专利名称：基于风力发电机组振动的叶片故障诊断方法
技术领域：
本发明属于风力发电机组领域，尤其是一种基于风力发电机组振动的叶片故障诊断方法。

背景技术：
随着经济的发展，人们对电力能源的需求越来越多，而对于取之不尽，用之不竭的风力发电，更是清洁电力能源发展的重点，为了更好的实现电力能源供给，风力发电机组已向着大型化、海洋化发展，而与之相适应的风力发电机组的叶片也在向大型化和受载激励复杂化发展，为了更好的实现电力能源的安全供给，风力发电机组的监测是必不可少的环节，尤其是对风力发电机组的叶片故障诊断，根据现有数据分析叶片故障主要由两大类原因，其中一个原因为恶劣气候引起的大风以及环境温度的急剧变化导致风力发电机组叶片质量偏心的故障，另外一个因素就是长期受到不同程度的振动导致的叶片疲劳损伤的裂纹故障等。目前的叶片损伤故障只能监测100HZ以下的频率变化，只有大风引起的剧烈振动才能使监测报警系统启动，使整个风力发电机组刹车并进行维修维护，但对于环境温度的急剧变化以及长期受到不同程度的振动导致的叶片损伤故障不能实现有效的监测，2008年美国一次恶劣气候以及环境温度的急剧变化导致风力发电机组叶片超过3000万美金的损失，原因就是强降雨和降温导致叶片内腔充满水，且叶片排水口降温上冻，使整个风力发电机组上的叶片变形折损；上述示例如果能及时监测并进行有效维护，那么在一定程度上能够有效避免巨额损失的发生。


发明内容
本发明的目的在于克服现有技术的不足，提供一种诊断方法简单易行、灵敏度以及精度较高、诊断成本较低、能够有效提高风力发电机组叶片安全性、可靠性的基于风力发电机组振动的叶片故障诊断方法。
本发明解决其技术问题是通过以下技术方案实现的 一种基于风力发电机组振动的叶片故障诊断方法，其诊断方法的步骤为 (1)通过设置在风力发电机组机舱内的振动传感器和数据采集仪采集风力发电机组运行状态下频率范围f≤1000Hz的振动响应信号，对其振动响应信号作功率谱；通过滤波方法从风力发电机组的功率谱中提取对应风力发电机组叶片前M阶低频功率谱，3≤M≤50； (2)对风力发电机组叶片前M阶低频功率谱用关联维数或者长度分形维数或者盒维数或者频率平移距离法获取风力发电机组叶片运行状态特征值； (3)将风力发电机组叶片运行状态特征值与风力发电机组叶片正常状态特征值进行比较得到风力发电机组叶片故障诊断结果。
而且，风力发电机组叶片正常状态特征值获取方法为 (1)通过振动传感器和数据采集仪对风力发电机组进行模态试验分析和动力学有限元计算，获得风力发电机组的模态和固有频率，从中提取风力发电机组叶片的前M阶模态和固有频率，3≤M≤50； (2)通过设置在风力发电机组机舱内的振动传感器和数据采集仪采集正常运行状态下风力发电机组频率范围f≤1000Hz的振动响应信号作功率谱，通过步骤(1)中获得的风力发电机组叶片的前M阶模态和固有频率，采用滤波方法从风力发电机组的功率谱中提取对应风力发电机组叶片前M阶低频功率谱； (3)对风力发电机组叶片前M阶低频功率谱用关联维数或者长度分形维数或者盒维数或者频率平移距离法获取风力发电机组叶片正常状态特征值。
而且，还包括获取风力发电机组叶片故障状态特征值，该故障状态特征值获取的方法为 (1)通过设置在风力发电机组机舱内的振动传感器和数据采集仪采集故障状态下风力发电机组频率范围f≤1000Hz的振动响应信号制作功率谱，通过滤波方法从风力发电机组的功率谱中提取对应风力发电机组叶片前M阶低频功率谱，3≤M≤50； (2)对风力发电机组叶片前M阶低频功率谱用关联维数或者长度分形维数或者盒维数或者频率平移距离法获取风力发电机组叶片故障状态特征值。
而且，故障状态特征值为叶片末端加偏心质量块故障状态特征值或者叶片根部螺栓松动故障状态特征值或者叶片裂纹和末端加偏心质量块故障状态特征值。
本发明的优点和有益效果为 1、本叶片故障诊断方法能够对风力发电机组叶片的异常运行提供诊断，通过对振动传感器采集信号的分析处理，快速准确的诊断风力发电机组叶片的故障，为及时刹车提供依据。
