基于多元统计分析的风电机组机械设备状态诊断方法.pdf

《基于多元统计分析的风电机组机械设备状态诊断方法.pdf》由会员分享，可在线阅读，更多相关《基于多元统计分析的风电机组机械设备状态诊断方法.pdf（10页完整版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 103822786 A (43)申请公布日 2014.05.28 CN 103822786 A (21)申请号 201210475395.1 (22)申请日 2012.11.16 G01M 15/00(2006.01) (71)申请人 中国水利电力物资有限公司 地址 100045 北京市西城区广安门外内大街 甲 306 申请人 中国水利电力物资华南公司 浙江中自庆安新能源技术有限公司 (72)发明人 吕廷彦 李亚东 蒋维 杨浩 吕东 陈荣敏 李海波 张洪武 林子晗 (54) 发明名称 基于多元统计分析的风电机组机械设备状态 诊断方法 (57) 摘要 本发明技术方案公开。

2、了一种基于多元统计分 析的风电机组机械设备状态诊断方法， 应用传感 器采集风电设备所产生的状态信息， 用多元统计 分析对所述状态信息进行特征提取、 信号分析、 状 态辨识进分析处理， 以低维主分量特征表示技术 来表达和分类风电机组机械状态， 建立一种平均 相关度法则来评估每个主分量刻画出风电机组机 械状态的能力， 并选取低维主分量特征表示了对 风电设备状态特征的综合实现了对风电设备状态 诊断。本发明技术方案可以发现风电设备早期故 障并准确判断故障情况， 提高了风电机组的可利 用率， 尽可能的减少了维护和保养的周期及财务 成本。可以确保风电机组安全、 稳定、 可靠运行具 有极大的促进作用。 (5。

3、1)Int.Cl. 权利要求书 1 页 说明书 7 页 附图 1 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书1页 说明书7页 附图1页 (10)申请公布号 CN 103822786 A CN 103822786 A 1/1 页 2 1. 基于多元统计分析的风电机组机械设备状态诊断方法， 其特征在于， 应用传感器采 集风电机组机械设备所产生的状态信息， 用多元统计分析对所述状态信息进行处理， 所述 的多元统计分析包括主分量分析、 独立分量分析、 核主量分析以及盲源分离 ； 所述的多元统 计分析过程为对所述状态信息进行特征提取、 信号分析、 状态辨识。 2. 如权利。

4、要求 1 所述的基于多元统计分析的风电设备状态诊断方法， 其特征在于， 所 述的状态信息为风电机组机械设备的振动信息、 噪声信息和转速信息。 3. 如权利要求 1 所述的基于多元统计分析的风电设备状态诊断方法， 其特征在于， 所 述的状态信息为风电机组机械设备的轴承和齿轮箱部件的振动信息和转速信息。 4. 如权利要求 2 所述的基于多元统计分析的风电设备状态诊断方法， 其特征在于， 所 述的振动信息包括振动的绝对均值、 最大峰值、 有效值、 方根幅值、 斜度方差、 峭度、 波形因 子、 峰值因子。 5. 如权利要求 1 所述的基于多元统计分析的风电设备状态诊断方法， 其特征在于， 所 述的主分。

5、量分析包括基于低维主分量特征表示的风电设备状态信息， 建立一种平均相关度 法则来评估每个主分量刻画出风电机组机械状态的能力， 并选取低维主分量特征表示了对 风电设备状态特征的综合。 6. 如权利要求 2 所述的基于多元统计分析的风电设备状态诊断方法， 其特征在于所述 的振动信息由振动传感器采集。 权 利 要 求 书 CN 103822786 A 2 1/7 页 3 基于多元统计分析的风电机组机械设备状态诊断方法 技术领域 0001 本发明属于风电设备状态故障诊断方法， 特别涉及一种基于多元统计分析的风电 机组机械设备状态诊断方法。 背景技术 0002 风能是一种清洁的可再生能源， 在世界范围内。

