一种风电机组故障诊断方法与流程

本发明实施例涉及风电机组，尤其涉及一种风电机组故障诊断方法。

背景技术：

1、风力发电作为一种可再生、清洁的能源形式，对减少温室气体排放、降低对化石燃料的依赖具有重要意义。因此，风力发电机的发展和应用推动了可再生能源在能源结构中的比重增加，对应对气候变化和环境问题具有积极的作用。风力发电技术的不断进步和应用推动了风能产业的发展，为相关产业链提供了新的增长点，包括风力发电机组的制造、安装、运维等环节，以及风电场的规划、设计、建设等领域。风能产业的发展不仅带动了相关产业的就业增长，还促进了经济的发展和转型升级。

2、风电机组是一种常见的旋转机械，对于工厂、锅炉和建筑物等的通风至关重要。为了确保这些设备的正常运行，风力发电机组的故障诊断变得尤为重要。在实际运行中，设备管理人员通常采用“听摸查看比”的方式定期巡检设备，收集各种数据，包括振动参数、噪声参数、油液温度等。然而，传统的巡检方法存在一定的局限性，特别是在面对设备复杂性和故障特征不直观的情况下。因此，研究人员和工程师们一直致力于开发先进的风力发电机组故障诊断方法。这些系统旨在通过实时监测、报警和诊断来提高风力发电机组的可靠性和安全性。

3、相关技术中，采用计算每个部件的原始运行音频中所含的环境噪声分量,分别计算每个部件的实际运行音频,以及根据实际运行音频进行所述部件的故障诊断,实际运行音频等于原始运行音频与所含的环境噪声分量之差。

4、关于上述技术方案，发明人发现至少存在如下一些技术问题：

5、由于不同部件的特性可能会导致原始运行音频和环境噪声的变化，如果装置未考虑到这些差异，可能会影响故障诊断的准确性和可靠性。

6、因此，有必要改善上述相关技术方案中存在的一个或者多个问题。

7、需要注意的是，本部分旨在为权利要求书中陈述的本发明的技术方案提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

技术实现思路

1、本发明的目的在于提供一种风电机组故障诊断方法，进而至少在一定程度上解决上述的由于相关技术的限制和缺陷而导致的一个或者多个问题。

2、第一方面，本发明提供了一种风电机组故障诊断方法，包括：

3、采集风电机组在工作运行状态下的音频信号；

4、通过小波分析信号处理模块对所述音频信号进行预处理得到降噪信号；其中，所述小波分析信号处理模块根据小波系数与阈值的对比结果采用不同的表达函数处理小波系数；

5、将所述降噪信号输入至完成训练的特征提取模型进行特征提取；其中，所述特征提取模型根据降噪信号作为训练集，并采用自编码器神经网络进行迭代训练；

6、将特征提取后的信号通过bp神经网络进行分类映射，并确定所述风电机组的故障诊断。

7、可选的，所述通过小波分析信号处理模块对所述音频信号进行降噪的预处理的步骤包括：

8、对所述音频信号进行模数转换得到数字信号；

9、将所述数字信号分解成不同尺度和频率的小波系数；

10、将所述小波系数与阈值进行比较，根据对比结果采用不同的表达函数进行阈值处理；

11、将阈值处理后的小波系数进行逆变换重构。

12、可选的，所述将所述小波系数与阈值进行比较，根据对比结果采用不同的表达函数进行阈值处理的步骤包括：

13、阈值处理的表达函数为：

14、

15、其中，wj,k表示处理前的小波系数；j,k分别表示小波系数的最大分解层数和小波系数的长度；表示处理后的小波系数；λ表示阈值；a表示小波系数在原始函数中的伸缩量；sign(*)表示符号函数。

