基于电流信号坐标转换的DFIG叶轮不平衡故障诊断方法与流程

本发明属于dfig故障诊断技术领域，具体涉及一种基于电流信号坐标转换的dfig叶轮不平衡故障诊断方法。

背景技术：

运行和维护的成本最多能够占到海上风电设施成本的30％，而状态监测系统也越来越多地用来检测和减少风机故障。近年来，dfig已成本当前大容量风电场案子和运行的主要机型之一，研究如何应用状态监测技术，降低dfig故障频率和运行维修成本，提高其发电量已引起广泛关注，风电机组运行在环境极为恶劣的野外或海上，长时间的沙土磨损和冰块沉积可能会导致叶片质量失衡。另外，疲劳应力会造成叶片破裂，导致灰尘、碎屑、雨水进入裂缝使得叶片质量失衡并同时加剧裂纹的扩展，而裂纹进一步扩展也会加剧叶片和奇特组件的疲劳和振动，尤其是近年来叶轮随着风电机容量的增大而越来越长，叶轮不平衡故障给风机带来的危害更加严重。因此，提高风电机组的安全和可靠性，对风电机组叶轮不平衡进行状态监测与故障诊断非常重要。

目前针对叶轮不平衡的传统故障诊断方法，主要基于轴转矩、红外线、振动和声发射等方法，但这些方法均需安装如振动传感器、转矩传感器、红外线成像仪等，这都增加了额外的成本，可靠性也比较低。

技术实现要素：

针对现有技术中的上述不足，本发明提供的基于电流信号坐标转换的dfig叶轮不平衡故障诊断方法解决了传统的故障诊断方法中存在高成本、低可靠性的问题。

为了达到上述发明目的，本发明采用的技术方案为：基于电流信号坐标转换的dfig叶轮不平衡故障诊断方法，包括以下步骤：

s1、采集dfig定子三相电流i(t)；

s2、对采集到的定子三相电流i(t)进行abc-dq坐标变换，得到三相电流i(t)在d轴方向上的电流分量id(t)；

s3、利用电流分量id(t)计算仅含特征频率fm的故障特征信息id0(t)；

其中，fm＝ωm/2π，ωm为叶轮运动角速度；

s4、利用fft对故障特征信息id0(t)进行频谱分析，提取出特征频率fm处的幅值；

s5、将提取出的幅值与同一工况正常情况下特征频率处的幅值进行比较，进而确定对应的故障严重程度，实现dfig叶轮不平衡故障诊断。

进一步地，所述步骤s2中，对采集到的定子三相电流i(t)进行abc-dq坐标变换时d轴和q轴上坐标转换的公式分别为：

式中，ia、ib、ic、id和iq分别为a轴、b轴、c轴、d轴和q轴上的电流值，ω为叶轮旋转角速度。

进一步地，所述步骤s3具体为：

s31、利用包络分析法获取分量id(t)对应的曲线的上包络曲线idup(t)和下包络曲线iddown(t)；

s32、去除上包络曲线idup(t)和下包络曲线iddown(t)中直流分量的干扰，得到故障特征信息id0(t)。

进一步地，所述步骤s32中的故障特征信息id0(t)为：

id0(t)＝id(t)-[idup(t)+iddown(t)]/2。

进一步地，所述步骤s4中，利用fft对故障特征信息id0(t)进行频谱分析的公式为：

式中，ω＝2πf，f为频率，j为虚数；

其中，特征特征频率fm处的幅值为：

式中，ωm＝2πfm。

本发明的有益效果为：

1)本发明公开的一种基于电流信号坐标变换的dfig叶轮不平衡故障诊断方法，通过风电机组电流传感器采集得到的发电机定子电流信号，可快速有效地诊断dfig叶轮的故障，为及时刹车提供依据。

2)本发明仅需双馈发电机自身采集的定子电流信号，不需要增加额外的传感器和数据采集设备，既简单又容易实现，具有良好的应用前景。

3)本发明通过监测故障特征频率处的幅值，并与同一工况风机正常情况时的特征频率幅值作比较，能够判断出故障严重程度。

附图说明

图1为本发明实施例1中基于电流信号坐标转换的dfig叶轮不平衡故障诊断方法流程图。

图2为本发明实施例3中仿真设定的湍流风速。

图3为本发明实施例3中叶轮正常工作和叶轮不平衡故障下故障特征电流id0(t)的时域信号。

图4为本发明实施例3中叶轮正常工作和叶轮不平衡故障下故障特征电流id0(t)的频谱图。

图5为本发明实施例3中叶轮正常工作下定子a相电流的时域信号。

图6为本发明实施例3中叶轮不平衡故障下定子a相电流的时域信号。

图7为本发明实施例3中叶轮正常工作下定子a相电流的频谱图。

图8为本发明实施例3中叶轮不平衡故障下定子a相电流的频谱图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例1：

