一种基于压缩感知的风力发电机组异常检测方法
【专利摘要】本发明公开了一种基于压缩感知的风力发电机组异常检测方法。它通过对风力发电机组中各种传感器采集的标量和矢量数据分析，采用压缩感知重构算法发现机组中出现异常的器件。本发明以集合X描述器件状态，器件状态良好设为0值，状态异常设为非0值。由于风力发电机组中多个器件同时出现故障和异常的概率非常低，因此，表示器件状态的集合X具有稀疏特点。首先基于各传感器采集的标量和矢量数据，通过对风机出现异常时的历史数据进行分析求出经验矩阵，然后采用压缩感知的重构算法还原出稀疏信号X，从而检测出异常器件。本发明通过将压缩感知应用于风力发电机组异常检测，将异常定位到具体器件，不仅提高了检测精确度，也减少了工程师的工作量。
【专利说明】-种基于压缩感知的风力发电机组异常检测方法
【技术领域】
[0001] 本发明涉及将信号处理中压缩感知技术应用于风力发电机组的硬件异常检测的 方法，属于信号处理与异常检测领域。
【背景技术】
[0002] 风机机组是现代工矿企业大量使用的动力设备，在企业生产和经济建设中起到非 常重要地作用。随着风电行业的迅猛发展，风电机组规模越来越大，机组设备一旦出现故障 将给企业带来较大的影响。风电机组一般都安装在空旷远离市区的地方，并且安装在60米 以上的高空，如果不能预测故障的发生，在机组设备发生故障后，调用其他巨型机械对其拆 机、组装等维修费用高昂。应用故障预测可以在风机出现故障之前进行停机检修，大幅度降 低维修费用，预防突发事故。因此风电机组的异常检测具有重要的实际应用价值。
[0003] 风力发电机组故障种类繁多，而现有的预测方法中能诊断故障类型却难以判断发 生故障的部位，维修技术难度大、维修耗时长。因此，寻求一种能够精确定位到异常器件的 方法具有重要的工程价值和经济价值。
[0004] 压缩感知是建立在矩阵分析、统计概率论、拓扑几何、优化与运筹学、泛函分析等 基础上的一种全新的信息获取与处理的理论框架。它基于信号的可压缩性，通过低维空间、 低分辨率、欠Nyquist采样数据的非相关观测来实现高维信号的感知。将压缩感知应用于 风力发电机组异常检测中，不仅具有检测异常器件的作用，而且有助于提高检测精度。压缩 感知中要求重构信号是稀疏信号，而风力发电机组中多个器件同时出现故障和异常的概率 非常低，因此满足了信号的稀疏性。测量矩阵可以通过采集的历史数据分析得出。压缩感 知与风力发电机组异常检测的结合，将最新的信号处理技术应用到工程实践中，拓展了压 缩感知的应用领域，也更好地解决了故障检测中异常器件地位问题。
【发明内容】
[0005] 针对现有风电机组异常检测问题，本发明公开了一种基于压缩感知的风力发电机 组异常检测方法。本发明所述的方法：将压缩感知理论应用于风力发电机组异常检测，通过 对风力发电机组中各种传感器采集的标量和矢量数据分析，用压缩感知还原算法发现机组 中出现异常的器件。本发明能够提高风机异常检测的精确度，并能将故障检测区域缩小至 器件上。
[0006] 根据本发明的一个方面，提供了一种基于压缩感知的风力发电机组异常检测方 法，包括以下步骤：
[0007] 步骤一、对风机机组出现异常时各种传感器采集的历史数据进行数据分析，获得 测量矩阵的过程。
[0008] 1)将各传感器在每t秒内采集的实时数据取平均值作为一组测量值YeRm，m为 传感器的种类个数，即测量值Y的长度：
[0009] 如传感器有：温度传感器、液压传感器、转速传感器，则m= 3 ;若T= 2时，测量 值Y =[温度2秒间隔内平均值液压2秒间隔内平均值转速2秒间隔内平均值];
[0010] 2)将机组模块中的器件状态良好设为0值，状态异常设为非0值，对应出现异常时 各个器件的状态组成集合X e RN，N为可能出现异常的器件个数，即稀疏信号长度；
[0011] 如：在风机机翼部要检测的器件有：风轮轴、增速器、联轴器、液体、电磁阀、液压 制动器和管路，则器件个数为7,稀疏信号X =[风轮轴状态增速器状态联轴器状态液体状 态电磁阀状态液压制动器状态管路状态]=[0001000];
[0012] 3)将多组测量值Y G r和稀疏信号x G RN，代入Y= OX可得出测量矩阵 O ^ RmXN ；
[0013] 4)将测量矩阵〇进行优化，作为风力发电机组异常检测的经验矩阵。
[0014] 步骤二、通过经验矩阵和各个传感器采集到的数据组，应用压缩感知重构算法，检 测出现异常器件的过程。
[0015] 1)将风力机组中各个传感器采集到的标量和矢量数据作为测量值Y e Rm;
