CN109213121B - 一种风机制动***卡缸故障诊断方法 - Google Patents

Abstract

本发明公开了一种风机制动***卡缸故障诊断方法，包括步骤1、采集闸瓦间隙—时间特性曲线数据；2、数据预处理；3、利用小波包从闸瓦间隙—时间特性曲线中提取故障特征向量；4、根据输入信号的维度确定训练参数；5、将步骤2所得的输入信号样本分为训练集和测试集；6、根据步骤4所得的训练参数进行网络训练，获得模糊神经网络模型；7、模糊神经网络模型优化，测试模糊神经网络模型；8、利用各模糊神经网络的识别结果，作为独立的证据，运用D‑S证据理论进行融合，得出综合的诊断结果；9：输出诊断结果。本发明的优点是：采用多种技术手段进行风机制动***的卡缸故障诊断，提高故障诊断的准确率。

Description

一种风机制动***卡缸故障诊断方法

技术领域

本发明属于风力发电技术领域，具体涉及一种风机制动***卡缸故障诊断方法。

背景技术

提高风机制动***的可靠性，通常有两种方法：一是提高制动***的可靠性；二是对制动***的运行状态进行检测进而对其故障诊断。在提高可靠性方面，由于风机制动***出现故障一般都是闸瓦材料的摩擦系数显著降低引起的，降低摩擦系数的因素主要有闸瓦的温升、滑速和压力的变化。在三个因素当中，其中温升的影响最大，由于风机在负载状态下高速运转，在制动过程中闸瓦温度会急剧上升，降低摩擦系数，而摩擦系数的改变又会对制动***性能产生很大的影响。目前也有一些文献推导出了闸瓦温升的解析式，但解析式是非线性的，结构上也相当复杂，在实际应用中效果较差。

在故障诊断方面，风机制动***的故障一直是风机故障诊断的难点，随着大数据理论的发展，从信息***里的大量信息中挖掘信号，运用人工智能进行信号融合的方法成为风机制动***故障诊断新方向。目前的人工智能故障诊断，其诊断的结果并不理想，准确率低，误报率高。

很多现场故障实例表明，制动***的油缸活塞卡缸是一个常见的故障。基于此，本发明提出了一种基于人工智能的方法，对风机的制动***卡缸故障进行诊断。本发明所使用的模糊神经网络就是模糊理论同神经网络相结合的产物，它汇集了神经网络与模糊理论的优点，集学习、联想、识别、信息处理于一体。

发明内容

本发明所要解决的技术问题就是提供一种风机制动***卡缸故障诊断方法，它将模糊神经网络与D-S证据接合，准确检测风机运行状态，提高风机制动***卡缸故障诊断的准确率。

本发明所要解决的技术问题是通过这样的技术方案实现的，包括以下步骤：步骤1、采集数据：从SCADA信息***中蕴含的大量关于风机制动***运行状态的信息中，深度挖掘出闸瓦间隙—时间信号；

步骤2、数据预处理：包括去除信号数据中的奇异点、对信号消噪、数据归一化处理以及将输出信号相似化处理；

步骤3、故障特征量的提取：利用小波包从闸瓦间隙—时间信号中提取故障特征向量；

步骤4、根据输入信号的维度确定训练参数；训练参数有隐藏层节点数、显示中间结果的周期、最大迭代次数、学习率和误差阈值；输入信号的维度对应于输入层节点数；

步骤5、将步骤2所得的输入信号样本分为训练集和测试集，样本中既要包含正常数据又要包含故障数据；

步骤6、根据步骤4所得的训练参数及训练集数据进行网络训练，获得模糊神经网络模型；

步骤7、模糊神经网络模型优化，测试模糊神经网络模型：将模糊神经网络模型的输出值与理想输出(即实际测得的数据或者自己设定的值)进行比较，得到误差，进行误差反传，更新模型中的参数，直到误差满足要求，得出最优模糊神经网络模型；用测试集数据检验网络的性能；

