变速恒频风力发电机转子机械故障模糊诊断方法

解太林，张志利

（1.江苏省盐城市教育科学研究院，江苏盐城 224005；2.天津中德应用技术大学电气与能源学院，天津 300350）

变速恒频风力发电机转子机械故障模糊诊断方法

解太林1，张志利2

（1.江苏省盐城市教育科学研究院，江苏盐城 224005；2.天津中德应用技术大学电气与能源学院，天津 300350）

针对当前方法在诊断变速恒频风力发电机转子机械故障过程中，抗干扰能力差、准确率低的不足，提出一种基于改进支持向量机（FSVM）与粒子群（PSO）加权模糊聚类相结合的转子机械故障模糊诊断方法。首先提取风力发电机转子机械故障的信号特征，对特征奇异点进行模极大值分析；构建FSVM诊断数学模型，完成信号特征的分类处理；基于PSO方法对分类处理后的特征信号，进行加权模糊聚类和个体寻优，实现发电机转子机械故障的模糊诊断。实验证明，提出的方法诊断精度高、收敛速度快、具有较高的实用性和可靠性。

发电机转子；FSVM；PSO；模糊诊断

风能[1]是一种清洁、可再生能源，取之不尽、用之不竭。风能作为一种潜力巨大的新型能源[2]，受到各国越来越高的重视。变速恒频风力发电机组[3]是一种主流的发电机组，评价风力发电机组优劣的重要指标是平均无故障时间[4]。但旋转机械的转子故障较为常见，包括不对中、不平横、碰磨、松动等，会造成旋转部件的机械损伤，甚至会引起突发事故[5-6]，因此变速恒频风力发电机转子机械故障的诊断和预防一直是学术界研究的热点问题。当前转子机械故障的诊断方法有频谱分析法[7]、Bayes统计分析法[8]等，这些诊断方法多基于大量的故障数据统计样本，运算量庞大，而且抗干扰能力差、故障诊断准确率低，在小样本情况下进行诊断有失效的风险[9]。

提出一种基于改进支持向量机（FSVM）与粒子群（PSO）加权模糊聚类算法相结合的机械故障模糊诊断方法。先基于小波变换提取发电机转子机械故障的信号特征，再对特征奇异点进行模极大值分析；依据分析结果和样本数据构建FSVM的转子故障诊断数学模型，完成信号特征的分类处理；基于PSO粒子群方法对分类处理后的特征信号，进行加权模糊聚类和个体寻优，完成发电机转子机械故障

的模糊诊断。实验证明，提出的故障诊断方法诊断准确率高，模型收敛速度快，具有较高的实用性和可靠性。

1 一种变速恒频风力发电机转子机械故障模糊诊断方法研究

1.1 发电机转子机械故障信号特征的提取

变速恒频风力发电机转子发生故障时会产生突变信号，这些突变信号的奇异点包含较丰富的故障信息，因此获取风力发电机转子的故障信号特征，是实现风力发电机转子机械故障诊断的重要前提和关键步骤。

风力发电及转子故障信号特征的提取问题可以表示为一个四元式F：

式中：A为非空征兆集合；B为非空转子故障集合；A+为已经获取的征兆集合，A和B分别表示为

式中：A+⊆A，C为定义于A×B关系矩阵上的子集，是有关故障和征兆之间关系的知识库。

不同类型的转子故障，具有独特的时频分布特征，各种频率的信号可以通过多元化的频带通道进行有效分离。设h（a）和g（b）分别为镜像滤波器组，λ和ζ分别为信号f（t）的细节系数和逼近系数：