6、迅猛发展。据资料显示 ： 2010 年中 国新增装机容量 18927.99MW， 同比增长 73.3， 累计装机容量达到 44733.29MW， 两项指标 均居于世界第一。 2011年中国新增风机装机容量为20665MW(2066.5万千瓦)， 较之2010年 增长 9.18， 继续保持世界首位。由于风电场一般位于条件恶劣的环境中， 工况极不稳定， 因此对风电机组的运行状态进行在线监测和故障诊断， 实时了解风电机组关键零部件的运 行状态， 早期发现事故的苗头， 在设备的故障处在磨损初期时， 通过早期维护和更换， 改善 润滑状态等措施将故障消灭在萌芽状态， 避免早发故障导致更为严重的故障破坏， 。

7、对确保 风电机组安全、 稳定、 可靠运行具有极大的促进作用。 0003 在风电设备实际运行过程中都不可避免的产生振动， 振动是机械设备本身动力学 特性的外在表示， 振动信息是研究机械设备状态的载体。于是根据机械设备振动信号的分 析与处理， 便可以得到机械设备的运行状态， 得到系统零部件由于磨损、 疲劳等原因引起的 状态变化信息， 并由此识别机械设备或零部件的故障。相对于其他机械设备状态处理技术 而言， 振动信号分析方法简便易行， 技术成熟， 是目前工程中使用的主要方法。 0004 目前国内缺乏对风电机组振动信号处理与特征提取方法的研究。风电机组在变 转速工况下运行， 故障特征频率计算困难， 使。

8、得故障的准确定位有一定难度， 需要研究适合 风电机组诊断的信号分析方法， 提升风电机组智能诊断的能力。风电设备状态监测就是采 用各种测量和监视方法， 记录和显示设备运行状态， 对异常状态做出报警， 为设备的故障分 析提供数据和信息。 状态信息表现为该机械设备的振动、 噪声、 压力、 温度、 应变、 声发射、 液 样、 电磁场等， 但是不同的状态信息类型对风电设备的状态的反映程度是不同的， 甚至有些 信息类型是不能够反映某些设备的状态特征的。 因此信息类型的选择对风电设备的故障诊 断是非常关键的。测试技术和传感器性能的发展为获得更可靠的信息提供了基础。状态 特征的提取方法的研究是风电设备故障诊断。

9、技术的关键。含有丰富状态信息的机械设备 运行状态信号的特征提取是建立在信号的处理的基础上的。 传统的信号处理方法包括滤波 技术、 频谱分析。 建立在信号处理基础上的常用的特征提取方法有时域模型分析、 快速傅立 叶变换、 短时傅立叶变换、 时间序列分析、 倒谱分析、 Winger 分布分析、 时频分析、 小波分析、 Hilbert-Huang变换分析、 阶比谱分析、 高阶谱分析、 分形混沌分析等方法。 信号分析处理的 目的是通过对运行状态信号的处理， 确定能很好地表征风电设备运行状态的特征量。状态 信号处理新技术在故障诊断中的应用大大促进了故障诊断技术的发展， 从短时傅立叶变换 到时频分析， 再。

10、到小波分析、 Hilbert-Huang 变换分析， 信号处理的非平稳分析方法逐渐改 善。多元统计分析方法只需要采集系统正常运行时的数据， 将这些数据从高维数据空间投 影到低维特征空间， 用少量变量反映多个变量的综合信息， 具有强大的数据挖掘能力， 以其 说 明 书 CN 103822786 A 3 2/7 页 4 独特的优势脱颖而出。 0005 工程应用中振动信号是各种振动信号的耦合， 采用振动信号分析进行故障诊断信 息类型多， 量值变化范围广， 人们总是提取很多种振动信号特征参数来进行风电设备健康 状况的评估， 但是它们所反映的状态规律性、 敏感性和在模式空间的聚类性、 可分性并不相 同，。

11、 随着不同的操作工况会发生一些变化。 所以， 在原始特征基础上运用多元统计分析的方 法比如主分量分析技术来提取规律性好、 敏感性强的新特征来进行有效的设备故障诊断则 显得非常需要。 0006 风电设备故障诊断则是根据状态监测所获得的信息， 结合设备的结构特性和运行 信息及历次维修记录， 对已经发生或者可能发生的故障进行诊断、 分析和预报， 以确定故障 的类别、 部位、 程度和原因， 提出维修对策， 使设备恢复到正常状态。 应用先进的故障诊断技 术， 不仅可以发现早期故障， 避免恶性事故的发生， 还可以从根本上解决设备定期维修中的 维修不足和过剩维修的问题。 因此， 如何保障风电设备的安全可靠高。