步骤8、D-S证据理论融合：将模糊神经网络的输出值送入决策融合模块，利用各模糊神经网络的识别结果，作为独立的证据，运用D-S证据理论进行融合，得出综合的诊断结果；

步骤9：输出诊断结果：将诊断的结果送入诊断***中进行分析，并将最终结果呈现在人机交互界面中。

由于本发明利用SCADA信息***里面的数据，充分利用了现有的数据，运用大数据理论，采用小波理论、模糊神经网络、证据理论等工具，基于信息融合的观点，围绕风机制动***油缸的卡缸故障进行故障诊断，获取的数据通过神经网络得到了充分地利用，D-S证据理论融合的方法增加了某个信号的容错性，本发明采用多种技术手段进行风机制动***的卡缸故障诊断，提高故障诊断的准确率。

与现有技术相比，本发明的技术效果是：

1、本发明利用小波理论有效地实现了对故障特征量的提取。

2、本发明对相关性强的数据进行了处理，加快了神经网络收敛的速度。

3、充分利用***中的数据对模糊神经网络进行训练，得到了最优的模型，然后再次利用测试集数据对模型进行检验，确保了模型的准确性。

4、通过融合多个传感器信号来诊断风机制动***的卡缸故障，进一步提高了卡缸故障诊断的准确率，为风电机组的智能健康管理提供了可行性，可以实现电网的安全、稳定和高效运行。

附图说明

本发明的附图说明如下：

图1为本发明的故障方法流程图；

图2为本发明中小波包信号分解图；

图3为本发明中模糊神经网络拓扑结构图；

图4为本发明中模糊神经网络模型优化和测试流程图；

图5为本发明中D-S证据理论的故障诊断框架图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明：

目前，有各类传感器检测风机运行状态，风场中都安装有CMS(状态监视***)和SCADA(数据采集与监视控制***)这两个***，这两个***可以实时地采集发电机组各种数据。如图1所示，本发明包括以下步骤：

步骤1、采集数据：深度挖掘SCADA信息***中蕴含的大量关于风机制动***运行状态的信息，通过A/D采集板对两个涡流传感器信号分别进行采集，得到闸瓦间隙—时间信号；

闸瓦间隙—时间信号主要用于后面的特征向量提取。

步骤2、数据预处理：包括去除信号数据中的奇异点、对信号消噪、数据归一化处理以及将输出信号相似化处理，相似化处理即是在输入相同而输出偏差很小时，将输出数据调整为相同；

数据信号的奇异点就是指突然出现的比前一时刻和后一时刻信号大或小很多的信号，由于风机的运行环境比较恶劣，传感器可能因为外界的干扰或者某个传感器失效，那么这个传感器所测得的数据可能就会是错误的，必须将它测得的数据剔除，否则会严重影响最终的结果。

剔出奇异点的原则是：通过计算输入样本信号的标准偏差σ，再按照统计概率理论将偏差大于3σ的数据剔除。

输入量具有不同的物理意义和不同的量纲，归一化后的数据都在[0，1]之间变化，从而使网络训练中各输入分量有同等重要的地位。因此必须对数据归一化处理才能用于预测问题。数据归一化处理的公式如下：

式中，x^*为数据归一化后的值，x_i为信号第i个数据，x_max、x_min分别为样本数据的最大值和最小值。

相似化处理是指在输入相同而输出偏差很小时，将输出数据调整为相同；

输出信号相似化处理时，根据要求设定输出偏差阈值，当输出偏差满足要求时，就可以将输出数据调整为相同，这样做的是为了加快运算的收敛速度。

步骤3、故障特征量的提取：利用小波包从闸瓦间隙—时间信号中提取故障特征向量；

提取故障特征量的步骤如下：

步骤31、对闸瓦间隙—时间信号进行小波分解；

小波包信号分解图如图2所示：对信号进行三层小波包分解，分别提取第三层从低频到高频8个频率成分的信号特征；图2中，(0，0)节点代表原始信号S，(1，1)节点代表小波包分解的第一层低频系数，(1，2)节点代表小波包分解的第一层高频系数，(2，1)和(2，2)节点代表小波包分解的第二层低频系数，(2，3)和(2，4)节点代表小波包分解的第二层高频系数，(3，1)……(3，8)节点表示小波包分解的第三层第一至第八个节点的系数。

