解太林，張志利

（1.江蘇省鹽城市教育科學(xué)研究院，江蘇鹽城 224005；2.天津中德應(yīng)用技術(shù)大學(xué)電氣與能源學(xué)院，天津 300350）

變速恒頻風力發(fā)電機轉(zhuǎn)子機械故障模糊診斷方法

解太林1，張志利2

（1.江蘇省鹽城市教育科學(xué)研究院，江蘇鹽城 224005；2.天津中德應(yīng)用技術(shù)大學(xué)電氣與能源學(xué)院，天津 300350）

針對當前方法在診斷變速恒頻風力發(fā)電機轉(zhuǎn)子機械故障過程中，抗干擾能力差、準確率低的不足，提出一種基于改進支持向量機（FSVM）與粒子群（PSO）加權(quán)模糊聚類相結(jié)合的轉(zhuǎn)子機械故障模糊診斷方法。首先提取風力發(fā)電機轉(zhuǎn)子機械故障的信號特征，對特征奇異點進行模極大值分析；構(gòu)建FSVM診斷數(shù)學(xué)模型，完成信號特征的分類處理；基于PSO方法對分類處理后的特征信號，進行加權(quán)模糊聚類和個體尋優(yōu)，實現(xiàn)發(fā)電機轉(zhuǎn)子機械故障的模糊診斷。實驗證明，提出的方法診斷精度高、收斂速度快、具有較高的實用性和可靠性。

發(fā)電機轉(zhuǎn)子；FSVM；PSO；模糊診斷

風能[1]是一種清潔、可再生能源，取之不盡、用之不竭。風能作為一種潛力巨大的新型能源[2]，受到各國越來越高的重視。變速恒頻風力發(fā)電機組[3]是一種主流的發(fā)電機組，評價風力發(fā)電機組優(yōu)劣的重要指標是平均無故障時間[4]。但旋轉(zhuǎn)機械的轉(zhuǎn)子故障較為常見，包括不對中、不平橫、碰磨、松動等，會造成旋轉(zhuǎn)部件的機械損傷，甚至會引起突發(fā)事故[5-6]，因此變速恒頻風力發(fā)電機轉(zhuǎn)子機械故障的診斷和預(yù)防一直是學(xué)術(shù)界研究的熱點問題。當前轉(zhuǎn)子機械故障的診斷方法有頻譜分析法[7]、Bayes統(tǒng)計分析法[8]等，這些診斷方法多基于大量的故障數(shù)據(jù)統(tǒng)計樣本，運算量龐大，而且抗干擾能力差、故障診斷準確率低，在小樣本情況下進行診斷有失效的風險[9]。

提出一種基于改進支持向量機（FSVM）與粒子群（PSO）加權(quán)模糊聚類算法相結(jié)合的機械故障模糊診斷方法。先基于小波變換提取發(fā)電機轉(zhuǎn)子機械故障的信號特征，再對特征奇異點進行模極大值分析；依據(jù)分析結(jié)果和樣本數(shù)據(jù)構(gòu)建FSVM的轉(zhuǎn)子故障診斷數(shù)學(xué)模型，完成信號特征的分類處理；基于PSO粒子群方法對分類處理后的特征信號，進行加權(quán)模糊聚類和個體尋優(yōu)，完成發(fā)電機轉(zhuǎn)子機械故障

的模糊診斷。實驗證明，提出的故障診斷方法診斷準確率高，模型收斂速度快，具有較高的實用性和可靠性。

1 一種變速恒頻風力發(fā)電機轉(zhuǎn)子機械故障模糊診斷方法研究

1.1 發(fā)電機轉(zhuǎn)子機械故障信號特征的提取

變速恒頻風力發(fā)電機轉(zhuǎn)子發(fā)生故障時會產(chǎn)生突變信號，這些突變信號的奇異點包含較豐富的故障信息，因此獲取風力發(fā)電機轉(zhuǎn)子的故障信號特征，是實現(xiàn)風力發(fā)電機轉(zhuǎn)子機械故障診斷的重要前提和關(guān)鍵步驟。

