本發(fā)明涉及風(fēng)力發(fā)電機(jī)組的故障預(yù)測(cè)方法，具體涉及一種d-s證據(jù)融合振動(dòng)能量特征和電流能量特征的方法，屬于風(fēng)機(jī)故障預(yù)測(cè)技術(shù)領(lǐng)域。

背景技術(shù)：

隨著清潔能源的廣泛推廣和使用，風(fēng)力發(fā)電技術(shù)已經(jīng)成為清潔可再生能源的重要研究對(duì)象。然而風(fēng)場(chǎng)大多處在人跡罕至，自然環(huán)境極端惡劣的環(huán)境，對(duì)風(fēng)機(jī)狀態(tài)的實(shí)時(shí)監(jiān)控就變得越來越困難，尤其是海上風(fēng)機(jī)的大規(guī)模推廣，也讓風(fēng)機(jī)故障診斷變得富有挑戰(zhàn)性。然而風(fēng)機(jī)造價(jià)昂貴，如果能在風(fēng)機(jī)狀態(tài)不佳的早期就被發(fā)現(xiàn)，及時(shí)派出人員現(xiàn)場(chǎng)修理，就能避免一些故障持續(xù)惡化最終造成極大的經(jīng)濟(jì)損害。風(fēng)場(chǎng)在我國(guó)的建立和運(yùn)行已經(jīng)有很多年的時(shí)間，已經(jīng)積累了大量有價(jià)值的數(shù)據(jù)，如何通過機(jī)器學(xué)習(xí)算法和計(jì)算機(jī)技術(shù)找出風(fēng)機(jī)運(yùn)行參數(shù)和風(fēng)機(jī)故障之間的關(guān)系就變得越來越有價(jià)值。

因?yàn)閐-s證據(jù)理論具有很強(qiáng)的處理不確定信息的能力，近年來成為信息融合的重要手段，然而如何構(gòu)造基本概率賦值函數(shù)(bpa)是融合中首先要解決的一個(gè)重要課題。由于機(jī)器學(xué)習(xí)算法能為d-s證據(jù)理論提供了一種計(jì)算基本概率賦值的方法，因此許多學(xué)者都嘗試應(yīng)用機(jī)器學(xué)習(xí)的算法來獲得bpa，本文也正是鑒于這種思路，通過融合風(fēng)機(jī)在電氣和機(jī)械兩個(gè)方面的運(yùn)行參數(shù)，分別構(gòu)造機(jī)器學(xué)習(xí)算法，然后將兩種機(jī)器學(xué)習(xí)算法進(jìn)行融合，得出對(duì)風(fēng)機(jī)狀態(tài)最終的預(yù)測(cè)。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的

針對(duì)風(fēng)力發(fā)電機(jī)組發(fā)電機(jī)在機(jī)械和電氣方面的故障，本文提出了一種基于小波包分解和d-s證據(jù)理論的多模型融合方法，其中小波包分解用來提取振動(dòng)信號(hào)和電流信號(hào)的能量特征向量，對(duì)每種特征向量分別構(gòu)造一個(gè)支持向量機(jī)，然后通過d-s證據(jù)融合得到最終的一個(gè)預(yù)測(cè)模型。

技術(shù)方案

因?yàn)閐-s證據(jù)理論具有很強(qiáng)的處理不確定信息的能力，近年來成為信息融合的重要手段，然而如何構(gòu)造基本概率賦值函數(shù)(bpa)是融合中首先要解決的一個(gè)重要課題。由于機(jī)器學(xué)習(xí)算法能為d-s證據(jù)理論提供了一種計(jì)算基本概率賦值的方法，因此許多學(xué)者都嘗試應(yīng)用機(jī)器學(xué)習(xí)的算法來獲得bpa，本文也正是鑒于這種思路，由于發(fā)電機(jī)的不同狀態(tài)與振動(dòng)信號(hào)和電流信號(hào)有著緊密的關(guān)系，本文針對(duì)兩種信號(hào)構(gòu)造了兩個(gè)經(jīng)過參數(shù)優(yōu)化的支持向量機(jī)，作為兩個(gè)證據(jù)經(jīng)過d-s融合之后給出最終的預(yù)測(cè)故障種類。由于發(fā)電機(jī)不同狀態(tài)的振動(dòng)信號(hào)和電流信號(hào)在頻域范圍內(nèi)有很大的區(qū)分度，本文采用三層小波包分解提取振動(dòng)和電流的能量特征向量作為svm的輸入，最終通過交叉驗(yàn)證的方式計(jì)算出經(jīng)過d-s融合之后模型的錯(cuò)誤率和漏檢率，并將本文提出的融合模型與不含權(quán)重的屬性疊加構(gòu)造的分類器分別作對(duì)比，數(shù)據(jù)顯示本文基于多模型證據(jù)融合的方法具有更高的性能。