步骤32、对小波包分解系数进行重构，提取各频带范围的信号；以S₃₁表示x₃₁(x₃₁是小波包分解第三层第一个节点的信号)的重构信号，S₃₂表示x₃₂(x₃₂是小波包分解第三层第二个节点的信号)的重构信号，其他以此类推；则原始信号S可以表示为：S＝S₃₁+S₃₂+S₃₃+S₃₄+S₃₅+S₃₆+S₃₇+S₃₈

步骤33、求各频带信号的总能量；由于输入信号是一个随机信号，其输出信号也是一个随机信号；设重构信号S_3j(j＝1，2，…，8)对应的能量为E_3j(j＝1，2，…，8)，则有

式中：x_3j(j＝1，2，…，8)表示重构信号S_3j的离散点的幅值。

步骤34、构造特征向量，特征向量的构造如下：

T＝[E₃₁,E₃₂,E₃₃,E₃₄,E₃₅,E₃₆,E₃₇,E₃₈]

当能量较大时，E_3j(j＝1，2，…，8)通常是一个较大的数值，给随后的数据分析带来一些不方便，所以对特征向量T进行归一化处理，令

T′＝[E₃₁/E,E₃₂/E,E₃₃/E,E₃₄/E,E₃₅/E,E₃₆/E,E₃₇/E,E₃₈/E]

向量T′为归一化后的特征向量。

步骤4、根据输入信号的维度确定训练参数；训练参数有隐藏层节点数、显示中间结果的周期、最大迭代次数、学习率和误差阈值；输入信号的维度对应于输入层节点数；

隐藏层节点数的确定公式：

式中：m是隐含层节点数，n是输入层节点数，l是输出层节点数，α是1-10之间的常数。

误差阈值根据工程实际精度要求选取。

步骤5、将步骤2所得的输入信号样本分为训练集和测试集，输入信号样本中既要包含正常数据又要包含故障数据。输入信号样本就是用各个传感器测得的关于风机制动***运行状态的数据。

步骤6、根据步骤4所得的训练参数及训练集数据进行网络训练，获得模糊神经网络模型；

模糊神经网络的结构如图3所示，模糊神经网络一共有3层，分别是输入层、隶属度函数生成层和输出层，输入层一共有d个神经元，隶属度函数生成层有h个神经元，输出层有g个神经元，X表示输入数据，y表示输出的结果，输入变量隶属度函数选为高斯函数，高斯型隶属度函

μ和σ分别表示均值和标准值，

表示第k层第a个节点的输入，

表示第k层第a个节点的输出，隶属度值

第一与第二层之间的连接权值为常数1，作用函数为模糊隶属函数μ_bc(·)，即第b个因素与第c个指标之间的模糊关系隶属函数；w_v为第二、第三层间的权值系数。

模糊神经网络各层处理过程如下：

设输入层第f个神经元输入输出分别为x_f和O_f，隶属度函数生成层第p个神经元输入输出分别为

和

输出层第q个神经元输入输出分别为

和

则

步骤61、输入层的输出等于其输入值，即

O_f＝x_f,

f是输入层神经元序号，f＝1,2,…,d；

步骤62、隶属度函数层：

式中：m_rp和σ_rp分别表示第r个输入量的第p个模糊集合的高斯型隶属度函数的均值和标准差，r_rp为第r个因素对第p个指标的隶属度，它们都是网络的可调参数；

步骤63、输出层：

式中：

为模糊神经网络第q个神经元的输出，

为隶属度函数生成层第p个神经元的输出，w_pq为第二层第p个神经元与第三层第q个神经元间的权值系数。

该模糊神经网络有三类可调参数：一类是规则参数，它们是第二、第三层间的权系数；第二类可调参数分别是高斯型隶属度函数的均值m_rp和标准差σ_rp，它们位于第二层的节点中，代表输入隶属度函数的参数；第三类为评价结果输出层。

