根据权利要求1所述的风电机组故障自诊断的方法，其特征在于，当进行齿轮裂纹或者断齿故障诊断时，所提取的特征为齿轮啮合频率数据、齿轮震动频率数据和齿轮箱油温数据；当进行齿轮磨损故障判断时，所提取的故障特征为：齿轮啮合3倍频数据、齿轮啮合频率边带数据、齿轮震动有效值数据、齿轮箱油温数据。3.根据权利要求1所述的风电机组故障自诊断的方法，其特征在于，该方法还包括对d-s的诊断结果进行优化的过程，该过程为：获取与风电机组齿轮组相关的关联设备的状态数据，当关联设备的状态数据满足融合条件时，将对应的关联设备状态数据与d-s的诊断结果进行二次融合，确定最终的故障概率。4.根据权利要求3所述的风电机组故障自诊断的方法，其特征在于，所述二次融合指的是：将满足融合条件的关联设备状态数据和上述融合判定确定出的故障概率数据作为证据源，利用d-s证据理论，对证据源信号进行融合判定，确定最终的故障的概率。5.根据权利要求3所述的风电机组故障自诊断的方法，其特征在于，所述关联设备的状态数据包括有塔架震动峰值数据、输出功率数据和电机转速数据。6.根据权利要求5所述的风电机组故障自诊断的方法，其特征在于，塔架震动峰值数据的融合条件为：当前后振动峰值小于左右振动峰值且风速小于设定阈值时，塔架震动峰值数据参与二次融合。7.根据权利要求5所述的风电机组故障自诊断的方法，其特征在于，电机转速数据和输出功率数据的融合条件均为：风电机组在设定发电风速段运行，当风速-功率曲线标准差大于标准设置阈值时，输出功率数据和/或电机转速数据参与二次融合。8.根据权利要求1-7任意一项所述的风电机组故障自诊断的方法，其特征在于，该方法还包括根据诊断出的故障的概率进行预警的步骤，当诊断出的概率超出设定概率阈值时，发出对应的预警信息。9.一种风电机组故障自诊断系统，其特征在于，该系统包括处理器，所述处理器用于处理权利要求1-8任意一项所述的风电机组故障自诊断方法。

技术总结
本发明涉及一种风电机组故障自诊断方法和系统，属于风电机组故障检测领域，风电机组故障自诊断方法包括一下步骤：采集风电机组齿轮组的振动数据和温度数据，从振动数据和温度数据中提取出与故障相关的特征；建立D-S识别框架，将提取出的与故障相关的特征作为证据源，并建立相应的赋值函数，利用D-S证据理论，对证据源信号进行融合判定，确定相应故障的概率。由于齿轮组是风电机组的关键器件，通过齿轮组的故障判断结果表征风电机组的运行状态，提高对风电机组状态判断的准确性。通过利用D-S证据融合算法，输出预测的风电机组的运行状态，解决了现有技术中对风电机组故障的判断，很难对未发生的事件进行定性描述的问题。很难对未发生的事件进行定性描述的问题。很难对未发生的事件进行定性描述的问题。


技术研发人员：卢晓光 李延青 李凤格 刘伟鹏 王朝东 刘心社
受保护的技术使用者：许昌许继风电科技有限公司
技术研发日：2023.06.30
技术公布日：2023/9/25