[0016] 2)将风力机组的模块中各个器件的状态组成信号X G RN ;
[0017] 3)利用m维向量Y和经验矩阵通过0MP算法，重构稀疏信号X，步骤如下：
[0018] ①初始化数据：残差初始值&为机组传感器采集的数据组Y，即& = Y，记录异常 器件地点的支撑集初始值A〇 = 0，设置最高迭代次数为m(m为测量值长度），迭代初始值t =1，初始支撑测量矩阵兔=0;
[0019] ②计算残差R和经验矩阵列向量％的内积，并找到其最大值所对应的下标入：[0020]
【权利要求】
1. 一种基于压缩感知的风力发电机组异常检测方法，其特征在于，对风机机组出现异 常时各种传感器采集的历史数据进行数据分析，获得测量矩阵的过程，所述方法至少包括 W下步骤： 1) 将各传感器在每T砂内采集的实时数据取平均值作为一组测量值Y G r，m为传感 器的种类个数，即测量值Y的长度； 如传感器有；温度传感器、液压传感器、转速传感器，则m = 3;若T =2时，测量值Y =[温度2砂间隔内平均值液压2砂间隔内平均值转速2砂间隔内平均值]; 2) 将机组模块中的器件状态良好设为O值，状态异常设为非O值，对应出现异常时各个 器件的状态组成集合X G炒，N为可能出现异常的器件个数，即稀疏信号长度； 女口；在风机机翼部要检测的器件有；风轮轴、增速器、联轴器、液体、电磁阀、液压制动 器和管路，则器件个数为7,稀疏信号X =[风轮轴状态增速器状态联轴器状态液体状态电 磁阀状态液压制动器状态管路状态]=[0001000]; 3) 将多组测量值Y G r和稀疏信号X G扔代入Y = OX可得出测量矩阵O G Rmxw. 4) 将测量矩阵O进行优化，作为风力发电机组异常检测的经验矩阵。
2. 根据权利要求1所述的一种基于压缩感知的风力发电机组异常检测方法，其特征 在于，将经验矩阵和各个传感器采集到的数据组，应用压缩感知重构算法，检测出现异常器 件，所述方法至少还包括W下过程： 1) 将风力机组中各个传感器采集到的标量和矢量数据作为测量值Y G r; 2) 将风力机组的模块中各个器件的状态组成信号X G RW ; 3) 利用m维向量Y和经验矩阵O，通过正交匹配追踪（OM巧算法，重构稀疏信号X，步 骤如下： ① 初始化数据：残差初始值Ro为机组传感器采集的数据组Y，即R。= Y，记录异常器件 地点的支撑集初始值Ao = 0，设置最高迭代次数为m(m为测量值长度），迭代初始值t = 1， 初始支撑测量矩阵而=0; ② 计算残差R和经验矩阵列向量口,的内积，并找到其最大值所对应的下标A t : 义,=argmax 片… ③ 更新支撑集At= At_i U (A J，记录传感矩阵中重建原子集合<!>,=[&,-i，n]; ④ 采用最小二乘法估计表示器件状态的稀疏信号中非零值义,， 《=argminy-0,义； ⑥更新残差A 《，迭代次数t = t+1 ; ⑧判断迭代次数：若t《m跳至步骤②继续计算，否则输出器件状态信号并结束过程。
3. 根据权利要求1所述的一种基于压缩感知的风力发电机组异常检测方法，其特征在 于，还包括优化测量矩阵O得出经验矩阵的过程： 1) 输入各传感器采集的数据组作为测量值Y G r和表示器件状态的稀疏信号X G RW ; 2) 通过多组测量值数据与稀疏信号数据得出测量矩阵O G RUXW ; 3) 将测量矩阵进行优化，其优化过程如下； ①定义参数；相干性阔值化G R，稀疏基矩阵D G RWXm,测量值Y的长度m G R，微小化 因子Y G R，迭代次数Iter G R; ② 输入上述得到的测量矩阵O G 乍为初始经验矩阵。。，设置最高迭代次数c， C G Z,初始化 Iter = l，k = 0，kG Z; ③ 标准化矩阵& = O中的列向量，并通过& = 计算Gram矩阵Gk ; ④ 设定阔值并做收缩操作：设置固定的阔值化，通过W下公式更新Gram矩阵并得到 Gk..
⑥ 应用SVD(奇异值分解），使得4的秩为m。令4 求4的均方根Sk,其中 Sk G RmXN ; ⑧更新O ;赋值为满足最小化lb-恥非的误差的史，并令k = k+1，迭代次数 Iter = Iter+1 ； ⑦ 判断迭代次数：若Iter《C则返回③继续执行，否则输出经验矩阵并结束过程； 4)将优化后的测量矩阵作为经验矩阵进行后续异常检测。
【文档编号】F03D11/00GK104265577SQ201410160284
【公开日】2015年1月7日 申请日期:2014年4月16日 优先权日:2014年4月16日
【发明者】罗光明, 李婷煜, 田淑娟, 李哲涛, 朱更明 申请人:湘潭大学