本發(fā)明涉及故障診斷方法領(lǐng)域，具體地說，特別涉及到一種基于遺傳算法的風(fēng)電機組葉片故障診斷方法。

背景技術(shù)：

近年來，環(huán)境污染和能源危機的態(tài)勢已經(jīng)愈演愈烈，急需一種綠色環(huán)保新能源的出現(xiàn)。風(fēng)電作為一種可再生、無排放的新能源，已經(jīng)越來越受到全球各國的重視，這也使得風(fēng)力發(fā)電技術(shù)在近些年來得到了蓬勃發(fā)展。在我國，風(fēng)電場的大量建立和投入使用，將是響應(yīng)政府改善能源結(jié)構(gòu)、應(yīng)對氣候變化的號召，實現(xiàn)傳統(tǒng)能源向新能源逐步過渡的具體體現(xiàn)。

除了可再生、無污染以外，風(fēng)力發(fā)電在我國還具有資源豐富，占地面積廣，單機容量小等優(yōu)點。但是，由于風(fēng)電場通常都建設(shè)在偏遠(yuǎn)地區(qū)，還存在技術(shù)條件差，環(huán)境惡劣等問題。同時，大規(guī)模風(fēng)電機組的投入應(yīng)用也使其安全穩(wěn)定性得到了人們的高度重視。由于風(fēng)電機組長期工作在惡劣的自然環(huán)境中，使得風(fēng)場風(fēng)況復(fù)雜多變，容易引發(fā)各種故障的產(chǎn)生。

因此，故障診斷環(huán)節(jié)是必不可少的。而風(fēng)機的葉片作為風(fēng)能捕捉的主要組件之一，除了受到惡劣自然環(huán)境的影響，還容易受到因負(fù)荷波動和快速變化而產(chǎn)生的疲勞損傷，葉輪偏載等故障，從而導(dǎo)致捕風(fēng)效率下降，嚴(yán)重者甚至無法繼續(xù)投入使用。

目前，對于葉片故障診斷，大多采用神經(jīng)網(wǎng)絡(luò)的方法。雖然神經(jīng)網(wǎng)絡(luò)算法具有準(zhǔn)確度高,并行分布處理能力強,分布存儲及學(xué)習(xí)能力強，能充分逼近復(fù)雜的非線性關(guān)系等優(yōu)點，但是同時也存在著明顯的劣勢，如需要提前設(shè)定大量閾值和權(quán)值，學(xué)習(xí)時間過長，樣本數(shù)量龐大時網(wǎng)絡(luò)過于復(fù)雜等。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于針對現(xiàn)有技術(shù)中的不足，提供一種簡單易行，成本低廉，過程時間短的新型風(fēng)電機組葉片故障診斷方法，即基于遺傳算法的可變K均值風(fēng)電機組葉片故障診斷方法，從而使故障診斷的過程變得簡單可行提高風(fēng)電機組葉片的安全、可靠性。

本發(fā)明所解決的技術(shù)問題可以采用以下技術(shù)方案來實現(xiàn)：

一種基于遺傳算法的風(fēng)電機組葉片故障診斷方法，包括如下步驟：

1)采集風(fēng)電機組葉片的故障數(shù)據(jù)，然后對采集到的風(fēng)電機組葉片的故障數(shù)據(jù)進(jìn)行預(yù)處理，得到故障特征信息，并對故障特征信息進(jìn)行標(biāo)準(zhǔn)化處理；

2)運用主成分分析法PCA對標(biāo)準(zhǔn)化處理后的故障特征信息進(jìn)行分析，提取出導(dǎo)致風(fēng)電機組葉片故障的主要特征信息；

3)將提取出的主要特征信息，利用基于遺傳算法的可變K均值聚類算法，對要特征信息進(jìn)行聚類分析，獲得風(fēng)電故障分析結(jié)果；

4)將上述風(fēng)電故障分析結(jié)果與故障數(shù)據(jù)庫或?qū)＜抑R庫進(jìn)行比對，得到最終故障類型的分析結(jié)果，最后將分析結(jié)果顯示在人機交互界面上。

進(jìn)一步的，所述主成分分析法PCA的步驟如下：

a1)數(shù)據(jù)標(biāo)準(zhǔn)化，公式為其中則新的輸入變量的數(shù)據(jù)矩陣為

a2)求相關(guān)系數(shù)矩陣，

其中，r_ij(i，j＝1，2，......，p)為標(biāo)準(zhǔn)化后變量與的相關(guān)系數(shù)，其計算公式為

a3)求系數(shù)矩陣R的特征值和特征向量，記為λ_i＝(i＝1，2，...，p)，對應(yīng)特征向量為e_i(i＝1，2，...，p)；

a4)計算主成份貢獻(xiàn)率、累計貢獻(xiàn)率并確定主成分個數(shù)?？偡讲钪袑儆诘趇個主成分z_i的比例稱為貢獻(xiàn)率：前i個主成分的貢獻(xiàn)率之和稱為w₁，w₂，......，w_i的累計貢獻(xiàn)率一般取累計貢獻(xiàn)率達(dá)到85％至95％的特征值所對應(yīng)的λ₁，λ₂，...，λ_m的第1主成分，第2主成分，……第m(m≤p)個主成分。

a5)計算基于主成分的輸入變量數(shù)據(jù)矩陣z，

進(jìn)一步的，所述聚類分析的步驟如下：

b1)利用遺傳算法的過程，生成初始種群，設(shè)定終止條件，即遺傳算法迭代次數(shù)；

b2)利用K均值算法對篩選出來的個體進(jìn)行優(yōu)化，并用優(yōu)化后的個體取代原來的個體；

b3)對種群中的個體進(jìn)行選擇、交叉、變異操作，并在完成后重新計算K值；

b4)重復(fù)步驟b2)和b3)至滿足終止條件。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果如下：

