本发明专利技术涉及一种基于加权多传感器融合滤波的风机故障诊断方法、装置，该方法包括：S1、获取风机中用于故障诊断的物理量对应的多个传感器的测量数据；S2、考虑测量噪声、过程噪声和测量数据缺失，构建传感器测量模型；S3、采用基于标量加权的多传感器融合分布式卡尔曼滤波算法进行用于故障诊断的物理量的估计以及多组传感器测量数据的融合；S4、获取各个传感器的新息，基于新息采用加权残差平方和方法进行故障诊断。与现有技术相比，本发明专利技术将测量数据缺失、测量噪声与过程噪声相关和多个传感器测量一个数值这三点结合起来设计滤波算法，更加符合实际情况，故障诊断更准确。故障诊断更准确。故障诊断更准确。
【技术实现步骤摘要】
基于加权多传感器融合滤波的风机故障诊断方法、装置
[0001]本专利技术涉及数据分析
，尤其是涉及一种基于加权多传感器融合滤波的风机故障诊断方法、装置。
技术介绍
[0002]传感器的故障诊断技术是一门综合学科，涉及到许多领域，故障诊断技术的出现为提高测控系统的可靠性提供了可能。在风力发电领域，通常需要对风机进行故障检测，为了保证测量数据的精准性，对于同一测量数据需要设置多组传感器进行测量，从而基于多组传感数据进行故障诊断，如通过风机桨距角进行风机故障检测时，多组桨距角传感器同步进行测量，如何利用多组传感器的测量数据进行故障诊断是一项重要工作。
[0003]目前常用的方法是利用卡尔曼滤波进行传感器测量数据的估计，即获得测量物理量(如风机桨距角)的估计值，并利用估计值与测量值进行故障诊断。目前常用的方法包括卡尔曼滤波方法，卡尔曼滤波是一种利用输入与输出的观测值，通过线性系统状态方程从而对系统的状态变量进行估计的最优递归数据处理算法。卡尔曼滤波分为预测和校正两个步骤，预测通过上一时刻的后验估计得到当前状态的预测值，校正则通过当前的测量值与预测值得出最优状态估计。现有的技术主要有集中式卡尔曼滤波、基于单传感器的带有测量缺失的卡尔曼滤波、基于单传感器带有相关噪声的技术、基于矩阵加权的多传感器融合卡尔曼滤波技术。
[0004]集中式卡尔曼滤波在系统出现故障的时候滤波效果会受到很大的影响，导致状态估计不准确。当前的这些技术只单独考虑相关噪声、测量缺失和多传感器融合，并没有考虑到现实中多个传感器测量噪声与过程噪声相关时测量一个数值，且会发生测量缺失的情况。基于矩阵加权的多传感器融合卡尔曼滤波技术需要的计算量比较大，特别实在状态变量与测量值比较多的情况下，矩阵维度高会导致计算量太大，滤波效果不好。
技术实现思路
[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于加权多传感器融合滤波的风机故障诊断方法。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种基于加权多传感器融合滤波的风机故障诊断方法，该方法包括：
[0008]S1、获取风机中用于故障诊断的物理量对应的多个传感器的测量数据；
[0009]S2、考虑测量噪声、过程噪声和测量数据缺失，构建传感器测量模型；
[0010]S3、采用基于标量加权的多传感器融合分布式卡尔曼滤波算法进行用于故障诊断的物理量的估计以及多组传感器测量数据的融合；
[0011]S4、获取各个传感器的新息，基于新息采用加权残差平方和方法进行故障诊断。
[0012]优选地，所述的传感器测量模型的状态方程表示为：
[0013][0014]其中，y
i
(t)为t时刻第i个传感器的测量值，x(t)、x(t+1)为t时刻、t+1时刻的状态变量，x(t)、x(t+1)表示用于故障诊断的物理量在t时刻、t+1时刻的实际值，w(t)为t时刻的过程噪声，v
i
(t)为第i个传感器的测量噪声，ξ(t)为t时刻测量缺失的伯努利变量，A，B，C为系统矩阵，i＝1,2,...,l，l为传感器的总个数。
[0015]优选地，步骤S3具体包括：
[0016]S30、在t＝0时刻，给定初值
[0017]E[x(0)]＝x0,E[(x(0)
‑
x0)(x(0)
‑
x0)
T
]＝P0,
[0018]令P
f
(0|0)＝P0[0019]其中，E表示求数学期望；x0与P0为给定常数；D(0)数为D(t)＝E[x(t)x
T
(t)]的初值；与P
f
(0|0)为最优估计值以及其相关的滤波误差协方差P
f
(t+1|t+1)的初值；
[0020]S31、获取状态变量x(t+1)的先验估计值先验误差协方差P
i
(t+1|t)：
[0021][0022][0023]其中是ξ
i
(t)＝1的概率分布；D(t)＝E[x(t)x
T
(t)]；为最优估计值，P