基于镜像滤波器组，对变速恒频风力发电机转子机械故障的特征进行提取：

对f（t）故障特征信号进行降频处理，并对特征奇异点进行模极大值分析：

完成对变速恒频发电机转子机械故障的信号特征的提取及特征奇异点的模极大值分析，基于故障信号特征构建FSVM转子机械故障诊断数学模型，分类处理特征信号。

1.2 FSVM故障诊断数学模型构建及信号特征分类

提取转子机械故障信号特征后，以故障信号特征作为FSVM的故障训练样本集。最优分类面的划分，由支持向量的类边缘决定，而异常样本大多集中在类边缘附近，不能真实地反映样本的特征，求出的分类面也不具有局部最优分类性能。

针对以上问题，引入隶属度的概念，以样本训练集的类中心作为圆心，构建出大、小2个同心（O1）的圆形区域。小圆O半径为R，是训练样本中心到最优超平面之间的距离，而大圆P的半径是小圆的1.5倍，H为最优分类面。位于小圆内的是有效样本，隶属度较大；而大圆以外的样本是异常样本，不赋予其隶属度；两圆间的样本被赋予较小的隶属度，如图1所示。

图1 模拟FSVM样本分类原理图Fig.1 Schematic diagram of simulated FSVM samples

设g（x）=ζx+d为空间线性判别函数，根据FSVM的分类面，可以得出以圆心O1为训练集合的类中心，其数学表达式为

将提取的转子故障信号特征作为FSVM的输入训练样本集：

式中：xi为故障样本特征；Rn为高维特征空间，xi∈Rn；yi为类属标识，其取值范围为（-1，1）；对比传统的SVM算法，改进的FSVM隶属度τ（xi）的取值范围为（0，1]，τ（xi）可以表示故障样本的可信度。

设μ为FSVM目标函数中的分类误差项，那么FSVM故障诊断数学模型可以表示为

式中：i=1，2，…，n；μ≥0。当τ（xi）减小时，μ的影响也会相应地减小，对应的xi会被分离，被认为是不重要样本，相应的最优分类面的分类判别函数可以表示为

通过式（11）的FSVM诊断模型和式（12）的分类判别函数，可以实现对变速恒频风力发电机转子机械故障信号特征的分类处理，进而采用基于PSO方法进行机械故障特征寻优，完成转子机械故障的诊断。

1.3 基于PSO方法转子机械故障模糊诊断的实现

采用FSVM转子机械故障的数学诊断模型，去除异常的样本信息，再基于PSO方法对剩余的有效样本进行快速寻优，识别出处理变速恒频发电机的转子的机械故障。

设数据集中的有效故障样本为n维空间中的m个粒子，第i个粒子的位置和速度分别为li={l1，l2，…，ln}，vi={v1，v2，…，vn}，第i个粒子搜索到的最优位置为P。

对PSO粒子群进行优化处理，以改善其收敛性能，设c1和c2为加速因子，k1和k2为随机常数，取值范围为[0，1]，ζ为收缩因子，PSO优化处理过程可以描述为

式中ω为权重函数，收缩因子ζ的表达式为

为了更加精准地确定粒子的位置，进而实现对风力发电机转子机械故障精确定位，需要根据粒子群的适应度方差，来实现对粒子位置的混沌更新，Ti为第i个粒子的适应度，为粒子群的平均适应度，粒子群适应度方差σ可以表示为

当方差σ小于设定值时，更新粒子群中每个粒子的位置；当方差σ大于设定值时，不予更新。这样可以在迭代过程中，产生局部最优，以帮助惰性粒子逃离局部极小点，快速搜寻到最优解。设ρ为有效样本之间的特征权重，第i个样本和第j个样本之间的特征相似度为

式中：dij为样本之间的加权欧式距离；e为常数，满足以下条件：

依据聚类有效性指标，随聚类数的变化而择优的特性，能够客观地描述出样本集的结构。最优聚类数指标越大，聚类效果越好，更有利于变速恒频发电机转子机械故障有效样本集的处理和个体寻优，寻优的过程可以描述为