12、效运行， 预防和避免关 键设备出现故障， 杜绝重大和灾难性事故的发生， 已成为当前科技和风能发展的重要研究 课题之一。 发明内容 0007 本发明的目的在于提供一种基于多元统计分析的风电机组机械设备状态诊断方 法， 可以提高风电设备的可靠性与维修性及设备的管理水平， 保证产品质量， 避免重大事故 的发生。 0008 为达到上述目的， 本发明所采用的技术方案为 ： 一种基于多元统计分析的风电机 组机械设备状态诊断方法， 应用传感器采集风电机组机械设备所产生的状态信息， 用多元 统计分析对所述状态信息进行特征提取、 信号分析、 状态辨识等分析处理， 针对多元统计特 征评价和选取问题， 以主分量分析。

13、 (PCA) 技术为代表， 以低维主分量特征表示技术来表达 和分类风电机组机械状态， 建立了一种平均相关度法则来评估每个主分量刻画出风电机组 机械状态的能力， 并选取低维主分量特征表示了对风电设备状态特征的综合， 具有好的规 律性和强的敏感性。 所述的多元统计分析包括主分量分析、 独立分量分析、 核主量分析以及 盲源分离。 0009 本发明技术方案基于多元统计分析在风电机组机械设备状态诊断中的应用研究， 通过分析正在发展中的主分量分析 (PCA)、 独立分量分析 (ICA)、 核主分量分析 (KPCA) 和 盲源分离 (BSS) 四种多元分析方法应用在该领域， 把此方面的研究统一于高阶统计信息。

14、提 取、 多元冗余特征融合、 多维测量信号分离这三个子体系下。 高阶统计信息提取可以提取多 维或一维测量信号的高阶统计信息， 而这种统计信息体现了风电机组机械设备状态模式的 本质属性， 比原始测量信号能够更敏感的体现设备运行状态。多元冗余特征融合可以从多 元原始特征中提取出新的统计结构， 这些新特征比原始特征更稳健、 聚类性更好， 实现了对 风电机组机械设备运行状态的更精确诊断。 多维测量信号分离可以从多维测量信号中分离 处反映某个关键部件的信号成分， 据此可以更轻易地判断该部件的故障情况， 这其实是一 种新的风电机组机械设备状态分析途径。 风电机组机械设备的振动信号总是表现出了多通 道传递信。

15、号的混合， 每个传感器获取的信号并不是所测位置部件的实际振动信号， 而是多 个振动源信号的耦合。 通过主分量分析(PCA)、 独立分量分析(ICA)和核主分量分析(KPCA) 说 明 书 CN 103822786 A 4 3/7 页 5 等多元统计分析方法对混合信号分离和分析处理以及对多维信号中提取更加有效的新统 计特征来表达和分类风电机组机械状态模式， 从而实现对风电设备状态的故障诊断。 0010 所述的状态信息为风电机组机械设备的振动信息、 噪声信息和转速信息。 0011 所述的状态信息为风电机组机械设备的轴承和齿轮箱部件的振动信息和转速信 息。 0012 所述的振动信息包括振动的绝对均值。

16、、 最大峰值、 有效值、 方根幅值、 斜度方差、 峭 度、 波形因子、 峰值因子。 0013 所述的主分量分析包括基于低维主分量特征表示的风电设备状态信息， 建立一种 平均相关度法则来评估每个主分量刻画出风电机组机械状态的能力， 并选取低维主分量特 征表示了对风电设备状态特征的综合。 0014 所述的振动信息由振动传感器采集。 0015 本发明技术方案可以发现风电设备早期故障并准确判断故障情况， 提高了风电机 组的可利用率， 尽可能的减少了维护和保养的周期及财务成本， 还可以从根本上解决设备 定期维修中的维修不足和过剩维修的问题。可以保障设备的安全可靠高效运行， 预防和避 免关键设备出现故障，。