一種基于d-s證據(jù)融合進(jìn)行風(fēng)機(jī)故障預(yù)測(cè)的方法所包含的步驟如下：

第一步，對(duì)風(fēng)場(chǎng)采集的歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)清理，去掉與風(fēng)機(jī)狀態(tài)無關(guān)的一些參數(shù)，因?yàn)闅v史數(shù)據(jù)是根據(jù)時(shí)間順序記錄下來的，大部分情況下風(fēng)機(jī)都處于良好的運(yùn)行狀態(tài)，所以為了故障建模之前的數(shù)據(jù)平衡性，要重點(diǎn)將風(fēng)機(jī)發(fā)生故障之前的幾個(gè)小時(shí)的數(shù)據(jù)保留下來，并將風(fēng)機(jī)的故障種類標(biāo)示在數(shù)據(jù)集的后面，便于進(jìn)行機(jī)器學(xué)習(xí)算法的輸入；

第二步，風(fēng)力發(fā)電機(jī)在不同工作狀態(tài)下，發(fā)電機(jī)的振動(dòng)信號(hào)和電流信號(hào)都會(huì)表現(xiàn)為極強(qiáng)的非平穩(wěn)性。小波包分析可以對(duì)信號(hào)的時(shí)域和頻域信息同時(shí)進(jìn)行分析，能夠有效對(duì)非平穩(wěn)信號(hào)進(jìn)行特征提取。振動(dòng)傳感器采集發(fā)電機(jī)軸承x向、y向、45度、135度四個(gè)方向的振動(dòng)信號(hào)，電流信號(hào)包括a相、b相、c相三相電流值，采樣頻率50hz,通過三層小波包分解來分別重構(gòu)振動(dòng)能量信號(hào)和定子電流頻帶能量分布，最終分別得到一個(gè)32維的振動(dòng)能量特征向量和一個(gè)24維的電流能量特征向量；

第三步，以振動(dòng)能量特征信號(hào)和以電流能量特征信號(hào)作為輸入，分別構(gòu)造兩個(gè)經(jīng)過參數(shù)優(yōu)化的支持向量機(jī)。由于d-s證據(jù)融合的輸入?yún)?shù)是在所有分類空間上的基本概率賦值，所以要將傳統(tǒng)的分類器的硬輸出轉(zhuǎn)化為軟輸出，即將分類器的分類標(biāo)簽輸出改為后驗(yàn)概率輸出，即分類器在不同分類上的預(yù)測(cè)概率；

第四步，兩個(gè)支持向量機(jī)的輸出作為d-s證據(jù)融合的基本概率賦值，通過d-s證據(jù)融合公式計(jì)算出最終的分類模型對(duì)風(fēng)機(jī)的預(yù)測(cè)狀態(tài)。實(shí)驗(yàn)結(jié)果分析采用五折交叉的方式計(jì)算出本文方法的錯(cuò)誤率和漏檢率，同時(shí)為了與d-s融合作對(duì)比，測(cè)試了在不劃分特征子空間的情況下，所有屬性參與svm的訓(xùn)練，所有屬性的權(quán)重均相等，實(shí)驗(yàn)結(jié)果顯示d-s證據(jù)融合的的分類準(zhǔn)確率和召回率更高。

第二步中小波包提取特征向量的步驟如下：

(1)首先對(duì)振動(dòng)能量信號(hào)進(jìn)行三層小波包分解，從而得到第三層從低頻到高頻8個(gè)子頻帶的小波包分解系數(shù)

(2)對(duì)小波分解系數(shù)進(jìn)行重構(gòu)，提取個(gè)子頻帶范圍的信號(hào)則總信號(hào)可以表示為

(3)計(jì)算各子頻帶信號(hào)能量。以表示第3層各節(jié)點(diǎn)的重構(gòu)信號(hào)，對(duì)應(yīng)的能量為將sij對(duì)應(yīng)頻帶的能量記為eij，則有

