一种风力发电机组故障诊断方法及系统

1.一种风力发电机组故障诊断方法，其特征在于包括以下步骤：
A、根据风电机组故障统计数据建立风电机组故障数据库；
B、汇总机组故障信息，建立独立故障间的逻辑关系；
C、判断故障信号的发生，采用低通/平滑滤波技术对信号进行滤波处理，并采用全幅值延时处理方法将脉冲信号转换为逻辑变量；
D、采用基于贝叶斯概率公式的故障定位法对故障信号进行定位，并根据步骤B的逻辑关系屏蔽存在逻辑关系的继发故障信号；
E、从原发故障信号中判断风电机组最先发生的故障。
2.根据权利要求1所述的一种风力发电机组故障诊断方法，其特征在于所述的步骤C还根据风电机组故障数据库判断故障信号的类型，同时根据步骤B得到的故障间逻辑关系判断故障信息的优先级别，优先处理级别高的故障信号。
3.根据权利要求1所述的一种风力发电机组故障诊断方法，其特征在于所述的风电机组故障数据库的内部数据采用2元树状结构排列。
4.一种应用权利要求1-3中任一项所述方法的风力发电机组故障诊断系统，其特征在于包括：
风电机组故障数据库，用于存储风电机组故障统计数据；
机组故障信息相关性处理模块，用于汇总机组故障信息，建立独立故障间的逻辑关系；
故障信号预处理模块，用于判断故障信号的发生，对信号进行滤波处理，并将脉冲信号转换为逻辑变量；
机组故障定位模块，用于对故障信号进行定位，并根据逻辑关系屏蔽存在逻辑关系的继发故障信号；
故障信息首出判断模块，用于从原发故障信号中判断风电机组最先发生的故障。

一种风力发电机组故障诊断方法及系统\n技术领域\n[0001] 本发明涉及风力发电技术领域，特别是涉及一种风力发电机组故障诊断方法及系统。\n背景技术\n[0002] 近年来随着风力发电不断地发展，风电场装机容量逐年上升，风力发电所占的比例越来越大，已逐渐成为了一种常规能源。随着风电机组数量的增加以及使用累计时间的增加，风电机组本身的故障率也相应增多，这些故障分布在机组内各个设备、系统之中，第一个产生的故障会产生系列安全动作，提高快速判断机组故障、迅速排查机组隐患的效率直接决定了机组的利用率，甚至影响到整个风力发电厂的发电量。而依照现有技术，风电机组在发生故障后，需要人工排查和诊断故障源，往往不能快速的判断出机组故障，也无法迅速的排查机组隐患。因此，对于风电机组的运行维护部门来讲，推出一种有效排查机组故障的系统具有深远的意义。\n发明内容\n[0003] 本发明提供一种风力发电机组故障诊断方法及系统，使其能够快速确定风电机组发生故障的类型，快速、准确的从大量相关故障信息中提取出最先发生的故障，进而降低机组故障排查时间，增加风电机组利用率，提高机组利用率和风场发电量，从而克服现有技术的不足。\n[0004] 为解决上述问题，本发明一种风力发电机组故障诊断方法包括以下步骤：A、根据风电机组故障统计数据建立风电机组故障数据库；B、汇总机组故障信息，建立独立故障间的逻辑关系；C、判断故障信号的发生，对信号进行滤波处理，并将脉冲信号转换为逻辑变量；D、对故障信号进行定位，并根据步骤B的逻辑关系屏蔽存在逻辑关系的继发故障信号；\nE、从原发故障信号中判断风电机组最先发生的故障。\n[0005] 作为本发明的进一步改进，所述的定位采用基于贝叶斯概率公式的故障定位法。\n[0006] 所述的步骤C还根据风电机组故障数据库判断故障信号的类型，同时根据步骤B得到的故障间逻辑关系判断故障信息的优先级别，优先处理级别高的故障信号。\n[0007] 所述的风电机组故障数据库的内部数据采用2元树状结构排列。\n[0008] 所述的滤波处理采用低通/平滑滤波技术。\n[0009] 采用全幅值延时处理方法将所述脉冲信号转换为所述的逻辑变量。\n[0010] 此外，本发明还提供了一种风力发电机组故障诊断系统，包括：风电机组故障数据库，用于存储风电机组故障统计数据；机组故障信息相关性处理模块，用于汇总机组故障信息，建立独立故障间的逻辑关系；故障信号预处理模块，用于判断故障信号的发生，对信号进行滤波处理，并将脉冲信号转换为逻辑变量；机组故障定位模块，用于对故障信号进行定位，并根据逻辑关系屏蔽存在逻辑关系的继发故障信号；故障信息首出判断模块，用于从原发故障信号中判断风电机组最先发生的故障。