2、本叶片故障诊断方法采用的传感器设置在风力发电机组的机舱内，可以根据实际工况设置多个传感器，该传感器为市场销售的振动传感器，成本较低。
3、本叶片故障诊断方法采用关联维数或者长度分形维数或者盒维数或者频率平移距离法获取风力发电机组叶片运行状态特征值，四种方法之间可以相互验证，提高了整个诊断方法的可靠性。
4、本叶片故障诊断方法还包括获取风力发电机组叶片故障状态特征值，通过叶片故障状态特征值能够精确找出风力发电机组叶片的故障位置，缩短维修维护查找时间，提高维修维护的效率。
5、本发明诊断方法简单易行、灵敏度以及精度较高、诊断成本较低、是一种能够有效提高风力发电机组叶片安全性、可靠性的基于风力发电机组振动的叶片故障诊断方法。



图1为风力发电机组叶片在正常状态下的时域信号； 图2为风力发电机组叶片在叶片末端加偏心质量块故障状态下的时域信号； 图3为风力发电机组叶片在叶片根部螺栓松动故障状态下的时域信号； 图4为风力发电机组叶片叶片裂纹和末端加偏心质量块故障状态下的时域信号； 图5为风力发电机组叶片在正常状态下的功率谱； 图6为风力发电机组叶片在叶片末端加偏心质量块故障状态下的功率谱； 图7为风力发电机组叶片在叶片根部螺栓松动故障状态下的功率谱； 图8为风力发电机组叶片叶片裂纹和末端加偏心质量块故障状态下的功率谱； 图9、图10、图11、图12分别为从图5、图6、图7、图8中滤波后提取对应叶片前三阶固有频率的功率谱； 图13为四种状态关联维数特征值计算结果； 图14为四种状态长度分形维数特征值计算结果； 图15为四种状态盒维数方法的特征值计算结果； 图16为四种状态频率平移距离法特征值计算结果。

具体实施例方式 下面通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
一种基于风力发电机组振动的叶片故障诊断方法，其诊断方法的步骤为 (1)通过设置在风力发电机组机舱内的振动传感器和数据采集仪采集风力发电机组运行状态下频率范围f≤1000Hz的振动响应信号，该振动传感器型号为PCB 352C68型ICP压电加速度传感器，对其振动响应信号作功率谱；通过滤波方法从风力发电机组的功率谱中提取对应风力发电机组叶片前M阶低频功率谱，3≤M≤50； (2)对风力发电机组叶片前M阶低频功率谱用关联维数或者长度分形维数或者盒维数或者频率平移距离法获取风力发电机组叶片运行状态特征值； (3)将风力发电机组叶片运行状态特征值与风力发电机组叶片正常状态特征值进行比较得到风力发电机组叶片故障诊断结果该风力发电机组叶片正常状态特征值获取方法为 ①通过振动传感器和数据采集仪对风力发电机组进行模态试验分析和动力学有限元计算，获得风力发电机组的模态和固有频率，从中提取风力发电机组叶片的前M阶模态和固有频率，3≤M≤50； ②通过设置在风力发电机组机舱内的振动传感器和数据采集仪采集正常运行状态下风力发电机组频率范围f≤1000Hz的振动响应信号作功率谱，通过风力发电机组叶片的前M阶模态和固有频率，采用滤波方法从风力发电机组的功率谱中提取对应风力发电机组叶片前M阶低频功率谱； ③对风力发电机组叶片前M阶低频功率谱用关联维数或者长度分形维数或者盒维数或者频率平移距离法获取风力发电机组叶片正常状态特征值。
本基于风力发电机组振动的叶片故障诊断方法，还包括获取风力发电机组叶片故障状态特征值，该故障状态特征值获取的方法为 (1)通过设置在风力发电机组机舱内的振动传感器和数据采集仪采集故障状态下风力发电机组频率范围f≤1000Hz的振动响应信号制作功率谱，通过滤波方法从风力发电机组的功率谱中提取对应风力发电机组叶片前M阶低频功率谱； (2)对风力发电机组叶片前M阶低频功率谱用关联维数或者长度分形维数或者盒维数或者频率平移距离法获取风力发电机组叶片故障状态特征值，该故障状态特征值为叶片末端加偏心质量块故障状态特征值或者叶片根部螺栓松动故障状态特征值或者叶片裂纹和末端加偏心质量块故障状态特征值。
