一種基于壓縮感知的風力發(fā)電機組異常檢測方法
【專利摘要】本發(fā)明公開了一種基于壓縮感知的風力發(fā)電機組異常檢測方法。它通過對風力發(fā)電機組中各種傳感器采集的標量和矢量數據分析，采用壓縮感知重構算法發(fā)現機組中出現異常的器件。本發(fā)明以集合X描述器件狀態(tài)，器件狀態(tài)良好設為0值，狀態(tài)異常設為非0值。由于風力發(fā)電機組中多個器件同時出現故障和異常的概率非常低，因此，表示器件狀態(tài)的集合X具有稀疏特點。首先基于各傳感器采集的標量和矢量數據，通過對風機出現異常時的歷史數據進行分析求出經驗矩陣，然后采用壓縮感知的重構算法還原出稀疏信號X，從而檢測出異常器件。本發(fā)明通過將壓縮感知應用于風力發(fā)電機組異常檢測，將異常定位到具體器件，不僅提高了檢測精確度，也減少了工程師的工作量。
【專利說明】-種基于壓縮感知的風力發(fā)電機組異常檢測方法

【技術領域】
[0001] 本發(fā)明涉及將信號處理中壓縮感知技術應用于風力發(fā)電機組的硬件異常檢測的 方法，屬于信號處理與異常檢測領域。

【背景技術】
[0002] 風機機組是現代工礦企業(yè)大量使用的動力設備，在企業(yè)生產和經濟建設中起到非 常重要地作用。隨著風電行業(yè)的迅猛發(fā)展，風電機組規(guī)模越來越大，機組設備一旦出現故障 將給企業(yè)帶來較大的影響。風電機組一般都安裝在空曠遠離市區(qū)的地方，并且安裝在60米 以上的高空，如果不能預測故障的發(fā)生，在機組設備發(fā)生故障后，調用其他巨型機械對其拆 機、組裝等維修費用高昂。應用故障預測可以在風機出現故障之前進行停機檢修，大幅度降 低維修費用，預防突發(fā)事故。因此風電機組的異常檢測具有重要的實際應用價值。
[0003] 風力發(fā)電機組故障種類繁多，而現有的預測方法中能診斷故障類型卻難以判斷發(fā) 生故障的部位，維修技術難度大、維修耗時長。因此，尋求一種能夠精確定位到異常器件的 方法具有重要的工程價值和經濟價值。
[0004] 壓縮感知是建立在矩陣分析、統(tǒng)計概率論、拓撲幾何、優(yōu)化與運籌學、泛函分析等 基礎上的一種全新的信息獲取與處理的理論框架。它基于信號的可壓縮性，通過低維空間、 低分辨率、欠Nyquist采樣數據的非相關觀測來實現高維信號的感知。將壓縮感知應用于 風力發(fā)電機組異常檢測中，不僅具有檢測異常器件的作用，而且有助于提高檢測精度。壓縮 感知中要求重構信號是稀疏信號，而風力發(fā)電機組中多個器件同時出現故障和異常的概率 非常低，因此滿足了信號的稀疏性。測量矩陣可以通過采集的歷史數據分析得出。壓縮感 知與風力發(fā)電機組異常檢測的結合，將最新的信號處理技術應用到工程實踐中，拓展了壓 縮感知的應用領域，也更好地解決了故障檢測中異常器件地位問題。


【發(fā)明內容】

[0005] 針對現有風電機組異常檢測問題，本發(fā)明公開了一種基于壓縮感知的風力發(fā)電機 組異常檢測方法。本發(fā)明所述的方法：將壓縮感知理論應用于風力發(fā)電機組異常檢測，通過 對風力發(fā)電機組中各種傳感器采集的標量和矢量數據分析，用壓縮感知還原算法發(fā)現機組 中出現異常的器件。本發(fā)明能夠提高風機異常檢測的精確度，并能將故障檢測區(qū)域縮小至 器件上。
[0006] 根據本發(fā)明的一個方面，提供了一種基于壓縮感知的風力發(fā)電機組異常檢測方 法，包括以下步驟：
[0007] 步驟一、對風機機組出現異常時各種傳感器采集的歷史數據進行數據分析，獲得 測量矩陣的過程。
[0008] 1)將各傳感器在每t秒內采集的實時數據取平均值作為一組測量值YeRm，m為 傳感器的種類個數，即測量值Y的長度：
[0009] 如傳感器有：溫度傳感器、液壓傳感器、轉速傳感器，則m= 3 ;若T= 2時，測量 值Y =[溫度2秒間隔內平均值液壓2秒間隔內平均值轉速2秒間隔內平均值];
[0010] 2)將機組模塊中的器件狀態(tài)良好設為0值，狀態(tài)異常設為非0值，對應出現異常時 各個器件的狀態(tài)組成集合X e RN，N為可能出現異常的器件個數，即稀疏信號長度；
[0011] 如：在風機機翼部要檢測的器件有：風輪軸、增速器、聯軸器、液體、電磁閥、液壓 制動器和管路，則器件個數為7,稀疏信號X =[風輪軸狀態(tài)增速器狀態(tài)聯軸器狀態(tài)液體狀 態(tài)電磁閥狀態(tài)液壓制動器狀態(tài)管路狀態(tài)]=[0001000];
[0012] 3)將多組測量值Y G r和稀疏信號x G RN，代入Y= OX可得出測量矩陣 O ^ RmXN ；
[0013] 4)將測量矩陣〇進行優(yōu)化，作為風力發(fā)電機組異常檢測的經驗矩陣。
[0014] 步驟二、通過經驗矩陣和各個傳感器采集到的數據組，應用壓縮感知重構算法，檢 測出現異常器件的過程。
[0015] 1)將風力機組中各個傳感器采集到的標量和矢量數據作為測量值Y e Rm;
[0016] 2)將風力機組的模塊中各個器件的狀態(tài)組成信號X G RN ;
[0017] 3)利用m維向量Y和經驗矩陣通過0MP算法，重構稀疏信號X，步驟如下：
[0018] ①初始化數據：殘差初始值&為機組傳感器采集的數據組Y，即& = Y，記錄異常 器件地點的支撐集初始值A〇 = 0，設置最高迭代次數為m(m為測量值長度），迭代初始值t =1，初始支撐測量矩陣兔=0;
[0019] ②計算殘差R和經驗矩陣列向量％的內積，并找到其最大值所對應的下標入：[0020]

