[发明专利]基于多传感器信号融合技术的风电机组叶片故障诊断方法

摘要

本发明公开了基于多传感器信号融合技术的风电机组叶片故障诊断方法，通过采用多传感器来解决由于传感器不足而带来的故障信息欠缺等问题，对每个传感器采集的信息各用一个独立的分类器进行初步诊断，确定待诊断故障隶属于不同故障的可能性，在充分考虑每个分类器输出信息的重要程度的基础上，采用模糊积分融合技术进行决策融合诊断。本发明不仅综合各分类器的分类结果，还考虑各分类器的重要程度，有效地提高了风电机组叶片故障诊断的准确性。

主权项

1.一种基于多传感器信号融合技术的风电机组叶片故障诊断方法，其特征在于：在风电机组上安装多传感器，采用分类器对每个传感器采集的信息进行初步诊断，确定待诊断故障隶属于不同故障的可能性，在充分考虑各个分类器与不同故障类型的关联程度的基础上，采用模糊积分融合方法进行决策融合诊断，其诊断方法的具体步骤为：（1）通过安装在风电机组主轴座水平方向和垂直方向的加速度传感器测量叶片在正常和典型故障类型下的振动信号，每个加速度传感器对应一个分类器；（2）利用经验模态分解分别对采集的水平方向和垂直方向上的振动信号进行分解，将不同的故障特征反应到不同的本征模函数；（3）计算前若干个本征模函数的能量，形成反应故障的特征信息，对所提取的故障特征信息归一化处理，得到故障特征向量，作为训练样本和测试样本；（4）利用水平方向和垂直方向上的训练样本和测试样本分别对两个分类器进行训练和测试；（5）确定模糊密度和模糊测度；gji=gj({yi}),i=1,2,···c,j=1,2,···t,]]>表示第i个分类器的第j个信息的模糊密度，t是故障类型的个数，c是分类器的个数；令Y＝{y₁，y₂，…y_c}为c个分类器构成的集合，A_i＝{y₁，y₂，…y_i}，利用每个分类器在测试中对各个故障的正确识别率作为该分类器对各故障类型的关联程度，即模糊密度，然后根据模糊密度确定模糊测度；（6）将实测振动信号进行经验模态分解并提取故障特征向量，利用分类器分别进行初级故障诊断，得到的结果为p_j＝(p_j(y₁)，p_j(y₂)，…p_j(y_c))，其中p_j(y_i)表示分类器y_i把待诊断的实例分为第j类的可能性；（7）利用Choquet模糊积分做融合算子对初级故障诊断结果进行融合处理来确定风电机组叶片的故障类型；根据式计算出模糊积分值e_j，e_j为综合诊断出的故障可能性指标，则形成故障可能指标集E＝{e₁，e₂，…e_t}，根据其判断故障类型，E中最大值所对应的类别即为该实例的故障类型。