上述对正常或者故障或者运行状态下风力发电机组振动响应信号作功率谱的方法均为 将获取的风力发电机组的振动响应信号X(t)，按式(1)进行傅立叶变换，得到功率谱X(jω) 式(1) 根据风力发电机组叶片的前M阶模态和固有频率，截取到叶片前M阶对应的功率谱为Gx(f)；再对Gx(f)中的非叶片前M阶的低频成分滤掉，这里采用切比雪夫滤波方法 切比雪夫滤波器设计 应用切比雪夫I型低通滤波器对Gx(f)滤波处理，将非叶片频率对应的成分滤掉，选切比雪夫滤波器的特征函数式为 式(2) 式(2)中，ωc为有效通带截至频率；N为滤波器阶数；ε为波纹系数，决定通带内波纹起伏大小，VN(ω)定义为 又f＝ω/2π，故式(2)可写为 式(3) 设计切比雪夫带通滤波器的参数通带上截止频率为ωu；通带下截止频率为ωl；阻带上截止频率为ωs2；阻带下截止频率为ωs1；通带内最大衰减α＝3db；阻带内最小衰减β＝30db；模拟带通滤波器技术指标为 式(4) 将上述滤波器的技术指标按式(4)转换成模拟带通滤波器技术指标如下 通带上截止频率 通带下截止频率 阻带上截止频率 阻带下截止频率 通带中心频率 带宽B＝Ωu-Ωl 将以上边界频率对带宽B归一化，得到 归一化阻带截止频率

归一化通带截止频率λp＝1；fc＝λs/λp，ε、N由式(5)、式(6)计算 式(5) 式(6) 将fc，ε，N代入式(3)得数字带通滤波器，切比雪夫滤波器为gx(f)如式(7)为滤波后的功率谱 gx(f)＝Gx(f)·|H(f)|2式(7) 通过滤波方法从风力发电机组的功率谱中提取对应风力发电机组叶片前M阶低频功率谱，3≤M≤50；分别用关联维数或者长度分形维数或者盒维数或者频率平移距离法获取风力发电机组叶片运行状态、正常状态和故障状态的特征值，并作为对叶片运行状态的故障诊断特征量。
关联维数方法、长度分形维数方法、盒维数方法、频率平移距离方法为现有技术计算方法，下面对于四种方法做简单介绍 1、关联维数方法 对于单变量序列，根据嵌入定理和重构相空间思想从单变量的序列中直接计算关联维数。记为Dc，假定一组数据序列X1，X2，X3，L Xi，L，其中Xi是第i时刻测得的值。现在把这组数据分成不同的小组，例如，取m＝10个数据为一组，则X1，X2，X3，L X10作为第一组，记为Y1；然后右移一步，把X2，X3，X4，L X11作为第二组，记为Y2；如此划分下去，可以得到一大批数据组Y1，Y2，Y3，LYk。实际上，这些数据组本身就是m维空间的一个矢量。现在将它们任意两者之间的差值的绝对值记为ri，j＝Yi-Yj，Yi和Yj分别表示第i和第j组数据。ri，j为m维超球半径，于是得到一系列的ri，j球，用孔半径为r的筛子来筛选这些ri，j球，显然半径比r小的ri，j球就漏下去，其个数记为Ndown(r)；半径比r大的ri，j球就留在上面，其个数记为Nup(r)。ri，j球的总数目N(r)＝Ndown(r)+Nup(r)。现把半径小于r的ri，j球个数与总的ri，j球个数之比记为C(r)，则有 这里C(r)是一个重要的参数。适当的改变r，使r在某区间内，使得C(r)∝rδ，式中指数δ是关联维数Dc的一种逼近。Dc更严格的定义是 式(8) 其中 式中Np为由时间序列重构的相空间矢量个数，H为Heaviside函数，即 C(r，m)是一个关联积分，表示相空间中吸引子上两点之间距离小于r的概率。
2、长度分形维数方法 设一非线性动力系统振动波形采样A＝{a|a＝(xi，yi)，i＝1，2，……N}，其中xi为时间采样点，yi为相应的振动幅值，N为样本点数。将集合A按式(9)、(10)进行拓扑映射，则A→M，M＝{b |b＝(xi*，yi*)，i＝1，2，……N}，为一单位平面的子集。
式(9) 式(10) 式(5-2)中，VI＝{y1，y2……，yi}，i＝1，2……N 线性变换不改变集合的拓扑结构，因此A、M维数相等。