16、可选的，所述通过小波分析信号处理模块对所述音频信号进行降噪的预处理的步骤包括：

17、对降噪后的音频信号进行降采样处理得到所述降噪信号。

18、可选的，所述特征提取模型根据降噪信号作为训练集，并采用自编码器神经网络进行迭代训练的步骤包括：

19、通过输入层从训练集获取初始的输入向量；

20、通过编码网络将输入向量映射到隐藏层；

21、通过解码网络将所述隐藏层中的计算结果进行重构，并生成更新后的输入向量反馈至所述输入层；

22、以重构误差最小化为目标进行迭代训练。

23、可选的，所述将所述降噪信号输入至完成训练的特征提取模型进行特征提取的步骤包括：

24、在自编码器神经网络完成迭代训练后，将包含输入层和隐藏层的编码器部分作为特征提取模型。

25、可选的，所述将特征提取后的信号通过bp神经网络进行分类映射，并确定所述风电机组的故障诊断的步骤包括：

26、将包含风电机组在不同工况下的降噪信号作为测试集；

27、通过测试集基于bp神经网络自动学习降噪信号与不同工况的映射关系。

28、可选的，所述将特征提取后的信号通过bp神经网络进行分类映射，并确定所述风电机组的故障诊断的步骤包括：

29、通过粒子群优化算法对bp神经网络的权重和偏置进行优化。

30、可选的，所述风电机组的不同工况至少包括：正常工作状态、动静态摩擦、转子不对中和转子不平衡的工况。

31、本发明提供的技术方案可以包括以下有益效果：

32、本发明中，通过变阈值小波分析对音频信号进行预处理，并调整降噪过程，从而保留小波系数中部分有用的信号。通过提取音频信号中的特征，有助于准确捕捉机组运行状态的变化特征，实现对风电机组运行状态的实时监测。

技术特征：

1.一种风电机组故障诊断方法，其特征在于，包括：

2.根据权利要求1所述的风电机组故障诊断方法，其特征在于，所述通过小波分析信号处理模块对所述音频信号进行降噪的预处理的步骤包括：

3.根据权利要求2所述的风电机组故障诊断方法，其特征在于，所述将所述小波系数与阈值进行比较，根据对比结果采用不同的表达函数进行阈值处理的步骤包括：

4.根据权利要求3所述的风电机组故障诊断方法，其特征在于，所述通过小波分析信号处理模块对所述音频信号进行降噪的预处理的步骤包括：

5.根据权利要求1所述的风电机组故障诊断方法，其特征在于，所述特征提取模型根据降噪信号作为训练集，并采用自编码器神经网络进行迭代训练的步骤包括：

6.根据权利要求5所述的风电机组故障诊断方法，其特征在于，所述将所述降噪信号输入至完成训练的特征提取模型进行特征提取的步骤包括：

7.根据权利要求1-6任一项所述的风电机组故障诊断方法，其特征在于，所述将特征提取后的信号通过bp神经网络进行分类映射，并确定所述风电机组的故障诊断的步骤包括：

8.根据权利要求7所述的风电机组故障诊断方法，其特征在于，所述将特征提取后的信号通过bp神经网络进行分类映射，并确定所述风电机组的故障诊断的步骤包括：

9.根据权利要求8所述的风电机组故障诊断方法，其特征在于，所述风电机组的不同工况至少包括：正常工作状态、动静态摩擦、转子不对中和转子不平衡的工况。

技术总结
本发明涉及一种风电机组故障诊断方法。包括：采集风电机组在工作运行状态下的音频信号；通过小波分析信号处理模块对音频信号进行预处理得到降噪信号；其中，小波分析信号处理模块根据小波系数与阈值的对比结果采用不同的表达函数处理小波系数；将降噪信号输入至完成训练的特征提取模型进行特征提取；将特征提取后的信号通过BP神经网络进行分类映射，并确定风电机组的故障诊断。本发明通过变阈值小波分析对音频信号进行预处理，并调整降噪过程，从而保留小波系数中部分有用的信号。通过提取音频信号中的特征，有助于准确捕捉机组运行状态的变化特征，实现对风电机组运行状态的实时监测。

技术研发人员：邱博之,唐嘉禄,李婷婷,王月皎
受保护的技术使用者：陕西黄河集团有限公司
技术研发日：
技术公布日：2025/2/10