[发明专利]一种环境因素对风电设备故障演化程度影响的评估方法

说明书

技术领域

本发明涉及一种环境因素对风电设备故障演化程度影响的评估方法，特别是涉及一种基于最小二乘-隐式半马尔科夫的环境因素对风电设备故障演化程度影响的评估方法。

背景技术

我国风电已进入了规模发展的新阶段，成为继欧洲、美国和印度之后的全球主要风电市场之一。但是随着风场的相继开发，风电设备的建立，刚刚崛起的中国风电设备还面临着许多挑战，现阶段风电装备故障频出，故障原因复杂且不明晰成为亟待解决的问题。我国风电行业起步较晚，对风电机组故障的研究主要集中在对具体故障的分析方法的研究，而对于风电设备故障机理的研究较少。然而设备的故障和事故都不是偶然发生的,都有一个由量变到质变的发展过程。任何一种设备从制造、出厂、使用直到报废,从外部环境到内部机理，都是在不断变化的，风电设备也不例外。风电设备在运行过程中，内部的零部件必然受到机械应力、化学应力、热应力及电气应力等多种物理作用，随着时间的推移，这种物理作用的积累将使设备的正常运行状态发生变化，而产生异常、故障或劣化,最终可能造成设备事故。实际上，有一些故障是可以通过状态监测早期发现的，因为运行中的风机故障通常会经历从萌芽到发展、从轻微到严重的渐变演化过程。故障产生后，特征参数的变化也要经历由不明显到明显的过程。然而设备的故障模式和故障机理并不是一成不变的,它们与使用、维护环境条件密切相关。风力发电系统及其零部件的服役载荷复杂多变，其在动载荷作用下的疲劳、磨损、断裂等失效机理与静载荷下有很大不同，由于载荷、工况、应力等运行环境参数都是动态变化过程。因此,要研究故障机理不仅要分析设备故障本身,而且还要考虑运行条件和动态过程。由于风电设备的运行环境是在野外,要经受风吹、雨淋、沙打、腐蚀等各种极端恶劣天气和自然界风速风向变化无常而产生的复杂交变及冲击载荷下可靠运行至少20年，所以研究运行环境对风电机组主要设备的影响机理是十分有必要的。

发明内容

为克服上述现有技术存在的不足，本发明之目的在于提供一种环境因素对风电设备故障演化程度影响的评估方法，其在现有故障特征信号提取和隐式半马尔科夫量化故障演化程度的基础上提出一种最小二乘—隐式半马尔科夫模型的环境因素对风电设备故障演化影响的研究方法。

为达上述及其它目的，本发明提出一种环境因素对风电设备故障演化程度影响的评估方法，包括如下步骤：

步骤一，对各振动传感器进行特征提取，获得频带特征，并基于划分的局部切空间排列算法对获得的频带特征进行特征融合，形成齿轮箱的特征空间；

步骤二，根据多传感器信息融合结果，采用连续隐式半马尔科夫模型研究齿轮箱故障演化过程，并利用非线性多元最小二乘法来拟合故障演化程度和各环境因素的关系，建立齿轮箱故障演化程度表达式。。

进一步地，在步骤一中，获取频带特征包括如下步骤：

根据试验工况和齿轮箱参数得到各振动传感器的各特征频率；

根据特征频率和频带个数T满足的条件选取频带个数T；

根据T*N个频带特征确定本征维数，其中N为传感器个数。

进一步地，该特征频率包括高速轴、低速轴的特征频率、各齿轮的啮合频率、各滚动轴承的特征频率。

进一步地，将T*N个频带特征输入局部PCA算法来确定本征维数。

进一步地，于步骤一中，将T*N个频带特征输入到自适应划分的局部切空间排列算法，得到降维后总能量归一的结果，形成齿轮箱的特征空间。

进一步地，步骤二进一步包括如下步骤：

步骤2.1，结合步骤一的多传感器信息融合结果，使用正常状态下的数据训练CHSMM，建立基于CHSMM的多传感器融合故障演化程度评估模型λ₀；

步骤2.2，使用该模型对齿轮箱异常状态进行相似度确定；

步骤2.3，利用该齿轮箱异常状态下的数据训练CHSMM，建立基于CHSMM的多传感器融合故障演化程度评估模型；

步骤2.4，分别使用步骤2.3获得的多传感器融合故障演化程度评估模型对待识别故障演化过程进行相似度确定，即可得到待识别状态异常的程度；

步骤2.5，利用非线性多元最小二乘法来拟合故障演化程度和各环境因素的关系。

进一步地，该齿轮箱的异常状态包括点蚀、磨损、胶合、断齿状态。

进一步地，环境因素包括沙尘浓度、盐雾浓度、运行时间

进一步地，采集所有状态下的传感器振动数据的同时记录沙尘浓度、盐雾浓度、运行时间的数值。