式中xjk(j＝0…7,k＝1,2…n)表示重構(gòu)信號(hào)離散點(diǎn)的振動(dòng)幅值；

(4)將各個(gè)子頻帶的能量組合成一個(gè)向量t,表示為

對(duì)這個(gè)特征向量進(jìn)行歸一化處理

表1小波包分解后的歸一化頻帶能量分布

表2小波包分解后的歸一化頻帶能量分布

第三步中將振動(dòng)信號(hào)和電流信號(hào)經(jīng)過三層小波包分解并對(duì)能量歸一化之后得到的特征向量作為支持向量機(jī)的輸入，為了保證在融合之前選用的基分類器性能較好，在融合之前先對(duì)參數(shù)進(jìn)行調(diào)優(yōu)，選用測(cè)試錯(cuò)誤率最低的兩個(gè)分類器進(jìn)行d-s融合；svm的調(diào)節(jié)參數(shù)包括懲罰因子c,以及高斯核函數(shù)的參數(shù)σ，首先建立標(biāo)準(zhǔn)svm模型，在svm參數(shù)選擇中采用網(wǎng)格5折交叉驗(yàn)證的方式確定最優(yōu)參數(shù)，其中c的搜索范圍設(shè)置為[2^-5,2¹⁰],σ的搜索范圍設(shè)置為[2^-10,2⁵]，兩者的搜索步長(zhǎng)變化設(shè)置為cn+1＝2*cn,σn+1＝2*σn+1，最終確定兩個(gè)特征子空間中svm參數(shù)如表3所示；

表3兩個(gè)特征子空間下svm參數(shù)

第四步中，在d-s證據(jù)理論中，由互不相容的基本命題(假定)組成的完備集合稱為識(shí)別框架θ：

(1)基本概率分配

在識(shí)別框架θ上的bpa是一個(gè)2^θ→[0,1]的函數(shù)m，稱為mass函數(shù)。并且滿足且其中，使得m(a)>0的a稱為焦元(focalelements)。其中θ也稱為假設(shè)空間，對(duì)應(yīng)本實(shí)驗(yàn)中的[正常，軸承故障，匝間短路，轉(zhuǎn)子偏心]，a表示θ中的變量。

(2)dempster合成規(guī)則

dempster合成規(guī)則也稱證據(jù)合成公式^[8]，其定義如下：對(duì)于θ上的兩個(gè)mass函數(shù)m1,m2的dempster合成規(guī)則為：

其中，a表示假設(shè)空間下的一種故障模式，m1(b)表示證據(jù)1對(duì)故障a的預(yù)測(cè)概率，m2(c)表示證據(jù)2對(duì)故障a的預(yù)測(cè)概率，k為歸一化常數(shù)

(3)計(jì)算mass函數(shù)，以軸承故障為例

其中m1表示svm1對(duì)軸承故障預(yù)測(cè)的后驗(yàn)概率，m2表示svm2對(duì)軸承故障預(yù)測(cè)的后驗(yàn)概率，通過上述公式融合之后，得出融合模型對(duì)軸承故障的預(yù)測(cè)概率，同理可以計(jì)算出融合模型對(duì)其他三種狀態(tài)的預(yù)測(cè)概率，最后概率最高的狀態(tài)表示融合模型最終的預(yù)測(cè)狀態(tài)。

采用五折交叉的方式計(jì)算出本文方法的錯(cuò)誤率和漏檢率，同時(shí)為了與d-s融合作對(duì)比，測(cè)試了在不劃分特征子空間的情況下，所有屬性參與svm的訓(xùn)練，所有屬性的權(quán)重均相等。

優(yōu)點(diǎn)及效果

本發(fā)明的優(yōu)點(diǎn)與積極效果如下：

(1)傳統(tǒng)的振動(dòng)方法只是對(duì)振動(dòng)信號(hào)進(jìn)行分析，根據(jù)振動(dòng)能量特征向量構(gòu)造神經(jīng)網(wǎng)絡(luò)，決策樹等機(jī)器學(xué)習(xí)算法模型。然而只是觀測(cè)振動(dòng)信號(hào)會(huì)將一些故障狀態(tài)誤分類，比如軸承損壞和轉(zhuǎn)子偏心都會(huì)造成振動(dòng)信號(hào)異常，此時(shí)借助電流信號(hào)就能更好的區(qū)分兩種故障狀態(tài)