\n[0011] 采用本设计后，与现有技术相比，本发明具有以下有益效果：\n[0012] 1、避免了风电机组在故障发生后需要人工排查、诊断故障源的过程；\n[0013] 2、提高了机组利用率和风场发电量；\n[0014] 3、本发明利用风电机组故障之间的相关性实现首发故障的判断，避免了由于故障之间的关联产生众多故障的无序现象，并且系统可以直接指出故障源，逻辑可靠，设备成本低，利于推广。\n[0015] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。\n附图说明\n[0016] 上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。\n[0017] 附图1是本发明风力发电机组故障诊断系统组成示意图。\n[0018] 附图2是本发明风电机组故障诊断系统相关性示意图。\n[0019] 附图3是本发明风电机组故障诊断系统故障首出逻辑图。\n具体实施方式\n[0020] 以下结合附图对本发明的具体实施进行说明：\n[0021] 请配合参阅图1描述了风力发电机组故障诊断系统的组成和功能，附图的模块连接标明了信号走向及模块的相关性。\n[0022] 本发明风力发电机组故彰诊断系统与检测系统和安全可编程设备连接。安全可编程设备可直接采用机组的主控制器，也可采用独立于机组主控制器并具有更高级别的逻辑设备。检测系统包括机组内的测量、监测设备，根据诊断需要对监控对象和类型进行调整，例如包括变桨系统、变流器、控制器、振动传感器、电网检测设备和机组内设备状态监测装置等。检测系统所采集的信号包括变桨系统故障信息、变流器故障信息、电网故障信息、安全链信息、偏航故障信息、超速信号、振动超限信号、控制系统故障信号、主轴故障报警信号、齿轮箱报警信号、发电机报警信号、液压系统报警信号、润滑系统报警信号、冷却系统报警信号等，涵盖了所有传动链级设备和监控设备，并根据报警需求将这些被诊断信号分类、整合、汇总、发送到本发明的风力发电机组故障诊断系统中。\n[0023] 本发明的风力发电机故障诊断系统包括故障信号预处理模块、机组故障定位模块、故障信息首出判断模块、机组故障信息相关性处理模块和风电机组故障数据库。\n[0024] 其中，风电机组故障数据库是根据风电机组故障统计预先设计建立的，其内部数据采用2元树状结构排列，风电机组虽是一种复杂系统，而故障信息的树状结构节点不会过多，故障结构的2元分支将有利于提高故障判断的效率。故障信号预处理模块在机组故障诊断系统中充分吸收了风力发电机组的运行特性，建立风电机组故障数据库，采用逻辑单元与滤波模块完成输入信号变换，给后续判断提供可靠的可诊断信号。\n[0025] 故障数据信息相关性模块不仅汇总了机组的故障信息，还建立了独立故障间的逻辑关系，体现出故障的顺序等关系，这种逻辑关系建立在设备本身，同时也基于主控系统的运行逻辑，这种相关性在故障信息的每个流程设计均被引入，为故障定位和首出逻辑单元提供信息处理依据。\n[0026] 请配合参阅图2所示，由于风力发电机组内的设备之间存在密切联系，因此处于不同节点的设备故障之间具有相关性，比如冷却系统故障会直接引起发电机、变流器及齿轮箱设备的温控监测的报警、故障；刹车系统（风机液压站）故障会关系到偏航等设备控制故障。同时机组的状态信息同样会与报警信息相关，例如处于高速刹车释放状态的机组不会理会刹车盘的磨损故障，只有进入刹车状态，主控制器才会进入刹车盘磨损报警检测逻辑。\n[0027] 故障信号预处理模块的功能主要是判断故障信号的发生，采用低通/平滑滤波技术，对信号进行滤波处理，并采用全幅值的延时处理方法，将脉冲信号转换为逻辑变量。故障预处理模块接收外部故障信息的同时，还依靠风电机组故障数据库判断故障信息的类型，同时根据机组故障信息相关性处理模块内部的几种故障关系判断故障信息的优先级别，优先级高的故障先进行预处理。\n[0028] 机组故障定位模块接受来自预处理模块的故障信息，根据风电机组故障数据库的排列检索出故障发生在树状结构中的节点位置，并根据机组故障信息相关性处理模块判断故障关系，将故障和故障关系通过故障信息接口传送给外部记录设备，以便于查询并进行初步相关性处理。