風力發(fā)電及轉(zhuǎn)子故障信號特征的提取問題可以表示為一個四元式F：

式中：A為非空征兆集合；B為非空轉(zhuǎn)子故障集合；A+為已經(jīng)獲取的征兆集合，A和B分別表示為

式中：A+?A，C為定義于A×B關(guān)系矩陣上的子集，是有關(guān)故障和征兆之間關(guān)系的知識庫。

不同類型的轉(zhuǎn)子故障，具有獨特的時頻分布特征，各種頻率的信號可以通過多元化的頻帶通道進行有效分離。設(shè)h（a）和g（b）分別為鏡像濾波器組，λ和ζ分別為信號f（t）的細節(jié)系數(shù)和逼近系數(shù)：

基于鏡像濾波器組，對變速恒頻風力發(fā)電機轉(zhuǎn)子機械故障的特征進行提?。?/p>

對f（t）故障特征信號進行降頻處理，并對特征奇異點進行模極大值分析：

完成對變速恒頻發(fā)電機轉(zhuǎn)子機械故障的信號特征的提取及特征奇異點的模極大值分析，基于故障信號特征構(gòu)建FSVM轉(zhuǎn)子機械故障診斷數(shù)學(xué)模型，分類處理特征信號。

1.2 FSVM故障診斷數(shù)學(xué)模型構(gòu)建及信號特征分類

提取轉(zhuǎn)子機械故障信號特征后，以故障信號特征作為FSVM的故障訓(xùn)練樣本集。最優(yōu)分類面的劃分，由支持向量的類邊緣決定，而異常樣本大多集中在類邊緣附近，不能真實地反映樣本的特征，求出的分類面也不具有局部最優(yōu)分類性能。

針對以上問題，引入隸屬度的概念，以樣本訓(xùn)練集的類中心作為圓心，構(gòu)建出大、小2個同心（O1）的圓形區(qū)域。小圓O半徑為R，是訓(xùn)練樣本中心到最優(yōu)超平面之間的距離，而大圓P的半徑是小圓的1.5倍，H為最優(yōu)分類面。位于小圓內(nèi)的是有效樣本，隸屬度較大；而大圓以外的樣本是異常樣本，不賦予其隸屬度；兩圓間的樣本被賦予較小的隸屬度，如圖1所示。

圖1 模擬FSVM樣本分類原理圖Fig.1 Schematic diagram of simulated FSVM samples

設(shè)g（x）=ζx+d為空間線性判別函數(shù)，根據(jù)FSVM的分類面，可以得出以圓心O1為訓(xùn)練集合的類中心，其數(shù)學(xué)表達式為

將提取的轉(zhuǎn)子故障信號特征作為FSVM的輸入訓(xùn)練樣本集：

式中：xi為故障樣本特征；Rn為高維特征空間，xi∈Rn；yi為類屬標識，其取值范圍為（-1，1）；對比傳統(tǒng)的SVM算法，改進的FSVM隸屬度τ（xi）的取值范圍為（0，1]，τ（xi）可以表示故障樣本的可信度。

設(shè)μ為FSVM目標函數(shù)中的分類誤差項，那么FSVM故障診斷數(shù)學(xué)模型可以表示為

式中：i=1，2，…，n；μ≥0。當τ（xi）減小時，μ的影響也會相應(yīng)地減小，對應(yīng)的xi會被分離，被認為是不重要樣本，相應(yīng)的最優(yōu)分類面的分類判別函數(shù)可以表示為

通過式（11）的FSVM診斷模型和式（12）的分類判別函數(shù)，可以實現(xiàn)對變速恒頻風力發(fā)電機轉(zhuǎn)子機械故障信號特征的分類處理，進而采用基于PSO方法進行機械故障特征尋優(yōu)，完成轉(zhuǎn)子機械故障的診斷。