17、 杜绝重大和灾难性事故的发生。 附图说明 0016 图 1 为基于低维主分量特征表示风电设备状态故障诊断方案。 0017 图2用一维特征计算的测试样本与三个状态类之间的相似距离 ： (a)正常状态(b) 轻微磨损 (c) 严重故障状态。 具体实施方式 0018 以下结合具体实施方式对本发明做出进一步阐释 ： 0019 一种基于多元统计分析的风电设备状态故障诊断方法， 其特征在于， 包括主分量 分析、 独立分量分析、 核主量分析以及盲源分离。 0020 多元统计特征反映了被测数据的本质统计结构， 这些结构可以有效地刻画风电 机组机械设备的模式， 多元统计分析分析方法很多， 包括主分量分析 (PC。

18、A)、 独立分量分析 (ICA)、 核主分量分析 (KPCA) 等方法， 这些分析方法在风电设备状态故障诊断中都显示出 了很好的应用效果。 0021 风电机组机械设备振动或者噪声信号是一种复杂的随机过程， 很难用确定的时间 函数来表示。进行风电机组机械状态监测和故障诊断时需要进行特征分析， 提取能够反映 风电机组机械设备状态信息的模式特征。 为了消除运行环境、 传感器因素对数据的影响， 使 信号分析结果有一个客观、 公正的标准， 必须对被测试信号进行预处理。因此采用均值 - 方 差标准化法， 如下面分析， 预处理后的信号具有零均值和单位方差的标准。 0022 所采集风电机组机械设备状态的信号转。

19、换成一维离散数据 y1， y2， ， yn， N 为样 本长度， 则所测数据样本均值如下式 (1) ： 0023 0024 样本的方差如下式 (2) ： 说 明 书 CN 103822786 A 5 4/7 页 6 0025 0026 则得出均值 - 方差标准化后的样本数据如下式 (3) ： 0027 0028 经过预处理以后， 受到环境噪声的影响， 不同状态的风电机组机械设备状态信号 一般在时域上差别不大， 时域分析法一般作为机械故障的初步预判， 仅仅采用时域统计特 征很难区分不同的状态模式。频域分析具有原时域信号频率成分的幅值和相位信息。频域 上的能量分布则能够一定程度上反映出状态间的区别。

20、， 通过分析不同状态信号在频域上的 表现， 可以发现一些典型特征频带， 反映了不同程度风电设备故障的发展。 因此基于时频分 析和频域分析， 提取机组设备信号的时域和频域统计特征指标来全面表达其模式特征， 这 些特征包括振动的绝对均值、 最大峰值、 有效值、 方根幅值、 斜度方差、 峭度、 波形因子、 峰值 因子等时域特征， 以及频域的 8 个相对谱能量参数。这样总共从测量信号中提取出 16 个特 征， 表示为特征矢量 0029 Fj|j 1， 2， A， 16 (4) 0030 主分量分析 (PCA) 是一种有效的去相关工具。其基本思想是寻找高维数据的一些 主分量表示， 这些分量具有最大方差，。

21、 用它们表示原数据具有最小的均方误差。 主分量分析 特征反映了多元特征间的二阶统计结构。 0031 独立分量分析(ICA)则比主分量分析(PCA)更进一层， 它不只要求去相关， 而且还 要求各变量相互统计独立。 ICA可以进行有效的盲源分离， 也可以用来提取多元变量的独立 结构特征。 0032 核主分量分析(KPCA)是主分量分析(PCA)的一种非线性扩展， 它巧妙运用核函数 的方式， 实现了 PCA 的非线性特征结构提取。核主元分析 (KPCA) 理论实质上就是通过非线 性变换将输入空间变换到高维空间， 然后在高维的特征空间进行主元分析。 0033 不管二阶统计结构、 统计独立结构， 还是非。

22、线性结构， 都从统计意义上反映了风电 机组机械设备运行状态间的本质区别。 机械设备各个原始统计特征指标也都反映了机组设 备状态的本质统计特征， 只是它们反映了不同侧面的敏感性， 显然综合这些不同侧面敏感 性的多元统计特征结构可以有效地表征风电机组机械设备的敏感模式特征。 在风电机组机 械状态故障诊断时， 这些统计结构与原始统计特征相比， 可以在很低维数上实现更灵敏的 诊断结果。 0034 一般提取的多元统计特征表达风电机组设备模式的能力也不相同， 例如， 第一维 主分量特征表示具有最大的特征值， 即拥有数据变化的最大方差， 因而能够刻画出原始特 征的典型模式， 而其他主分量特征则只能反映出风电。

