专利名称：基于多传感器信号融合技术的风电机组叶片故障诊断方法
技术领域：
本发明属于在线监测和故障诊断技术领域，尤其是一种基于多传感器信号融合技术的风电机组叶片故障诊断的方法。
背景技术：
近年来，由于资源的短缺和环境的恶化使世界各国开始重视开发和利用可再生且无排放的能源。风力资源作为一种绿色、环保的资源，已越来越得到人们的重视。在全球范围内，大量的风电机组的投产使得风电机组的安全稳定运行引起人们的高度关注。由于风电机组长期工作在野外、暴晒和雷雨等恶劣环境中，风场风况复杂多变，极易引发各种故障，因此，风电机组的在线监测和故障诊断已经成为必不可少的环节。风电机组的叶片故障类型包括叶片质量不平衡故障、叶片气动不平衡、偏航和断叶片等，由于风电机组叶片价格 昂贵，损坏后维护困难，因此对叶片的状态监测和故障诊断显得尤为重要。在叶片故障出现的初期及时发现故障，在问题恶化影响机组运行之前及时处理，可以大大降低叶片维护、保养费用和难度。在风电机组叶片故障诊断的过程中，处理的数据都是通过传感器采集得到的。由于诊断对象运行工况复杂，影响因素众多，同一种故障往往有不同的表现，同一种症状又常常是几种故障共同作用的结果，严格说来，检测量与故障特征之间，故障特征与故障源之间都是一种非线性映射，仅依靠单个传感器得到的故障特征量一般无法有效地完成故障诊断，解决上述问题的有效手段之一就采用多传感器信号融合技术。信息融合的方式一般在传感器层、特征层和决策层，经常使用的是在决策层进行融合。决策层的信息融合技术是把两种或更多的分类器进行集成，采用一定的融合算法进行诊断。现有的融合算法主要有贝叶斯方法、D-S证据推理法和模糊积分法。贝叶斯方法需要先验信息，这种先验信息在实际应用中往往难以获得；且要求决策集合的元素相互独立，该要求太苛刻。D-S证据推理法案要求所使用的证据必须相互独立，一般难以满足，另外，还会出现组合爆炸，事件冲突等。模糊集可以很好地描述不确定现象，因此基于模糊积分理论的融合方法是应用最为广泛的一种工具。模糊积分是一种基于模糊密度的非线性决策融合方法，积分过程不仅综合各分类器的分类结果，还考虑各分类器的重要程度，将模糊积分应用于故障诊断，可以达到准确定位故障。

发明内容
本发明的目的在于克服现有技术的不足，提供一种简单易行、成本低、能够有效提高风电机组叶片安全、可靠性的基于多传感器信号融合技术的风电机组叶片故障诊断方法。本发明米用的技术方案为一种基于多传感器信号融合技术的风电机组叶片故障诊断方法，在风电机组上安装多传感器，通过采用多传感器解决由于传感器不足而带来的故障信息欠缺问题，采用分类器对每个传感器采集的信息进行初步诊断，确定待诊断故障隶属于不同故障的可能性，在充分考虑各个分类器与不同故障类型的关联程度的基础上，采用模糊积分融合方法进行决策融合诊断，其诊断方法的具体步骤为(I)通过安装在风电机组主轴座水平方向和垂直方向的加速度传感器测量叶片在正常和典型故障类型下的振动信号，每个加速度传感器对应一个分类器；(2)利用经验模态分解分别对采集的水平方向和垂直方向上的振动信号进行分解，将不同的故障特征 反应到不同的本征模函数；(3)计算前若干个本征模函数的能量，形成反应故障的特征信息，对所提取的故障特征信息归一化处理，得到故障特征向量，作为训练样本和测试样本；(4)利用水平方向和垂直方向上的训练样本和测试样本分别对两个分类器进行训练和测试；
