一种风电机组的自动专家综合故障诊断系统及诊断方法技术方案

本发明专利技术公开了一种风电机组的自动专家综合故障诊断系统及诊断方法，包括：数据采集模块，采集主控单元和振动信号采集单元的相关数据并传输至故障诊断模块；故障诊断模块，综合运用神经网络知识和专家系统模块的知识，利用正向推理和实时获取的参数波动值与故障样本知识库中的数据进行比对，实时产生故障信息；故障诊断模块将诊断出的故障信息通过人机接口模块进行输出。本发明专利技术利用主控单元读取如风电机组瞬时功率、转速、桨角、机舱温度、风速、油温、偏航状态等参数来提高故障诊断的准确性，利用基于小波包分析的神经网络专家系统进行自动分析，通过专家诊断系统给出运行维护建议。

【技术实现步骤摘要】

本专利技术涉及风力发电
，具体涉及一种风电机组的自动专家综合故障诊断系统及诊断方法。
技术介绍
随着常规能源短缺的日益严重，可再生能源开发与利用无疑将成为今后能源开发主要方向。目前，风力发电技术已经成熟，风电装机容量不断扩大，截止至2015年底，中国风电装机容量已突破145.1GW，随着在役机组数量的增加，如何保证风电机组安全、可靠、高效地运行已成为风电行业关注的重点。风电机组的工作环境恶劣，风速有很高的不稳定性，机组部件很容易损坏，而风电机组又安装在偏远山区且距离地面较高，维修不便，风电机组的状态监测和故障诊断在这种情况下具有重要的意义。状态监测的同时进行故障诊断是降低风电机组的维修和操作成本的最有效方式。通常状态监测多为位移，速度，加速度三种可测量的幅值参数信号。在振动监测中，机组各部件信号，比如轴承、齿轮破损所产生的冲击信号多为高频信号，则一般采用加速度参量。在采集的状态信息的基础上，利用自动专家综合故障诊断系统，可以对如结冰引起的叶片旋转不平衡振荡等故障进行预警，防止故障的进一步扩大，可以有效地降低维修费用和停机时间，避免不确知的突然故障，降低维修成本。现有风机运行状态实时监测系统中，通过对机组振动及其有关信号的分析和处理，可判断机组运行状态是否正常，并实现危险报警和连锁保护，但是不能预报出现某种故障的可能性，出现异常情况时，也不能指出机组出现故障的原因。为此，需要设计一个与实时监测系统并行工作的故障诊断系统，指导运维人员对机组进行维护。自动专家综合故障诊断系统的建立将对延长风力发电机组使用寿命的目的具有重要的意义。
技术实现思路
为解决现有技术存在的不足，本专利技术公开了一种风电机组的自动专家综合故障诊断系统及诊断方法，通过振动传感器和主控单元获得数据，基于小波包分析的神经网络专家系统对实时采集的数据进行自动分析，专家诊断系统给出运行维护建议，保护风电机组安全稳定运行。为实现上述目的，本专利技术的具体方案如下：一种风电机组的自动专家综合故障诊断系统，包括主控单元，用于将风电机组的实时运行参数传输至数据采集模块；振动信号采集单元，用于将风电机组的振动信号传输至数据采集模块；数据采集模块，采集主控单元和振动信号采集单元的相关数据并传输至故障诊断模块；专家系统模块，综合运用神经网络知识和专家系统的知识，利用正向推理和实时获取的参数波动值与故障样本知识库中的数据进行比对，实时产生故障信息；专家系统模块将诊断出的故障信息通过人机接口模块进行输出。进一步的，所述专家系统包括推理机模块、解释机模块、知识库、综合数据库模及知识获取模块；综合数据库用于存储风电机组的振动数据和过程数据、历史数据和诊断过程中的中间结果；知识获取模块用于将从实际信息中总结出所需的知识，以符合计算机知识表示的形式写入知识库；知识库用于存储领域专家的经验和知识以及神经网络的结构、权值，供推理机模块调用；推理机模块用于根据已知条件，采用某种规则和策略使专家系统进行有效地推理并取得最终诊断，将综合数据库中风电机组数据通过正向神经网络诊断获得推理结果，将诊断结果传送到解释机模块；解释机模块用于从推理机模块获取诊断推理结果发送给用户，并进行解释。进一步的，所述专家系统模块包括：信号处理模块、状态识别模块及诊断决策模块；其中，信号处理模块对采集的风电机组的实时运行参数及风电机组的振动信号进行处理，采用小波包分析法完成故障特征量提取；状态识别模块及诊断决策模块基于神经网络的专家系统实现故障信息的状态识别及决策的诊断。一种风电机组的自动专家综合故障诊断方法，包括以下步骤：通过数据采集模块从振动传感器获得风机各类振动信号，通过数据采集模块从主控单元读取风机运行参数，数据采集模块将采集的上述数据传输至专家系统模块；专家系统模块中实现对信号处理、状态识别与诊断决策；采用小波包分析法对不同频率范围的信号选取最佳基波函数完成故障特征量提取；针对提取的故障特征量基于神经网络的专家系统模块实现状态识别与诊断决策。进一步的，所述信号处理具体为：将频带进行多层次划分，对多分辨分析没有细分的高频部分进一步分解，并能够根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱匹配，对采集信号进行小波包分解，分别提取最后一层从低频到高频频率成分的信号特征。进一步的，神经网络的专家系统模块中，学习基本原则为：根据信号的小波分解层次确定BP网络的输入层个数；根据设备的故障类型个数确定BP网络的输出层个数；隐层节点个数根据得到，其中H为隐层节点个数，l为1到10之间的整数。进一步的，对于三层BP神经网络模型，它由输入层，隐含层和输出层组成；1)输入层节点i，i＝1，2，…，n，其输出Oi等于输入xi，将控制变量值传到第二层；2)隐层节点j，j＝1，2，…，p，其输入Ij，输出Oj分别为： I j = Σ i = 1 n ω j i O i + θ j ]]>Oj＝f(Ij)＝1/[1+exp(-Ij)]式中，ωji为隐层节点j与输入层节点i之间的连接权；θj为隐层节点j的偏置；f为Sigmoid函数；f(x)＝1[1+exp(-x)]；3)输出层节点k，k＝1，2，…，m，其输入Ik，输出yk分别为： I k = Σ j = 1 p ω k j O j + θ k ]]>yk＝f(Ik)＝1/[1+exp(-Ik)]式中ωkj为输出层节点k与隐层节点j之间的连接权；θk为输出层节点k的偏置或阈值。进一步的，对于给定的训练样本集(xp1，xp2，……，xpn)，p为变量，P为样本数，(p＝1，2，…，P)，网络运算结果与训练样本目标输出之间的均方误差可表示为： E = 1 P Σ p = 1 P E p ]]>式中P为样本数；tpl为第p个样本的第l个样本输出单元的目标输出结果；ypl为第p个样本的第l个输出单元的网络运算结果。专家系统模块在诊断决策时，具体的推理诊断过程为：S1：定义征兆表，表中包括征兆编号、征兆参数、参数值及激活标志；S2：定义故障表，表中包括故障编号、故障名称及激活标志；S3：定义规则表，表中包括规则标号、若干个征兆、故障编号及激活标志；S4：选取已知故障征兆信息，将其提交到推理机模块，推本文档来自技高网...

