一种基于单变量特征提取策略的风力发电机故障检测方法

本发明涉及一种风力发电机故障检测方法，特别涉及一种基于单变量特征提取策略的风力发电机故障检测方法。

以风能、太阳能为代表的绿能源因自然资源的日益短缺而受到了越来越多的关注，从能源转化效率、系统设计、优化调度、及检修等方方面面都投入了大量人力和物力开展相应的研究改进工作。风力发电机是目前市场上利用风能的典型设备，在风力持续的情况下，风力发电机就能持续不断的提供电能。风力发电机也因此在岛屿或山区里面得到广泛的推广与应用。为了保证风力发电机高效的电力输出，及时的检测出风力发电机运行过程中出现的故障是具有重要的研究意义，它可以及时调度检修人员前往维修，避免了定期无目的的修护所造成的人力成本的浪费。然而，考虑到风力发电机是一个大型且复杂的系统，通过物理等机理知识建立相应的动力学模型和电路模型是非常困难的。因此，利用机理模型实施故障检测的方案是不可取的。

一般而言，风力发电机这个系统中通常会安装有多个传感器，会实时反馈诸如发电机转速，生成的电功率，加速度等数据信息。这些传感器以及相应配套的数据存储设备为实施数据驱动的风力发电机故障检测提供了坚实的数据基础。在当前智能制造与大数据的风潮下，利用这些采样数据实施风力发电机故障检测的方案是值得研究人员开展相应研究的，已有多种按照模式分类思想实施风力发电机故障检测与诊断的数据驱动的技术。然而，风力发电机的工作状态会受到外部环境风速的直接影响，会随着风速的变化而不断发生变化的。因为风力并非人为可精准预测或可控制的，风力发电机的工作状态直接受风速影响的这种工作特性给数据驱动的故障检测方案增加了挑战。

一般而言，风力发电机绝大多数时间都是处于正常工作状态，且其产生电能时是有一个风速区间的。当环境风速不在这个风速区间时，风力发电机出于自我保护功能就会处于待机状态。因此，风力发电机的故障检测都是检测风力发电机在产生电能的过程中是否出现了故障。从数据驱动的角度实施风力发电机故障检测，可用的训练数据一般都是采集自正常工作状态的，鲜有故障状态下的采样数据。因此，数据驱动的风力发电机故障检测得从特征提取的角度出发设计相应的故障检测方法。与此同时，为了保证故障检测的成功率，提取的特征利用起到最优区分正常与故障作用的特征，而不是按照传统思路的特征提取。

本发明所要解决的主要技术问题是：实施数据驱动的风力发电机故障检测时，能实时提取出有利于分离故障的单变量特征，从而可以将监测多个测量数据转变成单变量的异常变化监测思路，以实现实时检测风力发电机是否出现故障的目的。具体来讲，本发明方法通过在线即时特征提取，通过最优化的思想即时提取最有利于分离故障的单变量特征，并通过上下限范围判断来完成风力发电机的故障检测任务。

本发明方法解决上述问题所采用的技术方案为：一种基于单变量特征提取策略的风力发电机故障检测方法，包括以下所示步骤：

步骤(1)：在风力发电机正常运行状态下，利用数据采集系统每间隔1分钟采集一次样本数据，具体包括11个数据，并将每次采集的这11个数据组成一个列向量；其中，列向量中的11个数据依次为：风速，旋翼转速，发电机转速，机械转矩，发电功率，叶片螺距角，叶片方位角，叶片根部力矩，顶部水平轴加速度，顶部纵轴加速度，偏航误差。

步骤(2)：按照采集的时间先后顺序，将风速在5m/s至20m/s之间的N个列向量x1，x2，...，xN组成矩阵X＝[x1，x2，...，xN]，并对X∈R11×N中各个行向量实施标准化处理从而得到新矩阵其中，R11×N表示11×N维的实数矩阵，R11×1表示11×1维的实数向量，标准化处理的方式具体如步骤(2.1)至步骤(2.2)所示。

步骤(2.1)：设zj∈R1×N表示矩阵X中的第j行的行向量；其中，j∈{1，2，...，11}。

步骤(2.2)：计算行向量zj中所有元素的平均值μj和标准差δj后，根据计算得到新矩阵中第j行的行向量

步骤(3)：根据公式计算基矩阵C；其中，上标号T表示矩阵或向量的转置。

步骤(4)：确定单变量特征的上限ζmax和下限ζmin，具体的实施过程如步骤(4.1)至步骤(4.5)所示。

步骤(4.1)：设表示新矩阵中第i列的列向量；其中，i∈{1，2，...，N}。

步骤(4.2)：根据公式计算矩阵Gi后，再求解Gi最大特征值所对应的特征向量pi∈R11×1。

步骤(4.3)：根据公式wi＝Cpi计算投影变换向量wi∈R11×1后，再根据计算单变量特征yi。

步骤(4.4)：分别设置i等于1，2，...，N，并执行步骤(4.1)至步骤(4.3)从而对应得到单变量特征y1，y2，...，yN，并计算y1，y2，...，yN的平均值μ0和标准差δ0。

步骤(4.5)：根据ζmax＝μ0+3×δ0和ζmin＝μ0-3×δ0分别确定单变量特征的上限ζmax和下限ζmin。

步骤(5)：利用风力发电机的数据采集系统采集最新采样时刻的样本数据，具体包括步骤(1)中所列的11个数据，并将这11个数据组成列向量xnew∈R11×1。

步骤(6)：判断xnew中的第一个数据(即：风速)是否小于等于20且大于等于5；若是，则执行步骤(7)；若否，则风力发电机未产生电能，处于待机状态，并返回步骤(4)继续实施对最新采样时刻的风力发电机故障检测。

