一种风电设备的故障检测方法技术

本申请公开了一种风电设备的故障检测方法

【技术实现步骤摘要】
一种风电设备的故障检测方法、装置、设备及存储介质


[0001]本申请涉及新能源
，尤其涉及一种风电设备的故障检测方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]风力发电是指把风的动能转为电能，风能是一种清洁无公害的可再生能源，风力发电通过风力带动风车叶片旋转，再透过增速机将旋转的速度提升，来促使发电机发电，且风力发电不需要使用燃料，也不会产生辐射或空气污染，是一种可再生的新能源
。
[0003]风力发电是通过能将风力机械能转化为电能的风电机组来实现电能转化，风电机组主要包括叶片
、
机舱和塔筒三部分，风电机组的齿轮箱和发电机等均设置在机舱内，叶片与机舱内的发电机通过主轴连接以使得叶片在风力作用下转动时可驱动发电机进行发电，从而实现风力机械能至电能的转换
。
在风电机组将风力机械能转化为电能这一过程中，风电机组的许多部件均会产生振动，这种振动达到一定程度时，将导致振动故障的出现，从而损坏整个风电机组
。
[0004]目前，对于风电机组的振动检测主要是通过在风电机主要部位安装多个振动传感器，例如在风电机的齿轮箱和发电机上分别设置振动传感器，以获取齿轮箱和发电机的振动值，并将该获取的振动值与相应的预先设定好的阈值进行比较，在振动值超出阈值时进行后续报警操作，例如当有风电机的振动值超过阈值时，则断开该风电机
。
[0005]对于目前的风电机振动预警，均为单个风电机独立检测，通过将检测到的振动数据与理论数据进行对照，在对照结果超出范围时进行预警，未考虑实际场地因素和环境因素，使得现有的振动监测在使用过程中不同因素下检测到的振动数据有差别，在与理论数据进行对照时可能会造成误判
。