用拉格朗日乘数法最终完成最优粒子的位置定位和速度优化，风力发电机转子故障特征的加权模糊聚类处理表示为：

该研究提出了一种基于FSVM与PSO加权模糊聚类相结合的机械故障模糊诊断方法，通过对机械故障信号特征的提取及对特征奇异点模极大值的分析，构建了FSVM诊断数学模型，完成信号特征的分类，再基于PSO方法实现个体寻优，最终完成发电机转子机械故障的模糊诊断。

2 实验结果与分析

从变速恒频风力发电机转子机械故障的模糊诊断耗时、2种不同噪声干扰环境下的诊断结果及误差率控制等方面进行对比实验，证明提出方法的

有效性。

2.1 2种方法对机械故障检测耗时对比

所提出的基于改进支持向量机（FSVM）与粒子群（PSO）加权模糊聚类相结合的机械故障模糊诊断方法，模拟粒子群的活动行为，能够快速地实现故障特征信号的模糊聚类和个体寻优，在检测速度方面对比传统时频分析方法更快、耗时更短，图2为2种方法故障诊断的平均耗时曲线。

图2 2种方法故障诊断平均耗时曲线Fig.2 Average time consuming curve of two methods of fault diagnosis

2.2 噪声干扰环境下故障诊断结果对比

为了验证该方法在噪声干扰情况下，相对于传统方法具有更强的诊断能力，给定了高斯白噪声和强噪声2种不同的环境，诊断结果如表1和表2所示。

表1 高斯白噪声环境下机械故障诊断准确率Tab.1 Accuracy of mechanical fault diagnosis in Gauss white noise environment

表2 强噪声环境下机械故障诊断准确率Tab.2 Accuracy of mechanical fault diagnosis in strong noise environment

从表1和表2的对比数据可以看出，该方法在2种噪声环境下的检测效果都优于传统方法。在强噪环境下，传统的时频分析方法机械故障诊断的准确率差，波动很大。

在强噪条件下，随着迭代次数的增加，该方法仍能保持较快的收敛速度，诊断效果良好，收敛曲线如图3所示。

图3 强噪声条件2种方法收敛速度对比Fig.3 Comparison of convergence speed by two methods for strong noise condition

2.3 2种方法的故障诊断误差对比

相比传统时频分析的机械故障诊断方法，基于FSVM和PSO相结合的方法能够有效地避免样本陷入局部极值，故障诊断误差方面能得到较好的控制，如图4所示。

图4 2种方法误差控制对比Fig.4 Comparison of error control by two methods

以上仿真对比实验证明了提出的基于FSVM与PSO加权模糊聚类相结合的变频风力发电机转子机械故障模糊诊断方法，在外界干扰情况下仍具有较高的诊断准确率，相比传统方法收敛速度快、可靠性高。

3 结语

提高对变速恒频风力发电机转子的诊断准确率，能够避免选择部件的机械损伤，最大限度地减少意外事故的发生，仿真实验证明了该方法的有效性。

[1]吴政球，干磊，曾议，等.风力发电最大风能追踪综述[J].电力系统及其自动化学报，2009，21（4）:88-93.WU Zhengqiu，GAN Lei，ZENG Yi，et al.Summary of tracking the largest wind energy for wind power generation[J].Proceedings of The Csu-Epsa，2009，21（4）:88-93（in Chinese）.

[2]KOZAI T D Y，CATT K，LI X，et al.Mechanical failure modesofchronically implanted planarsilicon-based neural probes for laminar recording[J].Biomaterials，2015（37）:25-39.

[3]李大冰，吉荣廷.变速恒频风力发电系统最大风能追踪优化控制[J].计算机仿真，2014，31（7）:117-120.LI Dabing，JI Rongting.The maximum power point tracking control for wind power generation systems with variable speed and constantfrequency[J].Computer Simulation，2014，31（7）:117-120（in Chinese）.

[4]刘艳章，杨可林，王湘艳，等.变速恒频风力发电机组中长期时间尺度建模[J].电网与清洁能源，2014，30（10）:111-118.LIU Yanzhang，YANG Kelin，WANG Xiangyan，et al.Medium and long-term time scale modeling for variable speed constant frequency wind turbines[J].Advances of Power System&Hydroelectric Engineering，2014，30（10）:111-118（in Chinese）.

