1、第 卷 第 期 年 月传 感 技 术 学 报 .项目来源：国家自然科学基金项目（）收稿日期：修改日期：，（，；，）：，：；：基于振动传感器的风力发电机故障检测算法朱广贺，朱智强，袁逸萍（新疆师范大学计算机科学技术学院，新疆 乌鲁木齐；新疆大学机械工程学院，新疆 乌鲁木齐）摘 要：风力发电机长时间处于高应力状态下，易产生设备细小故障，若不能及时找出，会造成风电系统严重受损或瘫痪，为此提出了基于振动传感器的风力发电机故障检测算法。利用向量索引值集合及广义逆向矩阵，在压缩感知下匹配追踪信号，恢复缺失数值，经过经验模态分解后，加入白噪声求解信号分量平均值，识别信号的振动类型和能量变化，判断信号故障类型
2、，利用逻辑回归模型分类信号是否属于故障信号，实现风力发电机故障信号分类及判断。仿真结果表明，所提算法可以准确区分正常工作状态和故障状态，迭代 次后可以将故障检测误差率保持在。由此可知，所提算法能准确判断故障及所属类型，且精准度高。关键词：振动传感器；风力发电机；故障检测算法；振动信号分析；信号参数；能量特征中图分类号：文献标识码：文章编号：（）在电力能源成为主流能源的当下，火力发电所造成的大气污染越来越严重，清洁能源的使用开始兴起，绿色保护成为发展趋势，产生电能的方式也逐渐趋向于风力发电。大型的风力发电系统需要靠风力发电机组完善系统结构，而风力发电机在高应力状态下，其核心和薄弱环节通常容易发生
3、故障，在风力发电机或机组发生故障的情况下，很容易产生连锁反应，造成风电系统的瘫痪，因此针对风力发电机的故障检测必不可少。各类机械设备在运行过程中会发生不同程度的振动情况，设备在不同作业状态下产生的振动信号是不同的，通过分析机械设备振动信号成分及能量的不同变化情况，判断设备具体的运行状态及故障情况。针对故障检测方法，陈图南等研究了一种通过检测电气设备周围气体含量，来判断设备运行状态的方法，称为微量气体检测法。利用气体交叉干扰特性，对设备周围环境进行校正测量，采用光学方法系统测量微量气体变化特征，以及特征所对应的设备运行状态，从而完成故障检测。由于气体容易受到运动光谱的限制，并不能很好地捕捉和测量
4、其具体的体积分数和变化情况，因此故障判断准确度有待进一步提升。任贵粉等研究一种区域检测算法，分析设备红外热图像中的噪声情况。利用剪切波和高阶谱结合算法，去除掉图像中不必要的噪第 期朱广贺，朱智强等：基于振动传感器的风力发电机故障检测算法 声，保留细节并测量图像中故障区域的参数，通过分析故障区域特征参数，完成设备故障诊断。但是该方法判断的准确程度取决于参数选取精度，抗噪能力弱，所表现的故障检测效果无法达到理想预期。等提出了一种新的识别和分类海流涡轮机（）转子叶片节距不平衡故障方法。利用连续 小波变换（）获取汽轮机转子轴 频率范围内的小波系数，根据上述系数组成一个六维特征空间，在生成的特征空间上使
5、用主成分分析（）进行降维后，应用 最近邻（）机器学习算法实现故障检测。该方法的故障检测精度受降维影响程度较高，因此故障检测效果有待进一步优化。综合上述文献的优点，本文以准确检测风力发电机故障研究目的，基于振动传感器的信号收集结果，分析发电机不同振动信号的幅值变化。利用经验模态分解振动信号，分析平均信号分量的特征及能量变化分类，归类信号所属特性，并计算信号故障概率。通过对信号能量的变化，完成最终的故障检测及故障类型的判断。基于振动传感器的信号恢复及幅值筛选由于风力发电机在发电作业时，受到外界环境因素的不确定性干扰，其振动信号可能会存在不同程度的缺失，因此在对风力发电机进行振动信号检测前，首先须恢
6、复振动传感器收集到的信号，保证振动信号的完整性。首先从采集信号序列集合 中找到信号，的索引值集合，其中，包含 个信号。（）（）式中：（）表示信号索引值，考虑到风力发电机振动时，振动传感器才可以采集到相应的信号，因此设置，表示信号的取值范围，（）表示索引概率。设定风力发电机在发电作业时产生的振动信号矩阵为，根据索引值集合 指引可以得到指引后的信号子矩阵。信号（）表示由索引集合完成指引的（）项，分别表示为：（）（）（），（）式中：（）表示信号子矩阵 的广义逆向矩阵。信号 在 区间范围内进行连续取值，构建信号的索引值集合 时需要完成信号的无限次数迭代。本文提出一种连续有限的选择方法，利用多重的测量向