如图1所示，基于电流信号坐标转换的dfig叶轮不平衡故障诊断方法，包括以下步骤：

s1、采集dfig定子三相电流i(t)；

s2、对采集到的定子三相电流i(t)进行abc-dq坐标变换，得到三相电流i(t)在d轴方向上的电流分量id(t)；

s3、利用电流分量id(t)计算仅含特征频率fm的故障特征信息id0(t)；

其中，fm＝ωm/2π，ωm为叶轮运动角速度；

s4、利用fft对故障特征信息id0(t)进行频谱分析，提取出特征频率fm处的幅值；

s5、将提取出的幅值与同一工况正常情况下特征频率处的幅值进行比较，进而确定对应的故障严重程度，实现dfig叶轮不平衡故障诊断。

本实施例的步骤s2中，对采集到的定子三相电流i(t)进行abc-dq坐标变换时d轴和q轴上坐标转换的公式分别为：

式中，ia、ib、ic、id和iq分别为a轴、b轴、c轴、d轴和q轴上的电流值，ω为叶轮旋转角速度。

上述步骤s3具体为：

s31、利用包络分析法获取分量id(t)对应的曲线的上包络曲线idup(t)和下包络曲线iddown(t)；

s32、去除上包络曲线idup(t)和下包络曲线iddown(t)中直流分量的干扰，得到故障特征信息id0(t)；

具体地，故障特征信息id0(t)为：

id0(t)＝id(t)-[idup(t)+iddown(t)]/2(2)

上述步骤s4中，利用fft对故障特征信息id0(t)进行频谱分析的公式为：

式中，ω＝2πf，f为频率，j为虚数；

其中，特征特征频率fm处的幅值为：

式中，ωm＝2πfm。

实施例2：

本实施例以dfig叶轮不平衡故障运行状况下，分析叶轮不平衡给定子电流带来的影响：

当叶轮不平衡时，风机输出的轴转矩可以表示为：

风机输出的轴转矩t可以表示为：

t＝t0+tvsin(ωmt)(4)

式中：t为时间；t0为风机产生的气动转矩；tv为由不平衡故障产生的转矩波动幅值，ωm为风机转速。

将dfig等效成一个单质量模型，其运动方程为：

式中：hm为等效惯性时间常数；te为电磁转矩；dm为阻尼系数可忽略。

根据式(4)、(5)可知，在叶轮不平衡情况且稳定运行下，te可表示为：

te＝te0+tevsin(ωmt)(6)

式中te0和tev分别为对t0和tv产生的电磁转矩。由双馈发电机定子磁链定向模型可知，te中出现周期性振荡会导致定子电流q和d轴分量isq和isd出现相同的振动频率。故：

isq＝isq0+asiqsin(ωmt)(7)

isd＝isd0+asidsin(ωmt)(8)

式中，isq0、isd0分别为t0产生的定子电流q和d轴分量；asid、asiq分别为tv产生的附加定子电流的幅值。

结合dq-abc变换，可计算得到的定子a相电流为：

式中i0、a1、a2均为幅值。由式(9)可以看出，叶轮不平衡故障会导致定子相电流中产生频率为fe±fm(ωe＝2πfe、ωm＝2πfm)的谐波分量。由于故障导致的电流谐波成分幅值通常较小，易被基频电流的泄漏及环境噪声所淹没，直接对定子电流进行fft分析并不能有效地诊断出故障。

而从上述推导中可以看出，叶轮不平衡故障下dfig定子相电流在d轴、q轴分量中包含直流分量和频率为fm的故障特征分量，对其进行频谱分析可以有效避免电流基频的影响，故障特征清晰。考虑到相电流在d轴或q轴上均具有频率为fm的故障特征，因此仅考虑对电流在d轴上的信号进行特征提取。

实施例3：

下面为模拟风机实际运行环境，构造了湍流强度为3％、平均风速为10m/s的风速模型，如图2所示。

为了定量地表示叶轮不平衡故障程度，定义叶轮不平衡系数f为：

f＝tv/t0(10)

在上述湍流风速环境下，对叶轮正常f＝0％以及叶轮故障下f＝6％两种情况下的dfig分别进行仿真研究。

图3为叶轮正常工作和不平衡故障下故障特征电流id0(t)的时域信号；图4为叶轮正常工作和不平衡故障下故障特征电流id0(t)的频谱图；图5、6分别为叶轮正常工作和不平衡故障下定子a相电流的时域信号；图7、8分别为叶轮正常工作和不平衡故障下定子a相电流的频谱图。

从图3时域波形可以看出，在叶轮正常和不平衡故障时，湍流风速使得两种状态下的故障特征电流id0(t)均波动剧烈；但相比正常情况，不平衡故障时的id0(t)波动稍微更剧烈；从图4的频谱图中也可看出，故障时特征频率fm处的幅值相比于风机正常情况下的幅值更大，故障特征清晰，以此可诊断出叶轮不平衡故障。

从图5、6的时域波形可以看出，定子a相电流isa(t)在叶轮正常和不平衡故障中的时域波形区别不大；而从图7、8的频谱图中可以看出，发生叶轮不平衡故障时从频域中也无法有效地分辨出故障特征频率fm，故障特征不明显。

通过对比直接对定子电流进行频谱分析的效果可以看出，本发明提出的基于坐标变换的定子相电流故障特征分析方法在湍流风速作用时，能够更好地提取出故障特征频率，使得不平衡下的电流故障特征更为明显，更能有效诊断出叶轮不平衡故障。相比于传统方法需要增加额外的成本以安装相应的传感器，本发明仅通过分析现有采集到的电信号实现对风电机组的叶轮不平衡故障的诊断，具有成本上的优势。