toon] (5)确定模糊密度和模糊测度;g} = IjCiviBri = Unj = i,2,…t，gj表示第i个分类器的第j个信息的模糊密度，t是故障类型的个数，C是分类器的个数；令Y= Iy1,y2，一y。}为C个分类器构成的集合，Ai= {yi，y2，…yj，利用每个分类器在测试中对各个故障的正确识别率作为该分类器对各故障类型的关联程度，即模糊密度，然后根据模糊密度确定模糊测度；(6)将实测振动信号进行经验模态分解并提取故障特征向量，利用分类器分别进行初级故障诊断，得到的结果为Pj = (PjG1)，Pj (y2)，…Pj(y。))，其中Pj(Yi)表示分类器把待诊断的实例分为第j类的可能性；(7)利用Choquet模糊积分做融合算子对初级故障诊断结果进行融合处理来确定风电机组叶片的故障类型；根据式= 2f=1Cgj(A)-Bj(A^1)) - Pj(y.J计算出模糊积分值ej, ej为综合诊断出的故障可能性指标,则形成故障可能指标集E = {e1； e2,…et},根据其判断故障类型，E中最大值所对应的类别即为该实例的故障类型。作为优选，所述步骤(5)模糊测度的具体计算方式为根据式I—λ尸nf=1〔i— h ^ )确定λ J，然后根据式A(A1) =SjGyJ)和式A(Ai)=gj ({yj) +gj (Ah) + λ jgj ({yi}) gj (Ah) , i = I, 2,…c,求取模糊测度 gj (Ai) ； λ』是一个中间变量。作为优选，所述步骤(6)中，支持向量机输出的似然概率作为初级诊断中待诊断故障隶属于某种故障的可能性，将其作为初级故障诊断的结果，似然概率计算如下
{-^ Ifj(I)I < IP, Cyi) = j I - exp (In(ι)))
11IfiCOl > I式中是第i个分类器中第j个支持向量机的输出；Pj(yi)表示第i个分类器中第j个故障的似然概率，似然概率计算是针对正标识样本类进行的；当A(i)>0时，样本被分到正标识类的隶属度为Pj(Yi) Cpj(Yi) > O. 5);当fj(i)〈0时,样本被分到正标识类的隶属度为Pj(Yi) (Pj (Yi) <0.5) ； ε为任意小的正整数。有益效果1、本发明采用基于经验模态分解提取故障特征向量，可以提高故障的分辨率。2、本发明采用模糊积分融合技术不仅综合各分类器的分类结果，还考虑到了各分类器的重要程度，有效提高了系统诊断的准确性。3、本发明可以准确地进行风电机组叶片故障定位，缩短维护查找时间，提高维修维护的效率。4、本发明简单易行、诊断成本低、是一种能够有效提高风电机组叶片安全、可靠性的风电机组叶片故障诊断方法。


图I为本发明中基于多传感器信号融合技术的风电机组叶片故障诊断的方框图；图2为本发明中风电机组示意图；图3为本发明中经验模态分解方框图；图4为本发明中基于经验模态分解的故障特征向量提取的方框图。
具体实施例方式下面结合附图和具体实施方式
对本发明做进一步说明。如图I所示，一种基于多传感器信号融合技术的风电机组叶片故障诊断方法，在风电机组上安装多传感器，通过采用多传感器来解决由于传感器不足而带来的故障信息欠缺问题，采用分类器对每个传感器采集的信息进行初步诊断，确定待诊断故障隶属于不同故障的可能性，在充分考虑各个分类器与不同故障类型的关联程度的基础上，采用模糊积分融合方法进行决策融合诊断，具体步骤如下(I)如图2所示，风电机组的风轮I与主轴连接，主轴安装在主轴座2内，主轴通过联轴器3与发电机4连接，通过安装在风电机组主轴座2水平方向和垂直方向的两个加速度传感器测量叶片在正常和典型故障类型下的振动信号，每个加速度传感器对应一个分类器。(2)利用经验模态分解(EMD)分别对采集的水平方向和垂直方向上的振动信号进行分解，将不同的故障特征反应到不同的本征模函数(IMF)。经验模态分解是一种处理非平稳、非线性信号的方法。该方法将信号序列分解为多个不同频段的本征模函数(MF)和一个残余量之和，能很好地突出信号的局部特征，其计算过程如图3所示。在经过系列的计算后，原信号x(t)可以分解如下