(2)本方法建立的預(yù)測(cè)模型可以存儲(chǔ)下來，不需要對(duì)歷史數(shù)據(jù)進(jìn)行反復(fù)提取訓(xùn)練，在風(fēng)場(chǎng)的實(shí)時(shí)預(yù)測(cè)環(huán)境下，可以很快的給出預(yù)測(cè)結(jié)果。

附圖說明

圖1是整個(gè)預(yù)測(cè)過程的流程圖，即基于d-s證據(jù)融合的風(fēng)機(jī)故障預(yù)測(cè)流程圖。

圖2是支持向量機(jī)的原理圖。

具體實(shí)施方式：

下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述。

如附圖1所示，本發(fā)明設(shè)計(jì)的d-s證據(jù)融合算法用于風(fēng)力發(fā)電機(jī)組的故障預(yù)測(cè)，它的步驟如下：

第一步，對(duì)風(fēng)場(chǎng)采集的歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)清理，去掉與風(fēng)機(jī)狀態(tài)無關(guān)的一些參數(shù)，因?yàn)闅v史數(shù)據(jù)是根據(jù)時(shí)間順序記錄下來的，大部分情況下風(fēng)機(jī)都處于良好的運(yùn)行狀態(tài)，所以為了故障建模之前的數(shù)據(jù)平衡性，要重點(diǎn)將風(fēng)機(jī)發(fā)生故障之前的幾個(gè)小時(shí)的數(shù)據(jù)保留下來，并將風(fēng)機(jī)的故障種類標(biāo)示在數(shù)據(jù)集的后面，便于進(jìn)行機(jī)器學(xué)習(xí)算法的輸入；

第二步，風(fēng)力發(fā)電機(jī)在不同工作狀態(tài)下，發(fā)電機(jī)的振動(dòng)信號(hào)和電流信號(hào)都會(huì)表現(xiàn)為極強(qiáng)的非平穩(wěn)性。小波包分析可以對(duì)信號(hào)的時(shí)域和頻域信息同時(shí)進(jìn)行分析，能夠有效對(duì)非平穩(wěn)信號(hào)進(jìn)行特征提取。振動(dòng)傳感器采集發(fā)電機(jī)軸承x向、y向、45度、135度四個(gè)方向的振動(dòng)信號(hào)，電流信號(hào)包括a相、b相、c相三相電流值，采樣頻率50hz,通過三層小波包分解來分別重構(gòu)振動(dòng)能量信號(hào)和定子電流頻帶能量分布，最終分別得到一個(gè)32維的振動(dòng)能量特征向量和一個(gè)24維的電流能量特征向量。實(shí)驗(yàn)選用數(shù)據(jù)集中風(fēng)速區(qū)間為30m/s±5范圍內(nèi)很穩(wěn)定的數(shù)據(jù)集，此時(shí)風(fēng)機(jī)處于正常功率發(fā)電狀態(tài)。用小波包對(duì)軸承振動(dòng)加速度信號(hào)進(jìn)行分解，提取各頻帶小波包能量譜，并對(duì)其進(jìn)行能量歸一化處理，作為特征向量。小波包提取特征向量的步驟如下：

(1)首先對(duì)振動(dòng)能量信號(hào)進(jìn)行三層小波包分解，從而得到第三層從低頻到高頻8個(gè)子頻帶的小波包分解系數(shù)

(2)對(duì)小波分解系數(shù)進(jìn)行重構(gòu)，提取個(gè)子頻帶范圍的信號(hào)則總信號(hào)可以表示為

(3)計(jì)算各子頻帶信號(hào)能量。以表示第3層各節(jié)點(diǎn)的重構(gòu)信號(hào)，對(duì)應(yīng)的能量為將sij對(duì)應(yīng)頻帶的能量記為eij，則有