技术实现思路

[0006]本申请的主要目的在于提供一种风电设备的故障检测方法
、
装置
、
设备及存储介质，以解决现有技术中现有的振动监测在使用过程中不同因素下检测到的振动数据有差别，在与理论数据进行对照时可能会造成误判的问题
。
[0007]为了实现上述目的，本申请提供了如下技术方案：一种风电设备的故障检测方法，所述风电设备包括位于预设区域内的至少两个风电机以及分别装设于每个风电机内的振动传感器，所述故障检测方法包括：步骤
S1
，分别获取每个振动传感器产生的振动信号；步骤
S2
，基于经验模态分解算法分别提取每个振动信号在预设分析周期内的若干个信号分量；步骤
S3
，通过贝叶斯分类算法分别对同一个风电机的所有信号分量进行分类，得到至少两种信号特征；步骤
S4
，获取所有风电机的所有信号特征并删除相同的信号特征，将保留的信号
特征标记为异常特征；步骤
S5
，通过粒子群算法计算每种异常特征的属性权重值；步骤
S6
，获取所述属性权重值大于等于预设阈值的异常特征并标记为严重异常特征；步骤
S7
，将与所述严重异常特征对应的风电机标记为故障状态
。
[0008]作为本申请的进一步改进，步骤
S2
包括：步骤
S21
，获取所述振动信号的所有极大值
、
所有极小值；步骤
S22
，依次连接所有极大值形成上包络线，依次连接所有极小值形成下包络线；步骤
S23
，获取所述上包络线与所述下包络线的平均值，形成均值线；步骤
S24
，将所述振动信号减去所述均值线以得到中间信号；步骤
S25
，重复步骤
S21
至步骤
S24
，以迭代所述中间信号；步骤
S26
，分别获取每次迭代后极值点个数与过零点个数的差值位于预设区间内的中间信号，并标记为一阶中间信号；步骤
S27
，获取均值线为零的一阶中间信号并标记为所述信号分量
。
[0009]作为本申请的进一步改进，步骤
S3
包括：步骤
S31
，分别获取每个风电机在预设时长内的信号分量；步骤
S32
，基于同一个风电机根据所述信号分量定义待分类信号集合，其中为所述待分类信号集合中的第个特征信号，为所述特征信号的个数；步骤
S33
，分别根据每个风电机的信号特征定义类别集合，其中，为所述类别集合中的第个信号特征；步骤
S34
，根据式（1）计算所述待分类信号集合分别在每个信号特征下的条件概率：（1）；其中，为在第个信号特征条件下所述待分类信号集合的条件概率，为第个信号特征的边缘概率；步骤
S35
，获取占比大于等于预设比例的至少两个条件概率；步骤
S36
，获取分别与每个大于等于预设比例的条件概率所对应的信号特征
。
[0010]作为本申请的进一步改进，步骤
S4
包括：步骤
S41
，删除条件概率的占比小于所述预设比例的信号特征；步骤
S42
，获取剩余的信号特征并删除所述条件概率相等的信号特征，将保留的信号特征标记为异常特征
。
[0011]作为本申请的进一步改进，步骤
S5
包括：步骤
S51
，根据式（3）定义所述异常特征的朴素贝叶斯数据分析模型：
（3）；其中，为所述朴素贝叶斯数据分析模型，为所述异常特征；步骤
S52
，根据式（4）对所述异常特征的朴素贝叶斯数据分析模型进行属性加权：（4）；其中，为属性加权值，为第个异常特征的属性权重值；步骤
S53
，将每个属性权重值根据式（5）分别定义为一个粒子；（5）；其中，为所有粒子的集合，分别为每个粒子，为所有粒子的个数；为所有粒子的速度的集合，分别为每个粒子的速度；步骤
S54
，通过逻辑回归对所有粒子进行初始化映射；步骤
S55
，根据式（6）分别定义每个粒子的适应度值：（6）；其中，和为第个粒子的二维原始数据，应用于核函数，和均为二维原始数据映射到特征空间中的向量，为和的内积，为偏值；步骤
S56
，通过粒子群算法分别获取每个粒子的最佳映射位置，所述最佳映射位置即为所述属性权重值
。
[0012]作为本申请的进一步改进，步骤
S56
包括：步骤
S561
，根据式（7）以预设时间间隔分别更新每个粒子的位置和速度：（7）；其中，为当前的粒子在第步的速度，为当前的粒子在第步的速度惯性，为第个粒子的属性权重值，为当前的粒子的自我认知表征，为当前的粒子的社会认知表征；与均为学习因子，为预设取值范围的随机数，为当前的粒子已获得的最优解，为所有粒子已获得的最优解；步骤
S562
，迭代步骤
S5本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种风电设备的故障检测方法，所述风电设备包括位于预设区域内的至少两个风电机以及分别装设于每个风电机内的振动传感器，其特征在于，所述故障检测方法包括：步骤
S1
，分别获取每个振动传感器产生的振动信号；步骤
S2
，基于经验模态分解算法分别提取每个振动信号在预设分析周期内的若干个信号分量；步骤
S3
，通过贝叶斯分类算法分别对同一个风电机的所有信号分量进行分类，得到至少两种信号特征；步骤
S4
，获取所有风电机的所有信号特征并删除相同的信号特征，将保留的信号特征标记为异常特征；步骤
S5
，通过粒子群算法计算每种异常特征的属性权重值；步骤
S6
，获取所述属性权重值大于等于预设阈值的异常特征并标记为严重异常特征；步骤
S7
，将与所述严重异常特征对应的风电机标记为故障状态
。2.
根据权利要求1所述的风电设备的故障检测方法，其特征在于，步骤
S2
包括：步骤
S21
，获取所述振动信号的所有极大值
、
所有极小值；步骤
S22
，依次连接所有极大值形成上包络线，依次连接所有极小值形成下包络线；步骤
S23
，获取所述上包络线与所述下包络线的平均值，形成均值线；步骤
S24
，将所述振动信号减去所述均值线以得到中间信号；步骤
S25
，重复步骤
S21
至步骤
S24
，以迭代所述中间信号；步骤
S26
，分别获取每次迭代后极值点个数与过零点个数的差值位于预设区间内的中间信号，并标记为一阶中间信号；步骤
S27
，获取均值线为零的一阶中间信号并标记为所述信号分量
。3.
根据权利要求1所述的风电设备的故障检测方法，其特征在于，步骤
S3
包括：步骤
S31
，分别获取每个风电机在预设时长内的信号分量；步骤
S32
，基于同一个风电机根据所述信号分量定义待分类信号集合，其中为所述待分类信号集合中的第个特征信号，为所述特征信号的个数；步骤
S33
，分别根据每个风电机的信号特征定义类别集合，其中，为所述类别集合中的第个信号特征；步骤
S34
，根据式（1）计算所述待分类信号集合分别在每个信号特征下的条件概率：（1）；其中，为在第个信号特征条件下所述待分类信号集合的条件概率，为第个信号特征的边缘概率；步骤
S35
，获取占比大于等于预设比例的至少两个条件概率；步骤
S36
，获取分别与每个大于等于预设比例的条件概率所对应的信号特征
。4.
根据权利要求3所述的风电设备的故障检测方法，其特征在于，步骤
S4
包括：步骤
S41
，删除条件概率的占比小于所述预设比例的信号特征；
步骤
S42
，获取剩余的信号特征并删除所述条件概率相等的信号特征，将保留的信号特征标记为异常特征
。5.
根据权利要求1所述的风电设备的故障检测方法，其特征在于，步骤
S5
包括：步骤
S51
，根据式（3）定义所述异常特征的朴素贝叶斯数据分析模型：（3）；其中，为所述朴素贝叶斯数据分析模型，为所述异常特征；步骤
S52
，根据式（4）对所述异常特征的...

【专利技术属性】
技术研发人员：吴智泉，朱琳，张新，李文，杨燕，李军，董虹妤，杨智勇，贾启彤，罗雯予，
申请(专利权)人：云南电投绿能科技有限公司，
类型：发明
国别省市：