权利要求
1.一种基于多传感器信号融合技术的风电机组叶片故障诊断方法，其特征在于在风电机组上安装多传感器，采用分类器对每个传感器采集的信息进行初步诊断，确定待诊断故障隶属于不同故障的可能性，在充分考虑各个分类器与不同故障类型的关联程度的基础上，采用模糊积分融合方法进行决策融合诊断，其诊断方法的具体步骤为 (1)通过安装在风电机组主轴座水平方向和垂直方向的加速度传感器测量叶片在正常和典型故障类型下的振动信号，每个加速度传感器对应一个分类器； (2)利用经验模态分解分别对采集的水平方向和垂直方向上的振动信号进行分解，将不同的故障特征反应到不同的本征模函数； (3)计算前若干个本征模函数的能量，形成反应故障的特征信息，对所提取的故障特征信息归一化处理，得到故障特征向量，作为训练样本和测试样本； (4)利用水平方向和垂直方向上的训练样本和测试样本分别对两个分类器进行训练和测试; (5)确定模糊密度和模糊测度；g|= gjC{FiB4 = IA--C,] = :1,2,…I:，gj表示第i个分类器的第j个信息的模糊密度，t是故障类型的个数，c是分类器的个数；令Y = {y1； y2，…y。}为c个分类器构成的集合，Ai = {yi，y2，…yj，利用每个分类器在测试中对各个故障的正确识别率作为该分类器对各故障类型的关联程度，即模糊密度，然后根据模糊密度确定模糊测度； (6)将实测振动信号进行经验模态分解并提取故障特征向量，利用分类器分别进行初级故障诊断，得到的结果为P」=(PjG1), Pj (y2) …Pj(y。))，其中Pj(Yi)表示分类器把待诊断的实例分为第j类的可能性； (7)利用Choquet模糊积分做融合算子对初级故障诊断结果进行融合处理来确定风电机组叶片的故障类型；根据式= Σ·=1 Cgj(A)-SjCAi-J) ' Pi(Fi)计算出模糊积分值e」，ej为综合诊断出的故障可能性指标，则形成故障可能指标集E= {e1； e2,…et}，根据其判断故障类型，E中最大值所对应的类别即为该实例的故障类型。
2.根据权利要求I所述的基于多传感器信号融合技术的风电机组叶片故障诊断方法，其特征在于所述步骤(5)模糊测度的具体计算方式为 根据式
3.根据权利要求I所述的基于多传感器信号融合技术的风电机组叶片故障诊断方法，其特征在于所述步骤(6)中，支持向量机输出的似然概率作为初级诊断中待诊断故障隶属于某种故障的可能性，将其作为初级故障诊断的结果，似然概率计算如下
全文摘要
本发明公开了基于多传感器信号融合技术的风电机组叶片故障诊断方法，通过采用多传感器来解决由于传感器不足而带来的故障信息欠缺等问题，对每个传感器采集的信息各用一个独立的分类器进行初步诊断，确定待诊断故障隶属于不同故障的可能性，在充分考虑每个分类器输出信息的重要程度的基础上，采用模糊积分融合技术进行决策融合诊断。本发明不仅综合各分类器的分类结果，还考虑各分类器的重要程度，有效地提高了风电机组叶片故障诊断的准确性。
文档编号G01M13/00GK102944416SQ201210519318
公开日2013年2月27日 申请日期2012年12月6日 优先权日2012年12月6日
发明者张建忠, 杭俊 申请人:南京匹瑞电气科技有限公司