在集合M中，设振动波形长度为L，超立方体边长为ε，则覆盖单元数为L/ε，取ε＝1/N*，N*＝N-1。在包覆或量度振动波形时，单元用具有一维长度单位的超立方体；对于有限样本点的非线性动力系统振动波形，长度分形维数为 式(11) 3、盒维数方法 设一离散动力系统振动信号采样点集

若它可以由N(ε)个边长为ε的Ω维超立方体覆盖，定义 式(12) 并称其为采样点集Ω的盒维数或容量维数。信号的分形盒维数在区间(1，2)内，信号越不规则，分形盒维数越大。因此，通过盒维数的大小可以判断信号的规整度。
4、频率平移距离方法 对任一i状态信号的功率谱G(f)。用相关系数RBi(l)表征标准谱BG(f)与功率谱G(f)的相似度， (i＝1，2...50)式(13) 式(10)中，RBi(l)为功率谱G(f)与标准谱BG(f)的规范相关系数，它表征了G(f)，BG(f)的相似性，<G(f+l)，BG(f)>表示G(f)和BG(f)的内积，||G(f)||2和||BG(f)||2则表示G(f)和BG(f)的2范数。
本基于风力发电机组振动的叶片故障诊断方法，可以首先获取风力发电机组叶片正常状态特征值以及风力发电机组叶片故障状态特征值，再通过获取风力发电机组叶片运行状态特征值与风力发电机组叶片正常状态特征值以及风力发电机组叶片故障状态特征值进行比较，得到诊断结果为故障状态时，可以比对故障状态特征值找出叶片故障位置，判断准确、精度高。
下面以300W风力发电机组为研究对象，机组运行状态测试时转子的转速为100r/min，采样频率为500Hz。试验设置了四种状态，它们分别为a为风力发电机组叶片正常运转；b为叶片末端加偏心质量块；c为叶片根部螺栓松动；d为耦合故障叶片裂纹和末端加偏心质量块，距叶片根部2/3处有2cm长裂纹和叶片末端加偏心质量块。对各种状态各测取50段时域信号；图1、图2、图3、图4为风力发电机组叶片四种状态下的时域信号；图5、图6、图7、图8为对应叶片四种状态下的功率谱。采用切比雪夫滤波方法，从图5、图6、图7、图8叶片四种状态中提取对应叶片前三阶固有频率的功率谱，如图9、图10、图11、图12所示。
叶片四种状态的特征值分别用关联维数方法、长度分形维数方法、盒维数方法、频率平移距离方法计算，并可以互相验证 (1)关联维数特征值计算 对图5、图6、图7、图8的功率谱信号，取对应的延迟因子τ＝5、嵌入维数m＝25；用关联维数原理和计算方法，计算四种状态的关联维数，计算结果见图13，风力发电机组叶片四种状态下功率谱信号的关联维数稳定在0.02误差范围内a为风力发电机组叶片正常状态下关联维数为4.4523±0.02；b为叶片末端加偏心质量块故障状态下关联维数为3.7652±0.02；c为叶片根部螺栓松动故障状态下关联维数为3.4572±0.01；d为叶片裂纹和末端加偏心质量块故障状态下关联维数为1.0252±0.005；各状态下的关联维数差别显著。可识别出风力发电机组叶片各运行状态。
(2)长度分形维特征值计算 对图5、图6、图7、图8的功率谱信号运用长度分形维原理和计算方法，对风力发电机组叶片的四种状态进行计算，计算结果见图14，a为风力发电机叶片正常状态下运转时长度分形维数为1.0710±0.01；b为叶片末端加偏心质量块故障状态下长度分形维数为1.1481±0.03；c为叶片根部螺栓松动故障状态下长度分形维数为1.2215±0.01；d为叶片裂纹和末端加偏心质量块故障状态下长度分形维数为1.0031±0.003，各状态的长度分形维数在分形意义下有明显的区别，用其可识别出风力发电机组叶片各运行状态。
(3)盒维数方法的特征值计算 对图5、图6、图7、图8的功率谱信号运用上述盒维原理和计算方法，对风力发电机组叶片的四种状态进行计算，计算结果见图15，a为风力发电机正常运转时盒维数为1.4153±0.005；b为叶片末端加偏心质量块时盒维数为1.3142±0.01；c为叶片根部螺栓松动时盒维数为1.3793±0.01；d为耦合故障时盒维数为1.4651±0.005，且d状态盒维数＞a状态盒维数＞c状态盒维数＞b状态盒维数。状态的盒维数在分形意义下有明显的区别，用其可识别出风力发电机组叶片各运行状态。