7、量替代无限向量，凭借压缩感知完成数据构建求解。任何满足数据观测矩阵的有限维向量，都可根据压缩感知同步完成数据融合匹配的追踪，在此基础上完成判断信号幅值。风力发电机在发电作业时，随机部署 个节点，其采集的感知数据记为，式中 为最大随机部署节点个数，若?在稀疏基下稀疏，在振动传感信号数据收集过程中，索引值集合 的每轮数据收集分为 次进行独立观测，得到观测矩阵为，振动信号数据可通过式（）进行优化：?（），（）式中：?表示重构后获取最终的信号幅值，表示迭代次数。不同振动信号的成分幅值并不相同，设定一倍频成分幅值为阈值范围，筛选振动信号的不同成分幅值，幅值比较低的振动信号波形是不完整信号，无法分析出足够
8、有用的信息，需要将其滤除完成信号幅值的筛选。脉冲及波峰分别计算如下：（）（）（）（）（）式中：表示信号中某一振动成分的振动频率角速度，表示信号脉冲的上升参照时间，、表示不同成分的波峰时间，、分别表示振动信号脉冲和波峰。通过分析振动传感器采集的风力发电机扭振频率的信号成分和成分能占比，判断风力发电机是否存在轴系扭转故障和故障程度。振动信号分解及特征提取由于传统的经验模态信号分解会使振动信号分解后产生不必要的混叠现象，致使信号发生幅值、波段的缺陷，因此所提方法在分解信号的过程中，加入高斯白噪声帮助完成信号分解和分析。通过经验模态分解，可将原始的发电机振动信号分解成一组平均信号分量和一组剩余信号分量
9、，平均信号分量能够表现原始振动信号中，局部的振动信号信息特征，剩余信号分量可以表示振动信号发生的缓慢信息变化量，通过分析所获得风力发电机振动信号的相关特征信息，可以实现对风力发传 感 技 术 学 报第 卷电机的故障检测。指标能量是指在一个分析时段内，通过数据统计结果表示原始振动信号中，与某一个信号分量相对应的能量水平，指标能量可以用来表示信号的能量特征，具体的计算方式如下：（）（）（）（）式中：（）表示原始振动信号在经过模态分解后，得到的第 个平均信号分量相对应的指标能量值，（）为传感器采集原始振动器的第 个平均信号分量，（）表示第 个原始振动信号经过分解后得到的第 个平均信号分量，代表分解得
10、到的信号分量总数，代表原始振动信号总数，若二者数据总量是相等的，则都可以使用 来表示，此时式（）可以简化为：（）（）（）（）根据式（）可知，不同种类振动信号的平均信号分量所对应的信号指标能量以及特征信息均不相同，风力发电机运行时所产生的振动信号，在结构上属于非线性的不平稳信号，经过经验模态分解后，平均信号分量增多，与之相对应的指标能量总数也随之增多，这时需要选择适当的特征向量来完成不同信号的分类，对振动信号分类的过程中，逐步实现故障信号的甄别和判断。风力发电机故障检测算法在甄别风力发电机故障信号的基础上，设计故障检测算法。逻辑回归模型分类器可以完成信息分类和故障诊断，在此基础上能够更好地完成不
11、同类别的特征区分，同时利用朴素贝叶斯分类算法，计算振动信号特征间的隶属关系，通过统计它们之间的隶属概率，完成信号分析及故障诊断。将 设定为分类训练数据，具体可表示为，表示振动信号的属性值，归类为故障类数据，表示非故障类传感数据，（，），表示需要完成故障分类的数据总数，故障类数据的条件后验概率应符合最大化原则：（）（），（）式中：（）表示故障类数据 的先验概率，测试故障类数据的分类过程中，不考虑数据中不存在故障信号，因此是直接在数据特征信息的基础上独立完成的。因此可假设数据的特征信息内存在故障因素，表达式为：（）（）（）由贝叶斯原理计算数据归属于故障类的后验概率：（）（）（）（）（）将 设置为待