式中xjk(j＝0…7,k＝1,2…n)表示重構(gòu)信號(hào)離散點(diǎn)的振動(dòng)幅值；

(4)將各個(gè)子頻帶的能量組合成一個(gè)向量t,表示為

對(duì)這個(gè)特征向量進(jìn)行歸一化處理

表1小波包分解后的歸一化頻帶能量分布

表2小波包分解后的歸一化頻帶能量分布

第三步，以振動(dòng)能量特征信號(hào)和以電流能量特征信號(hào)作為輸入，分別構(gòu)造兩個(gè)經(jīng)過參數(shù)優(yōu)化的支持向量機(jī)。由于d-s證據(jù)融合的輸入?yún)?shù)是在所有分類空間上的基本概率賦值，所以要將傳統(tǒng)的分類器的硬輸出轉(zhuǎn)化為軟輸出，即將分類器的分類標(biāo)簽輸出改為后驗(yàn)概率輸出，即分類器在不同分類上的預(yù)測(cè)概率。將振動(dòng)信號(hào)和電流信號(hào)經(jīng)過三層小波包分解并對(duì)能量歸一化之后得到的特征向量作為支持向量機(jī)的輸入，為了保證在融合之前選用的基分類器性能較好，在融合之前先對(duì)參數(shù)進(jìn)行調(diào)優(yōu)，選用測(cè)試錯(cuò)誤率最低的兩個(gè)分類器進(jìn)行d-s融合。svm的調(diào)節(jié)參數(shù)包括懲罰因子c,以及高斯核函數(shù)的參數(shù)σ，首先建立標(biāo)準(zhǔn)svm模型^[14]，在svm參數(shù)選擇中采用網(wǎng)格5折交叉驗(yàn)證的方式確定最優(yōu)參數(shù)，其中c的搜索范圍設(shè)置為[2^-5,2¹⁰],σ的搜索范圍設(shè)置為[2^-10,2⁵]，兩者的搜索步長(zhǎng)變化設(shè)置為cn+1＝2*cn,σn+1＝2*σn+1，最終確定兩個(gè)特征子空間中svm參數(shù)如表3所示。

表3兩個(gè)特征子空間下svm參數(shù)

第四步，兩個(gè)支持向量機(jī)的輸出作為d-s證據(jù)融合的基本概率賦值，通過d-s證據(jù)融合公式計(jì)算出最終的分類模型對(duì)風(fēng)機(jī)的預(yù)測(cè)狀態(tài)。在d-s證據(jù)理論中，由互不相容的基本命題(假定)組成的完備集合稱為識(shí)別框架θ，下面先解釋一下幾個(gè)基本概念：

(1)基本概率分配

在識(shí)別框架θ上的bpa是一個(gè)2^θ→[0,1]的函數(shù)m，稱為mass函數(shù)。并且滿足且其中，使得m(a)>0的a稱為焦元(focalelements)。其中θ也稱為假設(shè)空間，對(duì)應(yīng)本實(shí)驗(yàn)中的[正常，軸承故障，匝間短路，轉(zhuǎn)子偏心]，a表示θ中的變量。

(2)dempster合成規(guī)則

dempster合成規(guī)則也稱證據(jù)合成公式^[8]，其定義如下：對(duì)于θ上的兩個(gè)mass函數(shù)m1,m2的dempster合成規(guī)則為：

其中，a表示假設(shè)空間下的一種故障模式，m1(b)表示證據(jù)1對(duì)故障a的預(yù)測(cè)概率，m2(c)表示證據(jù)1對(duì)故障a的預(yù)測(cè)概率，k為歸一化常數(shù)

(3)計(jì)算mass函數(shù)，以軸承故障為例

其中m1表示svm1對(duì)軸承故障預(yù)測(cè)的后驗(yàn)概率，m2表示svm2對(duì)軸承故障預(yù)測(cè)的后驗(yàn)概率，通過上述公式融合之后，得出融合模型對(duì)軸承故障的預(yù)測(cè)概率，同理可以計(jì)算出融合模型對(duì)其他三種狀態(tài)的預(yù)測(cè)概率，最后概率最高的狀態(tài)表示融合模型最終的預(yù)測(cè)狀態(tài)。

采用五折交叉的方式計(jì)算出本文方法的錯(cuò)誤率和漏檢率，同時(shí)為了與d-s融合作對(duì)比，測(cè)試了在不劃分特征子空間的情況下，所有屬性參與svm的訓(xùn)練，所有屬性的權(quán)重均相等，實(shí)驗(yàn)結(jié)果顯示d-s證據(jù)融合的的分類準(zhǔn)確率和召回率更高，實(shí)驗(yàn)結(jié)果如表4所示。

表4所有屬性無加權(quán)融合與本文方法比較(均值±方差)(％)

多次的實(shí)驗(yàn)結(jié)果顯示，基于多分類器的d-s融合模型對(duì)故障的預(yù)測(cè)結(jié)果在錯(cuò)誤率和漏檢率上均低于沒有經(jīng)過證據(jù)融合的預(yù)測(cè)模型。