23、机组机械设备模式的局部特征 ； 独立 分量特征具有不同的独立结构， 对风电机组机械设备状态的表现能力也都不一样 ； 每个非 线性主分量特征也有不同的非线性特征。 为了既能有效的表达和分类设备故障模式又能减 少计算复杂度， 可以仅仅选择最有代表性的特征分量来建立一个子空间。一种传统的特征 选择方法是累积贡献率法 (ACR)， 对前 m 个主分量特征， 其累计贡献率定义为 ： 说 明 书 CN 103822786 A 6 5/7 页 7 0035 0036 Rm表示了前 m 个主分量特征在观测特征全部方差的百分比。特征数目 m 的选取由 累计贡献率设定一个门限值确定。 但是， 该门限值的理论确定还。

24、是有一定难度的， 一般都是 根据实验值确定。 基于多元统计分析和原始统计特征的相关度测量提出一种特征评价和选 择新方法。下面对采用主分量分析 (PCA) 进行该方法理论描述， 这能对其他多元统计方法 也具有借鉴意义。 0037 设PCi(i1， ， d)为风电机组机械设备信号样本的第i个主分量特征表示， Fj(j 1， ， d) 为第 j 维原始模式特征向量， 则它们之间的相关度用相关系数的绝对值计算 ： 0038 0039 其 中 E() 表 示 求 期 望 值， D() 表 示 求 方 差。 定 义 相 关 度 矩 阵 为 其中 i为相关向量， 定义为 i1， i2， ， id， 它反映了。

25、 PCi与所 有原始统计特征的关联度强弱。ij越大， 第 i 个主分量特征表示就越与第 i 维统计特征 相似。此外， 相关系数 ij反应了 PCi从第 j 维统计特征提取风电机组机械状态变化信息 的程度。因此上述系数也可以考虑为是从原始统计特征中提取新特征的权重。根据 PCA 技 术的特征， 前面的主分量有较大的方差， 这表明他们比后面主分量提取了更有用的风电机 组机械设备模式信息。这种现象可以用平均相关值来描述， 定义如下 ： 0040 0041 反映了第i个主分量特征表示刻画风电机组机械设备模式的能力。 越大， 主分 量PCi将会越好地表达和分类机械设备状态。 通常 最大， 就是说第一个主。

26、分量表达具有最 好的性能。此外， 平均相关度也能通过比较 i中的相关值， 来用于选择敏感的原始特征。 相关系数 ij越大， 第 j 维统计特征 Fj就越敏感。 0042 对风电机组机械状态故障诊断时， 一个有争议的问题来选择多少个主分量特征以 更好地抓住机组机械设备健康状态的变化。 理论上较多的特征表示会对风电机组机械状态 故障诊断有益。但是采用太多的特征会增加计算复杂度， 而且最敏感的特征才更有利于模 式分类。因此， 应该从全部主分量特征中选择适当数目的主分量。鉴于平均相关度可以很 好的刻画主分量特征的性能， 可以用它来决定最优的特征维数。提出如下选择主分量平均 相关法则 (MCR) ： 0。

27、043 0044 其中 Mc表示选择的平均相关度值， 是一个预设的门限制。仅有平均相关度值大 于这个门限制的主分量被选为代表性的主分量， 其他的则丢弃。然而， MCR 方法运用需要解 决预设的门限问题。好的门限应该具有两个优点 ： 稳定性和有效性。 0045 风电设备状态故障诊断的本质问题时模式识别。 以此通过分析主分量特征对风电 机组机械设备状态的表征能力， 选择有效的低维主分量特征表示， 提出如下的风电设备状 说 明 书 CN 103822786 A 7 6/7 页 8 态故障诊断方案。 0046 假设选择的维数是 1， 则训练样本 xj在原始特征空间的 1 维模式表示为 f1j， ， f。