步骤7、模糊神经网络模型优化，测试模糊神经网络模型；

将模糊神经网络模型的输出值与理想输出(即实际测得的数据或者自己设定的值)进行比较，得到误差，进行误差反传，更新模型中的参数，直到误差满足要求，得出最优模糊神经网络模型；用测试集数据检验网络的性能。

如图4所示，模糊神经网络模型优化和测试包括以下步骤：

步骤71、输入样本；

步骤72、输入参数和确定误差阈值；

步骤73、将上述网络的实际输出与理想输出进行对比，利用二次代价函数得到输出误差E；

设给定来自训练集的t个样本，输入样本

d为输入层一共的神经元，输出样本

g为输出层一共的神经元，s＝1,2,…,t，

为第s个样本第u个神经元的理想输出信号，

为第s个样本第u个神经元的网络输出信号，则

步骤74、判断上述得到的误差是否小于误差阈值，如果是则执行步骤76，否则执行步骤75；

步骤75、误差大于误差阈值则进行误差反传，由第三层向第一层逐层反向传递；利用模糊方法来修正网络的可调参数w_v，m_rp，σ_rp，各参数修正值如下：

各可调节参数的更新算法如下：

w_v(T+1)＝w_v(T)+η₁Δw_v(T)

m_rp(T+1)＝m_rp(T)+η₂Δm_rp(T)

σ_rp(T+1)＝σ_rp(T)+η₃Δσ_rp(T)

式中，w_v(T)和w_v(T+1)是更新前后的参数函数；η₁，η₂，η₃分别为各参数的学习率；T离散时间变量。

在输出误差大于误差阈值的情况下，继续训练模型中的参数直到误差小于阈值为止；

步骤76、误差小于误差阈值，得到了最优模糊神经网络模型；

步骤77、用测试集数据检验网络的性能。

步骤8、D-S证据理论融合：将模糊神经网络的输出值进行归一化，然后送入决策融合模块，利用多个传感器去测试信号数据，一个传感器测得的数据对一个模糊神经网络，然后将各模糊神经网络的识别结果作为独立的证据，运用D-S证据理论进行融合，得出综合的诊断结果。

利用熵值原理修改上述的证据，减少各证据之间的冲突性。如图5所示，D-S证据融合包括以下步骤：

步骤81、证据熵修改：对于有F条证据，N种故障类型，m_ba表示第a条证据对b种故障的基本概率赋值函数即BPA值，则证据熵为：

对其倒数进行归一化处理得到各个证据的权重w_a：

则原始BPA值总的加权平均值

其中

第a条证据的各个原始BPA值与总的加权平均值

的偏差记为：

ε_a＝(ε_1a,ε_2a,…,ε_ba,…,ε_Na),其中a＝1,2,…,F

记

为m_a与

之间的总体偏差程度，利用δ_a来调整原始证据，修改后的证据记为m′_a，则：

m′_a＝m_ba-ε_baδ_a,其中a＝1,2,…,F,b＝1,2,…,N

步骤82、将步骤81修改后的证据利用D—S证据理论进行融合，G条证据的融合公式如下：

式中：m(A)表示故障A的融合后的基本概率赋值函数，G表示传感器即证据体的个数，K表示冲突因子，K越大说明个证据之间的冲突性越大，反之，则越小，m₁、m₂、…m_G表示各个证据的基本概率赋值函数，A₁、A₂、…A_n表示各个证据中包含故障A的故障集合；