【權利要求】
1. 一種基于壓縮感知的風力發(fā)電機組異常檢測方法，其特征在于，對風機機組出現異 常時各種傳感器采集的歷史數據進行數據分析，獲得測量矩陣的過程，所述方法至少包括 W下步驟： 1) 將各傳感器在每T砂內采集的實時數據取平均值作為一組測量值Y G r，m為傳感 器的種類個數，即測量值Y的長度； 如傳感器有；溫度傳感器、液壓傳感器、轉速傳感器，則m = 3;若T =2時，測量值Y =[溫度2砂間隔內平均值液壓2砂間隔內平均值轉速2砂間隔內平均值]; 2) 將機組模塊中的器件狀態(tài)良好設為O值，狀態(tài)異常設為非O值，對應出現異常時各個 器件的狀態(tài)組成集合X G炒，N為可能出現異常的器件個數，即稀疏信號長度； 女口；在風機機翼部要檢測的器件有；風輪軸、增速器、聯軸器、液體、電磁閥、液壓制動 器和管路，則器件個數為7,稀疏信號X =[風輪軸狀態(tài)增速器狀態(tài)聯軸器狀態(tài)液體狀態(tài)電 磁閥狀態(tài)液壓制動器狀態(tài)管路狀態(tài)]=[0001000]; 3) 將多組測量值Y G r和稀疏信號X G扔代入Y = OX可得出測量矩陣O G Rmxw. 4) 將測量矩陣O進行優(yōu)化，作為風力發(fā)電機組異常檢測的經驗矩陣。
2. 根據權利要求1所述的一種基于壓縮感知的風力發(fā)電機組異常檢測方法，其特征 在于，將經驗矩陣和各個傳感器采集到的數據組，應用壓縮感知重構算法，檢測出現異常器 件，所述方法至少還包括W下過程： 1) 將風力機組中各個傳感器采集到的標量和矢量數據作為測量值Y G r; 2) 將風力機組的模塊中各個器件的狀態(tài)組成信號X G RW ; 3) 利用m維向量Y和經驗矩陣O，通過正交匹配追蹤（OM巧算法，重構稀疏信號X，步 驟如下： ① 初始化數據：殘差初始值Ro為機組傳感器采集的數據組Y，即R。= Y，記錄異常器件 地點的支撐集初始值Ao = 0，設置最高迭代次數為m(m為測量值長度），迭代初始值t = 1， 初始支撐測量矩陣而=0; ② 計算殘差R和經驗矩陣列向量口,的內積，并找到其最大值所對應的下標A t : 義,=argmax 片… ③ 更新支撐集At= At_i U (A J，記錄傳感矩陣中重建原子集合<!>,=[&,-i，n]; ④ 采用最小二乘法估計表示器件狀態(tài)的稀疏信號中非零值義,， 《=argminy-0,義； ⑥更新殘差A 《，迭代次數t = t+1 ; ⑧判斷迭代次數：若t《m跳至步驟②繼續(xù)計算，否則輸出器件狀態(tài)信號并結束過程。
3. 根據權利要求1所述的一種基于壓縮感知的風力發(fā)電機組異常檢測方法，其特征在 于，還包括優(yōu)化測量矩陣O得出經驗矩陣的過程： 1) 輸入各傳感器采集的數據組作為測量值Y G r和表示器件狀態(tài)的稀疏信號X G RW ; 2) 通過多組測量值數據與稀疏信號數據得出測量矩陣O G RUXW ; 3) 將測量矩陣進行優(yōu)化，其優(yōu)化過程如下； ①定義參數；相干性闊值化G R，稀疏基矩陣D G RWXm,測量值Y的長度m G R，微小化 因子Y G R，迭代次數Iter G R; ② 輸入上述得到的測量矩陣O G 乍為初始經驗矩陣。。，設置最高迭代次數c， C G Z,初始化 Iter = l，k = 0，kG Z; ③ 標準化矩陣& = O中的列向量，并通過& = 計算Gram矩陣Gk ; ④ 設定闊值并做收縮操作：設置固定的闊值化，通過W下公式更新Gram矩陣并得到 Gk..
⑥ 應用SVD(奇異值分解），使得4的秩為m。令4 求4的均方根Sk,其中 Sk G RmXN ; ⑧更新O ;賦值為滿足最小化lb-恥非的誤差的史，并令k = k+1，迭代次數 Iter = Iter+1 ； ⑦ 判斷迭代次數：若Iter《C則返回③繼續(xù)執(zhí)行，否則輸出經驗矩陣并結束過程； 4)將優(yōu)化后的測量矩陣作為經驗矩陣進行后續(xù)異常檢測。
【文檔編號】F03D11/00GK104265577SQ201410160284
【公開日】2015年1月7日 申請日期:2014年4月16日 優(yōu)先權日:2014年4月16日
【發(fā)明者】羅光明, 李婷煜, 田淑娟, 李哲濤, 朱更明 申請人:湘潭大學