【技术保护点】
一种风电机组的自动专家综合故障诊断系统，其特征是，包括主控单元，用于将风电机组的实时运行参数传输至数据采集模块；振动信号采集单元，用于将风电机组的振动信号传输至数据采集模块；数据采集模块，采集主控单元和振动信号采集单元的相关数据并传输至故障诊断模块；专家系统模块，综合运用神经网络知识和专家系统的知识，利用正向推理和实时获取的参数波动值与故障样本知识库中的数据进行比对，实时产生故障信息；故障诊断模块将诊断出的故障信息通过人机接口模块进行输出。

【技术特征摘要】
1.一种风电机组的自动专家综合故障诊断系统，其特征是，包括主控单元，用于将风电机组的实时运行参数传输至数据采集模块；振动信号采集单元，用于将风电机组的振动信号传输至数据采集模块；数据采集模块，采集主控单元和振动信号采集单元的相关数据并传输至故障诊断模块；专家系统模块，综合运用神经网络知识和专家系统的知识，利用正向推理和实时获取的参数波动值与故障样本知识库中的数据进行比对，实时产生故障信息；故障诊断模块将诊断出的故障信息通过人机接口模块进行输出。2.如权利要求1所述的一种风电机组的自动专家综合故障诊断系统，其特征是，所述专家系统包括推理机模块、解释机模块、知识库、综合数据库模及知识获取模块；综合数据库用于存储风电机组的振动数据和过程数据、历史数据和诊断过程中的中间结果；知识获取模块用于将从实际信息中总结出所需的知识，以符合计算机知识表示的形式写入知识库；知识库用于存储领域专家的经验和知识以及神经网络的结构、权值，供推理机模块调用；推理机模块用于根据已知条件，采用某种规则和策略使专家系统进行有效地推理并取得最终诊断，将综合数据库中风电机组数据通过正向神经网络诊断获得推理结果，将诊断结果传送到解释机模块；解释机模块用于从推理机模块获取诊断推理结果发送给用户，并进行解释。3.如权利要求1所述的一种风电机组的自动专家综合故障诊断系统，其特征是，所述故专家系统模块包括：信号处理模块、状态识别模块及诊断决策模块；其中，信号处理模块对采集的风电机组的实时运行参数及风电机组的振动信号进行处理，采用小波包分析法完成故障特征量提取；状态识别模块及诊断决策模块基于神经网络的专家系统实现故障信息的状态识别及决策的诊断。4.一种风电机组的自动专家综合故障诊断方法，其特征是，包括以下步骤：通过数据采集模块从振动传感器获得风机各类振动信号，通过数据采集模块从主控单元读取风机运行参数，数据采集模块将采集的上述数据传输至专家系统模块；专家系统模块中实现对信号处理、状态识别与诊断决策；采用小波包分析法对不同频率范围的信号选取最佳基波函数完成故障特征量提取；针对提取的故障特征量基于神经网络的专家系统模块实现状态识别与诊断决策。5.如权利要求4所述的一种风电机组的自动专家综合故障诊断方法，其特征是，所述信号处理具体为：将频带进行多层次划分，对多分辨分析没有细分的高频部分进一步分解，并能够根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱匹配，对采集信号进行小波包分解，分别提取最后一层从低频到高频频率成分的信号特征。6.如权利要求4所述的一种风电机组的自动专家综合故障诊断方法，其特征是，神经网络的专家系统模块中，学习基本原则为：根据信号的小波分解层次确定BP网络的输入层个数；根据设备的故障类型个数确定BP网络的输出层个数；隐层节点个数根据得到，其中H为隐层节点个数，l为1到10之间的整数，神经网络的输入层个数为N，设备的故障类型有M种。7.如权利要求4所述的一种风电机组的自动专家综合故障诊断方法，其特征是，对于三层BP神经网络模型，它由输入层，隐含层和输出层组成；1)输入层节点i，i＝1，2，…，n，其输出Oi等于输入xi，将...

【专利技术属性】
技术研发人员：常文宁，阙波，胡从川，刘卫东，杨世东，孙大威，
申请(专利权)人：都城绿色能源有限公司，
类型：发明
国别省市：北京;11