[5]陈婧，苏娟，杜松怀，等.悬臂梁压电发电机输出特性及其影响因素分析[J].电网与清洁能源，2014，30（10）: 77-83.CHEN Jing，SU Juan，DU Songhuai，et al.Analysis of the output characteristic and influence factors of the cantilever piezoelectric generator[J].Power System and Clean Energy，2014，30（10）:77-83（in Chinese）.

[6]张东，卓放，翟灏.基于虚拟同步发电机的逆变器控制策略研究[J].陕西电力，2014，42（9）:40-43.ZHANG Dong，ZHUO Fang，ZHAI Hao.Study of inverter control strategy based on virtual synchronous generator[J].Shaanxi Electric Power，2014，42（9）:40-43（in Chinese）.

[7]段志梅，程加堂.量子粒子群优化算法在异步电机转子机械故障诊断中的应用[J].电机与控制应用，2016，43（3）:89-92.DUAN Zhimei，CHENG Jiatang.Application of quantum particle swarm optimization algorithm in fault diagnosis for asynchronous motor[J].Electric Machines&Control Application，2016，43（3）:89-92（in Chinese）.

[8]王颍菲，徐士鸣.柴油发电机组废热驱动的海水淡化系统分析[J].节能技术，2014，32（5）:455-460.WANG Yingfei，XU Shiming.Analysis of desalination system powered by waste heat fromdiesel generating set[J].Energy Conservation Technology，2014，32（5）:455-460（in Chinese）.

[9]于波，徐雪娇.基于支持向量机的旋转机械振动故障诊断研究[J].电子设计工程，2016，24（6）:104-107.YU Bo，XU Xuejiao.Research on vibration fault diagnosis of rotating machinery based on support vector machine[J].Electronic Design Engineering，2016，24（6）:104-107（in Chinese）.

（编辑 徐花荣）

Fuzzy Diagnosis Method of VSCF Wind Power Generator Rotor Mechanical Faults

XIE Tailin1，ZHANG Zhili2
（1.Jiangsu Yancheng Education Science Research Institute，Yancheng 224005，Jiangsu，China；2.College of Electrical Engineering&Energy，Tianjin Sino-German University of Applied Sciences，Tianjin 300350，China）

In view of the shortcomings of the current method in the diagnosis of VSCF wind power generator rotor mechanical faults such as poor anti-interference ability and low accuracy，this paper proposes a new rotor mechanical fault diagnosis method based on combined improved support vector machine（FSVM）with particle group（PSO）weighted fuzzy clustering.First，signal characteristics of the generator rotor mechanical faults are extracted.And the singular feature point mold maximum value analysis is carried out.And the diagnosis mathematical model of FSVM is established to complete characteristic signal classification processing；and weighted fuzzy clustering and the individual optimization is conducted based on the signal feature after the classification processing in PSO method to realize the generator rotor mechanical fault fuzzy diagnosis.Experimental results show that the proposed method has high diagnostic accuracy，fast convergence speed，and high practicability and reliability.

generator rotor；FSVM；PSO；fuzzy diagnosis

2016-03-11。

解太林（1965—），男，工程硕士，高级教师，研究方向为机械机电工程及职业教育教学教研；

张志利（1978—），男，硕士，高级工程师，主要研究领域为信息采集与智能控制。

天津市自然科学基金项目（15JCZDJC39000）；中职电气专业《自动检测技术》课题教学数字化资源开发研究（GYC74）。

Project Supported by Program of Tianjin Municipal Natural Science Foundation（15JCZDJC39000）；Research on the Development of Digital Teaching Resources on Subject of“Automatic Detection Technology”in Electrical Specialty in Vocational Schools（GYC74）.

1674-3814（2016）09-0123-05

TM614

A