步骤(7)：根据公式对xnew中各行的元素实施标准化处理，从而得到新数据向量其中，和分别表示xnew和中第j行的元素。

步骤(8)：根据公式计算矩阵Gnew后，再求解Gnew最大特征值所对应的特征向量pnew∈R11×1。

步骤(9)：根据公式wnew＝Cpnew计算投影变换向量wnew∈R11×1后，再计算单变量特征

步骤(10)：判断是否满足条件：ζmin≤ynew≤ζmax；若是，则风力发电机正常运行，并返回步骤(5)继续利用最新采样时刻的样本数据实施对风力发电机的故障检测；若否，则执行步骤(11)。

步骤(11)：返回步骤(5)继续利用最新采样时刻的样本数据实施故障检测；若连续6个采样时刻的样本数据所对应的单变量特征皆不满足步骤(10)中的判断条件，则触发故障警报；反之，则风力发电机正常运行，并返回步骤5)继续利用最新采样时刻的样本数据实施对风力发电机的故障检测。

值得指出的是，上述步骤(4.2)与步骤(4.3)以及步骤(8)与步骤(9)中求矩阵及其最大特征来源于如下所示算法的推理过程，该算法旨在搜寻投影变换向量，从而使新数据与训练数据进行最大化区分，该算法的的目标函数及其约束条件如下所示：

上式中，正常工况数据经投影变换向量w变换后，方差或长度为1。而目标函数旨在使在线采样的数据向量经同样的投影变换后，距离远点越远越好。换句话讲，就是尽可能的将在线数据与正常工况数据拉开，这样可以提取到最适合监测故障的特征成分。

上式①的优化求解可通过经典的拉格朗日乘子法完成，需要先引入中间量p＝(XXT)1/2w进行过渡，并且注意其中tr( )表示求括号内矩阵的迹。

通过以上所述实施步骤，本发明方法的优势介绍如下。

本发明方法针对不同时刻的样本数据实时计算出对应的投影变换向量，从而可以提取出能最大区分出与正常数据间差异的单变量特征。因此，在风力发电机正常工况数据充裕的情况下，本发明方法能及时的根据采样数据实时检测出风力发电机的故障。在即将陈述的具体实施案例中，通过实际应用验证了本发明方法的可行性与优势。

图1为本发明方法的实施流程示意图。

图2为本发明方法的故障检测详图。

下面结合附图和具体实施方式对本发明进行详细说明。

本发明公开了一种基于单变量特征提取策略的风力发电机故障检测方法，下面结合如图1所示的实施流程示意图来说明本发明方法的具体实施方式。

步骤(1)：在风力发电机正常运行状态下，每间隔1分钟采集一次样本数据，具体包括：风速，旋翼转速，发电机转速，机械转矩，发电功率，叶片螺距角，叶片方位角，叶片根部力矩，顶部水平轴加速度，顶部纵轴加速度，偏航误差。

步骤(2)：将风速在5m/s至20m/s之间的N个列向量x1，x2，...，xN组成矩阵X＝[x1，x2，...，xN]，并对X∈R11×N中各个行向量实施标准化处理从而得到新矩阵

步骤(3)：根据公式计算基矩阵C；其中，上标号T表示矩阵或向量的转置。

步骤(4)：确定单变量特征的上限ζmax和下限ζmin，具体的实施过程如步骤(4.1)至步骤(4.5)所示。

步骤(5)：利用风力发电机的数据采集系统采集最新采样时刻的样本数据，具体包括步骤(1)中所述的11个数据，并将这11个数据组成列向量xnew∈R11×1。

步骤(6)：判断xnew中的第一个数据(即：风速)是否小于等于20且大于等于5；若是，则执行步骤(7)；若否，则风力发电机未产生电能，处于待机状态，并返回步骤(4)继续实施对最新采样时刻的风力发电机故障检测。

步骤(7)：根据公式对xnew中各行的元素实施标准化处理，从而得到新数据向量其中，和分别表示xnew和中第j行的元素。

步骤(8)：根据公式计算矩阵Gnew后，再求解Gnew最大特征值所对应的特征向量pnew∈R11×1。

步骤(9)：根据公式wnew＝Cpnew计算投影变换向量wnew∈R11×1后，再计算单变量特征

步骤(10)：判断是否满足条件：ζmin≤ynew≤ζmax；若是，则风力发电机正常运行，并返回步骤(5)继续利用最新采样时刻的样本数据实施对风力发电机的故障检测；若否，则执行步骤(11)。

步骤(11)：返回步骤(5)继续利用最新采样时刻的样本数据实施故障检测；若连续6个采样时刻的样本数据所对应的单变量特征皆不满足步骤(10)中的判断条件，则触发故障警报；反之，则风力发电机正常运行，并返回步骤5)继续利用最新采样时刻的样本数据实施对风力发电机的故障检测。

为了清楚的展现出单变量特征在上限与下限之间的变化详情，特将单变量具体数值、上限和下限都绘制于图2中。从图2中可以发现，故障未发生时，单变量特征位于上限和下限之间；而在故障发生后，单变量特征超出了下限的界限范围，从而可触发故障警报。