风电机组偏航系统在线监测机构及故障诊断系统和方法

专利主权项内容

1.一种风电机组偏航系统智能故障诊断和寿命评估方法，其特征在于，包括：(1)实时监测风电机组的风机风速、桨角、风机功率、偏航角度、齿轮箱油温参数，同时实时监测风电机组偏航系统中偏航轴承转速、偏航电机电流值和偏航卡钳振动信号值；其中，采用安装在风电机组偏航小齿轮上的转速传感器对所述风电机组偏航轴承转速进行实时监测；采用安装在风电机组偏航电机上的电流传感器对所述偏航电机的电流值进行实时监测；采用安装在风电机组偏航卡钳上的振动传感器对所述偏航卡钳的振动信号值进行实时监测；且风电机组的风机风速、桨角、风机功率、偏航角度、齿轮箱油温参数通过从所述风电机组的主控PLC中提取得到；(2)采用独立成分分析法对所述步骤(1)监测的原始数据进行干扰性筛查；其中，对所述原始数据进行干扰性筛查的具体步骤为：首先，假设d维被测矩阵X＝[x, x, …x]表示成m维非高斯独立成分矩阵S，则独立成分分析所得混合模型描述成为：12dTX＝AS+ξ其中，A＝[a, a, ...a]∈R是未知混合系统或传递矩阵，S＝[s, s, ...s]为m(≤d)维的未知独立成分矩阵，ξ是观测噪声矢量；12md×m12mT进而找到一个解混矩阵W，使得由被测矩阵X得到相互独立的源变量：Y＝WX＝W·(AS+ξ)≈W·A·S式中，Y是S的估计矢量；当解混矩阵W是A的逆矩阵时，即W＝A，Y是源变量S的最佳估计；-1(3)采用支持向量机算法对所述步骤(2)筛查后的数据进行建模和模型化分析；其中，建模和模型化分析的具体步骤为：将支持向量机回归分为线性回归与非线性回归；对于线性回归，假设有训练集样本{(x, y), (x, y), ..., (x, y)}，x∈R，y∈R，i＝1, 2, ..., l，x为输入量，y为对应的输出量；1122lliniii通过训练学习寻求满足训练样本集y＝f(x)的线性拟合函数f(x)，并且对于预测集样本的输入量{x, x, ..., x}能够由该拟合函数得出较为准确的相应预测值y，其中f(x)为支持向量机；iil+1l+2mi其中，训练学习的过程就是构造最优的线性拟合函数：f(x)＝w·x+b，w∈R，b∈R，遵循结构风险最小化原理，将训练学习过程转化为凸二次规划问题，其求解的凸二次规划问题为：n约束条件为：式中：ξ和为松弛变量，ε为精度参数，C表示对于超出误差范围ε的样本给予的惩罚程度，为惩罚因子；i通过构造拉格朗日函数，所述凸二次规划问题转化为：其约束条件为：式中：和a为拉格朗日乘子，解之得出(a, a)，继而得到线性问题的最优支持向量回归函数：i*对于非线性回归，首先通过一个非线性映射Φ(x)将数据映射到某个高维特征空间中，在所述高维特征空间中进行线性回归，则将原空间中的非线性回归问题转化为所述高维特征空间中的线性回归问题，如下式：K(x, x)＝Φ(x)·Φ(x)ijij为核函数，即映射函数的点积，则对偶问题转化为：约束条件为：式中：和a为拉格朗日乘子，解之得出(a, a)，继而得到非线性问题的最优支持向量机拟合函数：i*(4)根据所述步骤(3)分析后的信息进行所述风电机组偏航系统的智能故障诊断和寿命评估。。该数据由<马克数据网>整理