步骤83、利用相关决策规则做出最终的诊断决策；

若

三种故障域(制动***所有可能发生的故障模式，用Θ表示)中的故障模式，满足：

m(A)≥ε₁

m(A)-m(B)≥ε₂

式中，ε₁，ε₂为预先设定的阈值，则A为判决的结果，依据经验，这里ε₁＝0.6，ε₂＝0.3，m(A)、m(B)、m(C)表示A、B、C三种故障模式的基本概率赋值函数。

步骤9、输出诊断结果；

将诊断的结果送入诊断***中进行分析，并将最终结果呈现在人机交互界面中。该步骤具体运行过程是：将预测结果送入信息库保存，并输送至推理机，所述推理机对信息库中的预测结果进行分析，匹配知识库中的信息，得到相应的故障原因，将所述故障原因输出至解释器中，得到相应的解释并呈现在人机交互界面中，用户可以得到相应的推理过程。

Claims (7)

1.一种风机制动***卡缸故障诊断方法，包括以下步骤：

步骤1、采集数据：从SCADA信息***中蕴含的大量关于风机制动***运行状态的信息中，深度挖掘出闸瓦间隙—时间信号；

步骤2、数据预处理：包括去除信号数据中的奇异点、对信号消噪、数据归一化处理以及将输出信号相似化处理；

步骤3、故障特征量的提取：利用小波包从闸瓦间隙—时间信号中提取故障特征向量；

步骤4、根据输入信号的维度确定训练参数；训练参数有隐藏层节点数、显示中间结果的周期、最大迭代次数、学习率和误差阈值；输入信号的维度对应于输入层节点数；

步骤5、将步骤2所得的输入信号样本分为训练集和测试集，输入信号样本中既要包含正常数据又要包含故障数据；

步骤6、根据步骤4所得的训练参数及训练集数据进行网络训练，获得模糊神经网络模型；

步骤7、模糊神经网络模型优化，测试模糊神经网络模型：将模糊神经网络模型的输出值与理想输出进行比较，得到误差，进行误差反传，更新模型中的参数，直到误差满足要求，得出最优模糊神经网络模型；用测试集数据检验网络的性能；

步骤8、D-S证据理论融合：将模糊神经网络的输出值送入决策融合模块，利用各模糊神经网络的识别结果，作为独立的证据，运用D-S证据理论进行融合，得出综合的诊断结果；

其特征是，所述D-S证据融合包括以下步骤：

步骤1)、证据熵修改：对于有F条证据，N种故障类型，m_ba表示第a条证据对b种故障的BPA值，则证据熵为：

对其倒数进行归一化处理得到各个证据的权重w_a：

则原始BPA值总的加权平均值

式中，

第a条证据的各个原始BPA值与总的加权平均值

的偏差记为：

ε_a＝(ε_1a,ε_2a,…,ε_ba,…,ε_Na）

记

为m_a与

之间的总体偏差程度，利用δ_a来调整原始证据，修改后的证据记为m′_a，则：

m′_a＝m_ba-ε_baδ_a

步骤2)、将步骤1)修改后的证据利用D—S证据理论进行融合，G条证据的融合公式如下：

式中：m(A)表示故障A的融合后的基本概率赋值函数，G表示传感器即证据体的个数，K表示冲突因子，m₁、m₂、…m_G表示各个证据的基本概率赋值函数，A₁、A₂、…A_n表示各个证据中包含故障A的故障集合；