\n[0029] 本发明的故障定位使用基于贝叶斯(Bayes)概率公式的似然比形式的风电机组故障定位法，从采集到并经预处理的故障信号得到故障信息序列，进行似然比运算，在最大故障概率条件下进行故障定位。通过建立经过预处理信号的相关性矩阵结合风电机组故障数据库分析实现，相关性源自机组设备控制方式和系统的逻辑关联，相关矩阵将故障源按树状和阵列状诊断形式提供故障定位和故障隔离，在故障信息诊断过程中采取故障检测和可靠性约束的布局优化方法，提高故障定位率（FDR）和故障隔离率。\n[0030] 设风力发电机组的故障类为m，每类故障产生的故障源为n，则相关性矩阵的阶数表述为：\n[0031] A=|M|m×n           （1）\n[0032] 故障检测率为：\n[0033]\n[0034] 其中：rfd为故障检测率；\n[0035] k为监测到的故障模式，即故障可能发生的数目，由预处理模块得到；\n[0036] λi为所检测到的第i个故障模式在风电机组故障数据库中记录的故障率；\n[0037] λd为所检测到的所有故障模式的故障率之和，是通过在预处理模块中，将外部输入的故障信息与数据库对比产生的故障模式和故障率之和；\n[0038] λ为风电机组故障数据库中总故障率的统计数据和。\n[0039] 根据公式（1）、（2）可得机组的故障检测率：\n[0040]\n[0041] 故障检测率是评估故障定位效果的方法，故障检测率越高定位效果越优。\n[0042] 机组故障信息首出模块可以判断出风电机组最先发生的故障，而最先发生的故障往往是机组实际故障，在这故障发生后的故障均可能是机组信息间的相关造成的，由此产生的故障会干扰对实际故障的排查，这种首出功能将极大提高机组故障处理效率，避免投入大量人力进行诊断，保证了机组利用率。\n[0043] 请配合参阅图3所示，来自机组内设备或系统的故障信息经过信号变换、相关性处理和矩阵式排列后，经过统一的信号转换（高电平信号报警），变换后的故障信号同Fault-Not信号进行逻辑“与”操作，即当Fault-Not信号为“0”时，无论故障信号是什么类型，经过触发器后的输出（#Fault）都将不会被触发。Faul t-Not信号是Fault-Yes信号变换得到，目的是配合逻辑处理，Fault-Yes是所有输入信号状态的汇总。Reset信号是根据机组运行控制需要进行的故障复位逻辑。通过采用故障首出逻辑，机组在发生故障时，诊断系统能够自动、可靠地判断出一条先发故障，并屏蔽相关故障的干扰。\n[0044] 此外，可为本发明的系统设置故障信息接口，可实现串行编程或与其他设备连接，整合故障记录、诊断系统复位、诊断系统设定和系统编程的功能。\n[0045] 以下以冷却系统故障引发发电机温控监测报警故障为例，来进一步说明本发明的实现过程。\n[0046] 首先，故障信号预处理模块接收到冷却系统和发电机报警信号，并对接收到的信号进行滤波处理、逻辑转换和输出。\n[0047] 之后，机组故障定位模块根据风电机组故障数据库的信息，判断出故障信号预处理模块输出的故障信号分别来自冷却系统和发电机，再根据机组故障信息相关性处理模块，判断出发电机温度过高的故障与冷却系统故障之间存在逻辑关系，前者为后者的继发故障，因此即可排除发电机系统故障，并屏蔽来自发电机的故障信号，只将冷却系统的报警信号输出。\n[0048] 最后，当故障信息首出判断模块接收到来自机组故障定位模块的故障信号时，产生一Fault-Yes信号，以确认发生故障，并进一步判断在原发故障信号——冷却系统的故障信号中，哪个信号最先发生，从而判断出冷却系统的先发故障。\n[0049] 通过上述一种风力发电机组故障诊断方法及系统，其基于故障检测和可靠性约束，优化风电机组传感系统在结构、类型范畴内的布局，采用将故障树转换成故障定位树的方法进而确定机组故障，通过统计，采用阵列输入方式诊断信息的相关性，实现该系统的故障诊断功能。可以提高风电机组故障诊断效率，提高单台风电机组利用率，本发明技术可靠、成本较低，易于实现和推广。\n[0050] 以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。