12、测试分类数据，计算该数据的后验概率，其中占比最大的类型就是该数据的最终分类，（）属于一般常数，因此可以直接建立朴素贝叶斯数据分析模型（）为：（）（）（）（）由式（）计算得出故障类数据，模型中的数据属性是各自独立区分的，因此针对不同属性对数据的影响程度来分配数据权重值，完成贝叶斯模型的属性加权：（）（）（）（）（）式中：（）表示属性加权值，（）表示第 个数据属性的权重值。针对故障类数据的属性，应该选择适当的属性加权，才能最终完成风流发电机的故障检测，将利用朴素贝叶斯分类算法获取的故障类数据作为输入，对故障类数据的属性加权优化，具体步骤如下：利用粒子群优化算法和逻辑回 归 分析，完成对故障数据各个
13、粒子的初始化映射，预设粒子群算法的最大迭代次数为 和影响因子为。粒子的适应度值通过目标函数 （）（）（，）确定，其中，（，）表示数据空间映射到特征空间的核函数，表示偏值。依据每个数据相对应的粒子适应度，选择出故障数据在全局中的最优位置，根据识别粒子的自适应度进行排序，利用潮流运算和目标函数得到故障数据的各个属性权重值的粒子映射。对比各粒子的适应度值与目前个体的最优解，如果某个粒子的适应度值没有超过最优解，那么此时粒子所处位置即为最优位置。以此计算全部故障数据的粒子最优位置，以及故障数据的具体位置变量。通过迭代次数递增，更新故障数据的粒子映第 期朱广贺，朱智强等：基于振动传感器的风力发电机故障检
14、测算法 射位置变化情况，对故障映射位置进行复查和判断。若经过多次迭代，故障数据的全局最优位置并未发生改变，则认为该故障数据所引发的风力发电机故障情况较为严重，对故障数据内的特征分量及信息进行遍历处理。重复步骤，直至迭代完成。经过对故障数据权重值的优化处理，全局最优粒子所对应的最优属性权重值映射，即为故障发生位置及具体数据情况，此时，完成风力发电机故障检测全部流程，在振动传感器数据下，实现对风力发电机的故障检测及故障类型判定。仿真测试与分析 仿真环境为了验证针对风力发电机的故障检测方法性能，利用 型发电机作为测试对象模拟风力发电机，检测风力发电机正常运行状态下的振动情况，并设定定子绕组的现时匝间
15、短路、励磁绕组的现时匝间短路两种故障情况，分别作为仿真分析案例。在正常运行状态下，发电机的有功功率在 之间发生变化，每个发电机输出的不同瞬时值选取 个振动数据作为分析目标，其中测区的瞬时值包含发电机的转子转速、转子的励磁电压和电流、转子振动加速度、定子的三相电流电压、定子振动以及有功功率和无功功率，利用 的滑动变阻器完成励磁绕组中 抽头的短接设定，且短接情况占比，该情况可造成励磁绕组匝间概率的短路故障。同时，在测量发电机负荷变化时，同步采集上述的发电机瞬时测量值，每个物理量采集 个振动数据进行分析，利用 的滑动变阻器完成定子绕组中 抽头的短接设定，短接情况设定为占比，该情况可造成定子绕组匝间
16、的概率的短路故障，在该仿真环境下完成对检测方法不同性能的检测分析。不同状态下转子振动频谱图分析对上述情况进行振动信号检测，并利用式（）获取优化后的幅值，利用本文方法对其风力发电机运行过程中不同状态下的转子振动幅值进行筛选，具体情况如图、图、图 所示。根据图、图、图 可以看出，发电机在正常工作状态下和故障状态下的转子振动频谱有较为明显的差异，通过对振动信号的分解、能量特征提取和数据挖掘分类，很好地区分了故障信号累计及非故障信号类型，并通过对信号的能量特征分析，识别不同振动信号所产生的故障状态，完成故障检测。图 正常工作状态下转子振动频谱图图 转子匝间短路状态下转子振动频谱图图 定子匝间短路状态下转子振动频谱图根据图 和图 可知，同样是发电机发生短路，但是引起短路的因素不同，所产生的振动信号特征及信号能量也不相同，转子匝间短路时，幅值会出现较多的数值相近的频谱，而定子匝间短路时，幅值变化规律先增后减的趋势。综合上述分析可知，所提方法很好区分了这两种故障情况，实现不同故障类型的分辨和检测。不同方法迭代性能对比为了验证所提方法在进行风力发电机故障检测过程中的误差率，以定子匝间短路引起的风力发电