步骤3)、利用相关决策规则做出最终的诊断决策；

Θ表示制动***所有可能发生的故障模式，若

三种故障域中的故障模式，满足：

m(A)≥ε₁

m(A)-m(B)≥ε₂

式中，ε₁，ε₂为预先设定的阈值，则A为判决的结果，m(A)、m(B)、m(C)表示A、B、C三种故障模式的BPA值；

步骤9：输出诊断结果：将诊断的结果送入诊断***中进行分析，并将最终结果呈现在人机交互界面中。

2.根据权利要求1所述的风机制动***卡缸故障诊断方法，其特征是，在步骤2中，数据归一化处理的公式如下：

式中，x^*为数据归一化后的值，x_i为信号第i个数据，x_max、x_min分别为样本数据的最大值和最小值。

3.根据权利要求2所述的风机制动***卡缸故障诊断方法，其特征是，在步骤3中，提取故障特征量的步骤如下：

步骤31、对闸瓦间隙—时间信号进行小波分解；

对信号进行三层小波包分解，分别提取第三层从低频到高频8个频率成分的信号特征；

步骤32、对小波包分解系数进行重构，提取各频带范围的信号；以S₃₁表示x₃₁的重构信号，x₃₁是小波包分解第三层第一个节点的信号；S₃₂表示x₃₂的重构信号，x₃₂是小波包分解第三层第二个节点的信号，其他以此类推；则原始信号S可以表示为：S＝S₃₁+S₃₂+S₃₃+S₃₄+S₃₅+S₃₆+S₃₇+S₃₈；

步骤33、求各频带信号的总能量；

由于输入信号是一个随机信号，其输出信号也是一个随机信号；设重构信号S_3j对应的能量为E_3j，则有：

式中：x_3j表示重构信号S_3j的离散点的幅值，j＝1，2，…，8；

步骤34、构造特征向量，特征向量的构造如下：

T＝[E₃₁,E₃₂,E₃₃,E₃₄,E₃₅,E₃₆,E₃₇,E₃₈]

当能量较大时，E_3j通常是一个较大的数值，对特征向量T进行归一化处理，令

T′＝[E₃₁/E,E₃₂/E,E₃₃/E,E₃₄/E,E₃₅/E,E₃₆/E,E₃₇/E,E₃₈/E]

向量T′为归一化后的特征向量。

4.根据权利要求3所述的风机制动***卡缸故障诊断方法，其特征是，在步骤4中，隐藏层节点数的确定公式：

式中：m是隐含层节点数，n是输入层节点数，l是输出层节点数，α是1-10之间的常数。

5.根据权利要求4所述的风机制动***卡缸故障诊断方法，其特征是，在步骤6中，模糊神经网络各层处理过程如下：

设输入层第f个神经元输入输出分别为x_f和O_f，隶属度函数生成层第p个神经元输入输出分别为

和

输出层第q个神经元输入输出分别为

和

则

步骤61、输入层的输出等于其输入值：

O_f＝x_f

f是输入层神经元序号，f＝1,2,…,d，d为输入层的神经元总数；

步骤62、隶属度函数层：

式中，m_rp和σ_rp分别表示第r个输入量的第p个模糊集合的高斯型隶属度函数的均值和标准差，r_rp为第r个因素对第p个指标的隶属度，它们都是网络的可调参数；

步骤63、输出层：

式中：

为模糊神经网络第q个神经元的输出，

为隶属度函数生成层第p个神经元的输出，w_pq为第二层第p个神经元与第三层第q个神经元间的权值系数。

6.根据权利要求5所述的风机制动***卡缸故障诊断方法，其特征是，在步骤7中，所述误差E的计算式为：

式中，t为自训练集的样本总数，s是样本序号，s＝1,2,…,t，g为输出层的神经元总数，u为输出层神经元序号；

为第s个样本第u个神经元的理想输出信号，

为第s个样本第u个神经元的网络输出信号。

7.根据权利要求6所述的风机制动***卡缸故障诊断方法，其特征是，在步骤7中，更新模型中的参数有：第二、第三层间的权值系数w_v，高斯型隶属度函数的均值m_rp和标准差σ_rp，各参数修正值如下：

各参数的更新算法如下：

w_v(T+1)＝w_v(T)+η₁Δw_v(T)

m_rp(T+1)＝m_rp(T)+η₂Δm_rp(T)

σ_rp(T+1)＝σ_rp(T)+η₃Δσ_rp(T)

式中，w_v(T)和w_v(T+1)是更新前后的参数函数；η₁，η₂，η₃分别为各参数的学习率；

T离散时间变量。

Images