f
(t|t)为滤波误差协方差；
[0024]Q(t)、R
i
(t)、S
i
(t)与S
ij
(t)由下列公式定义：
[0025][0026]δ
mn
为克罗内克函数，m,n为任意常数，i、j表示第i、j个传感器，w(m)、w(n)表示m时刻、n时刻的过程噪声，v
i
(m)、v
i
(n)表示传感器i在m时刻、n时刻的测量噪声；
[0027]S32、获取状态变量x(t)的后验估计值后验误差协方差P
i
(t+1|t+1)、新息：
[0028][0029][0030][0031]其中，K
i
(t+1)为卡尔曼增益，Q
εi
(t+1)为卡尔曼增益中的变量，表示为：
[0032][0033][0034]S33、计算互协方差P
ij
(t|t)：
[0035][0036]其中，i、j表示第i、j个传感器，I为单位阵；
[0037]S34、获取融合标量权重
[0038][0039]其中，e＝[I
l
,...,I
l
]T
，I
l
为l阶单位矩阵；a(t)＝tr(P(t+1|t+1))；
[0040][0041]S35、基于融合标量权重获取用于故障诊断的物理量的最优估计值以及其相关的滤波误差协方差P
f
(t+1|t+1)：
[0042][0043]P
f
(t+1|t+1)＝e
T
a
‑1(t)e
[0044]S36、将与P
f
(t+1|t+1)带回至S31进入t+2时刻循环执行S31～S36。
[0045]优选地，步骤S4具体为：
[0046]S41、记第i个传感器的新息为ε
i
(t+1)，组成t时刻的所有传感器的新息向量ε
L
(t+1)＝[ε1(t+1),ε2(t+1),...,ε
l
(t+1)]T
；
[0047]S42、获取l个传感器的Q
εi
(t+1)以组成矩阵Q
εL
(t+1)：
[0048][0049]其中，Q
εi
(t+1)由S32中计算得出；
[0050]S43、新息矩阵进行标准化得到n(t+1)：
[0051]n(t+1)＝Q
εL
(t+1)
‑
1/2
ε
L
(t+1)
[0052]S44、采用加权残差平方本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于加权多传感器融合滤波的风机故障诊断方法，其特征在于，该方法包括：S1、获取风机中用于故障诊断的物理量对应的多个传感器的测量数据；S2、考虑测量噪声、过程噪声和测量数据缺失，构建传感器测量模型；S3、采用基于标量加权的多传感器融合分布式卡尔曼滤波算法进行用于故障诊断的物理量的估计以及多组传感器测量数据的融合；S4、获取各个传感器的新息，基于新息采用加权残差平方和方法进行故障诊断。2.根据权利要求1所述的一种基于加权多传感器融合滤波的风机故障诊断方法，其特征在于，所述的传感器测量模型的状态方程表示为：其中，y
i
(t)为t时刻第i个传感器的测量值，x(t)、x(t+1)为t时刻、t+1时刻的状态变量，x(t)、x(t+1)表示用于故障诊断的物理量在t时刻、t+1时刻的实际值，w(t)为t时刻的过程噪声，v
i
(t)为第i个传感器的测量噪声，ξ(t)为t时刻测量缺失的伯努利变量，A，B，C为系统矩阵，i＝1,2,...,l，l为传感器的总个数。3.根据权利要求2所述的一种基于加权多传感器融合滤波的风机故障诊断方法，其特征在于，步骤S3具体包括：S30、在t＝0时刻，给定初值E[x(0)]＝x0,E[(x(0)
‑
x0)(x(0)
‑
x0)
T
]＝P0,令P
f
(0|0)＝P0其中，E表示求数学期望；x0与P0为给定常数；D(0)数为D(t)＝E[x(t)x
T
(t)]的初值；与P
f
(0|0)为最优估计值以及其相关的滤波误差协方差P
f
(t+1|t+1)的初值；S31、获取状态变量x(t+1)的先验估计值先验误差协方差P
i
(t+1|t)：(t+1|t)：其中其中是ξ
i
(t)＝1的概率分布；D(t)＝E[x(t)x
T
(t)]；为最优估计值，P
f
(t|t)为滤波误差协方差；Q(t)、R
i
(t)、S
i
(t)与S
ij
(t)由下列公式定义：δ
mn
为克罗内克函数，m,n为任意常数，i、j表示第i、j个传感器，w(m)、w(n)表示m时刻、n时刻的过程噪声，v
i
(m)、v
i
(n)表示传感器i在m时刻、n时刻的测量噪声；S32、获取状态变量x(t)的后验估计值后验误差协方...
【专利技术属性】
技术研发人员：陆智林，文传博，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。