(4)频率平移距离法特征值计算 对图5、图6、图7、图8的功率谱信号运用频率平移距离法，对风力发电机组叶片的四种状态进行计算，计算结果见图16，a风力发电机组叶片正常状态的频率平移距离为±0.3；b叶片末端加偏心质量块时频率平移距离为-2.0±0.3；c叶片根部螺栓松动时频率平移距离为-4.3±0.4；d耦合故障时频率平移距离为8.5±0.9。各状态下的频率平移距离区别显著，用其可识别出风力发电机组叶片各运行状态。
权利要求
1.一种基于风力发电机组振动的叶片故障诊断方法，其特征在于该诊断方法的步骤为
(1)通过设置在风力发电机组机舱内的振动传感器和数据采集仪采集风力发电机组运行状态下频率范围f≤1000Hz的振动响应信号，对其振动响应信号作功率谱；通过滤波方法从风力发电机组的功率谱中提取对应风力发电机组叶片前M阶低频功率谱，3≤M≤50；
(2)对风力发电机组叶片前M阶低频功率谱用关联维数或者长度分形维数或者盒维数或者频率平移距离法获取风力发电机组叶片运行状态特征值；
(3)将风力发电机组叶片运行状态特征值与风力发电机组叶片正常状态特征值进行比较得到风力发电机组叶片故障诊断结果。
2.根据权利要求1所述的基于风力发电机组振动的叶片故障诊断方法，其特征在于风力发电机组叶片正常状态特征值获取方法为
(1)通过振动传感器和数据采集仪对风力发电机组进行模态试验分析和动力学有限元计算，获得风力发电机组的模态和固有频率，从中提取风力发电机组叶片的前M阶模态和固有频率，3≤M≤50；
(2)通过设置在风力发电机组机舱内的振动传感器和数据采集仪采集正常运行状态下风力发电机组频率范围f≤1000Hz的振动响应信号作功率谱，通过步骤(1)中获得的风力发电机组叶片的前M阶模态和固有频率，采用滤波方法从风力发电机组的功率谱中提取对应风力发电机组叶片前M阶低频功率谱；
(3)对风力发电机组叶片前M阶低频功率谱用关联维数或者长度分形维数或者盒维数或者频率平移距离法获取风力发电机组叶片正常状态特征值。
3.根据权利要求1所述的基于风力发电机组振动的叶片故障诊断方法，其特征在于得到风力发电机组叶片故障诊断结果后，还包括获取风力发电机组叶片故障状态特征值，该故障状态特征值获取的方法为
(1)通过设置在风力发电机组机舱内的振动传感器和数据采集仪采集故障状态下风力发电机组频率范围f≤1000Hz的振动响应信号制作功率谱，通过滤波方法从风力发电机组的功率谱中提取对应风力发电机组叶片前M阶低频功率谱，3≤M≤50；
(2)对风力发电机组叶片前M阶低频功率谱用关联维数或者长度分形维数或者盒维数或者频率平移距离法获取风力发电机组叶片故障状态特征值。
4.根据权利要求3所述的基于风力发电机组振动的叶片故障诊断方法，其特征在于风力发电机组叶片故障状态特征值为叶片末端加偏心质量块故障状态特征值或者叶片根部螺栓松动故障状态特征值或者叶片裂纹和末端加偏心质量块故障状态特征值。
全文摘要
本发明涉及一种基于风力发电机组振动的叶片故障诊断方法，其步骤为(1)对风力发电机组运行状态下频率范围f≤1000Hz的振动响应信号作功率谱；通过滤波方法从风力发电机组的功率谱中提取对应风力发电机组叶片前M阶低频功率谱；(2)对风力发电机组叶片前M阶低频功率谱用关联维数或者长度分形维数或者盒维数或者频率平移距离法获取风力发电机组叶片运行状态特征值；(3)将风力发电机组叶片运行状态特征值与风力发电机组叶片正常状态特征值进行比较得到风力发电机组叶片故障诊断结果。本发明诊断方法简单易行、灵敏度以及精度较高、诊断成本较低、是一种能够有效提高风力发电机组叶片安全性、可靠性的基于风力发电机组振动的叶片故障诊断方法。
文档编号G01M99/00GK101782475SQ201019102030
公开日2010年7月21日 申请日期2010年2月8日 优先权日2010年2月8日
发明者徐玉秀, 邢钢, 王志强, 张旭, 刘薇 申请人:天津工业大学