1.3 基于PSO方法轉(zhuǎn)子機械故障模糊診斷的實現(xiàn)

采用FSVM轉(zhuǎn)子機械故障的數(shù)學(xué)診斷模型，去除異常的樣本信息，再基于PSO方法對剩余的有效樣本進行快速尋優(yōu)，識別出處理變速恒頻發(fā)電機的轉(zhuǎn)子的機械故障。

設(shè)數(shù)據(jù)集中的有效故障樣本為n維空間中的m個粒子，第i個粒子的位置和速度分別為li={l1，l2，…，ln}，vi={v1，v2，…，vn}，第i個粒子搜索到的最優(yōu)位置為P。

對PSO粒子群進行優(yōu)化處理，以改善其收斂性能，設(shè)c1和c2為加速因子，k1和k2為隨機常數(shù)，取值范圍為[0，1]，ζ為收縮因子，PSO優(yōu)化處理過程可以描述為

式中ω為權(quán)重函數(shù)，收縮因子ζ的表達式為

為了更加精準地確定粒子的位置，進而實現(xiàn)對風力發(fā)電機轉(zhuǎn)子機械故障精確定位，需要根據(jù)粒子群的適應(yīng)度方差，來實現(xiàn)對粒子位置的混沌更新，Ti為第i個粒子的適應(yīng)度，為粒子群的平均適應(yīng)度，粒子群適應(yīng)度方差σ可以表示為

當方差σ小于設(shè)定值時，更新粒子群中每個粒子的位置；當方差σ大于設(shè)定值時，不予更新。這樣可以在迭代過程中，產(chǎn)生局部最優(yōu)，以幫助惰性粒子逃離局部極小點，快速搜尋到最優(yōu)解。設(shè)ρ為有效樣本之間的特征權(quán)重，第i個樣本和第j個樣本之間的特征相似度為

式中：dij為樣本之間的加權(quán)歐式距離；e為常數(shù)，滿足以下條件：

依據(jù)聚類有效性指標，隨聚類數(shù)的變化而擇優(yōu)的特性，能夠客觀地描述出樣本集的結(jié)構(gòu)。最優(yōu)聚類數(shù)指標越大，聚類效果越好，更有利于變速恒頻發(fā)電機轉(zhuǎn)子機械故障有效樣本集的處理和個體尋優(yōu)，尋優(yōu)的過程可以描述為

用拉格朗日乘數(shù)法最終完成最優(yōu)粒子的位置定位和速度優(yōu)化，風力發(fā)電機轉(zhuǎn)子故障特征的加權(quán)模糊聚類處理表示為：

該研究提出了一種基于FSVM與PSO加權(quán)模糊聚類相結(jié)合的機械故障模糊診斷方法，通過對機械故障信號特征的提取及對特征奇異點模極大值的分析，構(gòu)建了FSVM診斷數(shù)學(xué)模型，完成信號特征的分類，再基于PSO方法實現(xiàn)個體尋優(yōu)，最終完成發(fā)電機轉(zhuǎn)子機械故障的模糊診斷。

2 實驗結(jié)果與分析

從變速恒頻風力發(fā)電機轉(zhuǎn)子機械故障的模糊診斷耗時、2種不同噪聲干擾環(huán)境下的診斷結(jié)果及誤差率控制等方面進行對比實驗，證明提出方法的

有效性。

2.1 2種方法對機械故障檢測耗時對比

所提出的基于改進支持向量機（FSVM）與粒子群（PSO）加權(quán)模糊聚類相結(jié)合的機械故障模糊診斷方法，模擬粒子群的活動行為，能夠快速地實現(xiàn)故障特征信號的模糊聚類和個體尋優(yōu)，在檢測速度方面對比傳統(tǒng)時頻分析方法更快、耗時更短，圖2為2種方法故障診斷的平均耗時曲線。