28、ij。所有训练样本的 1 维 PC 表达可以表示为其中是第 i 个 PC 特征矢量， 长度为 M。假设训练样本集分类到 c 类 Ci|i 1， ， c， 表示为 (xn， cn)|n 1， ， Ni， 其中 cn 表示模式 xn 的类标签， N ； 是类 Cj 的样本数目。则对每一类， 训练样本的 PC 特征表 达的均值为 ： 0047 0048 这些均值可以用于表达相应的类， 并把输入的样本区分到恰当的故障类别。对策 是样本也提取相应的 1 维主分量特征表示， 它由测试样本投影到训练样本集模式矩阵 RX的 前 1 个最大特征值对应的特征向量上得到， 它们表示为计算如下 ： 0049 0050。

29、 其中 是训练样本的均值向量， 因此来比较测试样本与各类别之间的相似度， 用主 分量特征与各类别之间的欧几里得距离来计算， 即为 ： 0051 0052 比较这些距离的大小， 测试样本被分到具有最小距离的类， 即与距离最小的状态 类具有最大相似度。 0053 基于以上分析， 提出基于低维主分量特征表示的风电设备状态诊断方案如图 1 所 示， 其主要的步骤概述如下 ： 0054 (1) 计算测量样本的 f 维统计特征， 组织训练样本集的数据矩阵 X。 0055 (2) 提取训练样本的 f 维 PC 特征表示， 提取测试样本 1 维 PC 特征表示。 0056 (3) 基于提出的 MCR 方法用训。

30、练样本选择最优的维数 1(1 f)。 0057 (4) 基于训练样本的 1 维 PC 特征表示计算类均值。 0058 (5) 计算测试样本 xk到每个类均值的相似距离， 把测试样本分类到具有最小相似 距离的类。 0059 如图 2 所示选择一维主分量时的某测试样本相应的相似距离。可以看出， 选择有 效的主分量特征并建立了一种平均相关度法则来评估每个主分量能有效地刻画出风电机 组机械状态的能力。 0060 所述的故障诊断为对风电设备的轴承和齿轮箱部件的振动信息和转速信息进行 故障诊断。 0061 所述的振动信息和转速信息， 由振动传感器和转速传感器采集。 0062 本发明技术方案基于多元统计分析。

31、在风电机组设备状态故障诊断中的应用研究， 通过分析正在发展中的主分量分析(PCA)、 独立分量分析(ICA)、 核主分量分析(KPCA)和盲 源分离 (BSS) 等四种多元分析方法应用在该领域， 把此方面的研究统一于高阶统计信息提 取、 多元冗余特征融合、 多维测量信号分离这三个子体系下。 高阶统计信息提取可以提取多 维或一维测量信号的高阶统计信息， 而这种统计信息体现了风电机组机械设备状态模式的 说 明 书 CN 103822786 A 8 7/7 页 9 本质属性， 比原始测量信号能够更敏感的体现设备运行状态。多元冗余特征融合可以从多 元原始特征中提取出新的统计结构， 这些新特征比原始特征。

32、更稳健、 聚类性更好， 实现了对 风电机组机械设备运行状态的更精确诊断。 多维测量信号分离可以从多维测量信号中分理 处反映某个关键部件的信号成分， 据此可以更轻易地判断该部件的故障情况， 这其实是一 种新的风电机组机械设备状态分析途径。 风电设备的振动信号总是表现出了多通道传递信 号的混合， 每个传感器获取的信号并不是所测位置部件的实际振动信号， 而是多个振动源 信号的耦合。通过主分量分析 (PCA)、 独立分量分析 (ICA)、 核主分量分析 (KPCA) 等多元统 计分析方法对混合信号分离和分析处理以及对多维信号中提取更加有效的新统计特征来 表达和分类风电机组机械状态模式， 从而实现对风电设备状态的故障诊断。 0063 本发明技术方案可以发现风电设备早期故障并准确判断故障情况， 提高了风电机 组的可利用率， 尽可能的减少了维护和保养的周期及财务成本， 还可以从根本上解决设备 定期维修中的维修不足和过剩维修的问题。可以保障风电设备的安全可靠高效运行， 预防 和避免关键设备出现故障， 杜绝重大和灾难性事故的发生。 说 明 书 CN 103822786 A 9 1/1 页 10 图 1 图 2 说 明 书 附 图 CN 103822786 A 10 。