圖2 2種方法故障診斷平均耗時曲線Fig.2 Average time consuming curve of two methods of fault diagnosis

2.2 噪聲干擾環(huán)境下故障診斷結(jié)果對比

為了驗證該方法在噪聲干擾情況下，相對于傳統(tǒng)方法具有更強的診斷能力，給定了高斯白噪聲和強噪聲2種不同的環(huán)境，診斷結(jié)果如表1和表2所示。

表1 高斯白噪聲環(huán)境下機械故障診斷準確率Tab.1 Accuracy of mechanical fault diagnosis in Gauss white noise environment

表2 強噪聲環(huán)境下機械故障診斷準確率Tab.2 Accuracy of mechanical fault diagnosis in strong noise environment

從表1和表2的對比數(shù)據(jù)可以看出，該方法在2種噪聲環(huán)境下的檢測效果都優(yōu)于傳統(tǒng)方法。在強噪環(huán)境下，傳統(tǒng)的時頻分析方法機械故障診斷的準確率差，波動很大。

在強噪條件下，隨著迭代次數(shù)的增加，該方法仍能保持較快的收斂速度，診斷效果良好，收斂曲線如圖3所示。

圖3 強噪聲條件2種方法收斂速度對比Fig.3 Comparison of convergence speed by two methods for strong noise condition

2.3 2種方法的故障診斷誤差對比

相比傳統(tǒng)時頻分析的機械故障診斷方法，基于FSVM和PSO相結(jié)合的方法能夠有效地避免樣本陷入局部極值，故障診斷誤差方面能得到較好的控制，如圖4所示。

圖4 2種方法誤差控制對比Fig.4 Comparison of error control by two methods

以上仿真對比實驗證明了提出的基于FSVM與PSO加權(quán)模糊聚類相結(jié)合的變頻風力發(fā)電機轉(zhuǎn)子機械故障模糊診斷方法，在外界干擾情況下仍具有較高的診斷準確率，相比傳統(tǒng)方法收斂速度快、可靠性高。

3 結(jié)語

提高對變速恒頻風力發(fā)電機轉(zhuǎn)子的診斷準確率，能夠避免選擇部件的機械損傷，最大限度地減少意外事故的發(fā)生，仿真實驗證明了該方法的有效性。

[1]吳政球，干磊，曾議，等.風力發(fā)電最大風能追蹤綜述[J].電力系統(tǒng)及其自動化學(xué)報，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，吉榮廷.變速恒頻風力發(fā)電系統(tǒng)最大風能追蹤優(yōu)化控制[J].計算機仿真，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]劉艷章，楊可林，王湘艷，等.變速恒頻風力發(fā)電機組中長期時間尺度建模[J].電網(wǎng)與清潔能源，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]陳婧，蘇娟，杜松懷，等.懸臂梁壓電發(fā)電機輸出特性及其影響因素分析[J].電網(wǎng)與清潔能源，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]張東，卓放，翟灝.基于虛擬同步發(fā)電機的逆變器控制策略研究[J].陜西電力，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.量子粒子群優(yōu)化算法在異步電機轉(zhuǎn)子機械故障診斷中的應(yīng)用[J].電機與控制應(yīng)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]王潁菲，徐士鳴.柴油發(fā)電機組廢熱驅(qū)動的海水淡化系統(tǒng)分析[J].節(jié)能技術(shù)，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，徐雪嬌.基于支持向量機的旋轉(zhuǎn)機械振動故障診斷研究[J].電子設(shè)計工程，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）.

（編輯 徐花榮）

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，工程碩士，高級教師，研究方向為機械機電工程及職業(yè)教育教學(xué)教研；

張志利（1978—），男，碩士，高級工程師，主要研究領(lǐng)域為信息采集與智能控制。

天津市自然科學(xué)基金項目（15JCZDJC39000）；中職電氣專業(yè)《自動檢測技術(shù)》課題教學(xué)數(shù)字化資源開發(fā)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