1、對采集的風(fēng)電機組葉片故障數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化預(yù)處理，減少了故障特征信息數(shù)值上的差異，使聚類分析的過程變得簡便。

2、通過PCA來提取故障信息中的主要特征信息，降低了數(shù)據(jù)的復(fù)雜度，實現(xiàn)了數(shù)據(jù)不相關(guān)和模型簡化。

3、使用基于遺傳算法的可變K均值聚類算法，提高了故障特征信息聚類分析的有效性，可行性和效率。

附圖說明

圖1為本發(fā)明所述的風(fēng)電機組葉片故障診斷方法流程示意圖。

圖2為本發(fā)明所述的可變K均值算法的流程示意圖。

具體實施方式

為使本發(fā)明實現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解，下面結(jié)合具體實施方式，進(jìn)一步闡述本發(fā)明。

參見圖1和圖2，本發(fā)明所述的yiz基于遺傳算法的可變K均值風(fēng)電機組葉片故障診斷方法，具體實施過程如下：

步驟一為故障數(shù)據(jù)監(jiān)測與采集，即先進(jìn)行數(shù)據(jù)采集與標(biāo)準(zhǔn)化，即針對典型的故障情況，對風(fēng)電機組葉片故障數(shù)據(jù)進(jìn)行監(jiān)測和采集，并對故障數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化和初步預(yù)處理，得到故障特征信息。

步驟二為運用PCA，即主成分分析，提取出導(dǎo)致風(fēng)電機組葉片故障的主要特征信息。PCA具體操作步驟為：

數(shù)據(jù)標(biāo)準(zhǔn)化，公式為其中

則新的輸入變量的數(shù)據(jù)矩陣為

(2)求相關(guān)系數(shù)矩陣，

其中r_ij(i，j＝1，2，......，p)為標(biāo)準(zhǔn)化后變量與的相關(guān)系數(shù)，其計算公式為

(3)求系數(shù)矩陣R的特征值和特征向量，記為λ_i＝(i＝1，2，...，p)，對應(yīng)特征向量為e_i(i＝1，2，...，p)

(4)計算主成份貢獻(xiàn)率、累計貢獻(xiàn)率并確定主成分個數(shù)。總方差中屬于第i個主成分z_i的比例稱為貢獻(xiàn)率：前i個主成分的貢獻(xiàn)率之和稱為w₁，w₂，……，w_i的累計貢獻(xiàn)率一般取累計貢獻(xiàn)率達(dá)到85％至95％的特征值所對應(yīng)的λ₁，λ₂，...，λ_m的第1主成分，第2主成分，……第m(m≤p)個主成分。

(5)計算基于主成分的輸入變量數(shù)據(jù)矩陣z，

步驟三為運用故障聚類模型，即利用基于遺傳算法的可變K均值算法進(jìn)行聚類分析。

步驟四為故障解釋機制，即將風(fēng)電故障分析結(jié)果與故障數(shù)據(jù)庫或?qū)＜抑R庫進(jìn)行比對，得到最終故障類型的分析結(jié)果。

步驟五為將結(jié)果顯示在人機交互界面上。

上述過程為對故障數(shù)據(jù)聚類分析主過程。

圖2是故障信息聚類分析模型，即基于遺傳算法的可變K均值算法具體操作圖。步驟如下：

步驟一為用PCA進(jìn)行故障信息的數(shù)據(jù)預(yù)處理。

步驟二為進(jìn)行染色體編碼設(shè)計和適應(yīng)度函數(shù)設(shè)計。由于風(fēng)電機組葉片故障具有多維度，數(shù)量大的特點，因此，為結(jié)合實際情況，本發(fā)明采用基于聚類中心的浮點數(shù)編碼。染色體結(jié)構(gòu)為其中K為基因的長度，為隨機產(chǎn)生的聚類中心的個數(shù)，為染色體第l+1位的基因，它有n個維度。x_l∈(1,2,...,c),l＝1,2,...,K。適應(yīng)度函數(shù)是用來評價個體，區(qū)別個體優(yōu)劣的標(biāo)準(zhǔn)。本發(fā)明的適應(yīng)度函數(shù)采用聚類中的目標(biāo)函數(shù)。

步驟三為初始化信息設(shè)定，包括種群生成和終止條件設(shè)定。其中，終止條件設(shè)定即為規(guī)定遺傳算法迭代次數(shù)，超過即終止。

步驟四為進(jìn)行選擇，交叉和變異操作，并結(jié)合K均值算法進(jìn)行聚類分析。

(1)選擇。為了保證適應(yīng)度函數(shù)越大的染色體保留到下一代的概率越大，本文采用了遺傳算法中經(jīng)典的輪盤賭算法選擇算子。具體做法如下：

1)進(jìn)行K均值操作，更新染色體；

2)根據(jù)適應(yīng)度函數(shù)，計算當(dāng)前種群染色體的適應(yīng)度，并記錄其中適應(yīng)度最大的個體；

3)再根據(jù)個體的適應(yīng)度值來計算各個體的選擇概率。

(2)交叉。隨機從種群中選擇M/2對染色體作為父代，對每對染色體，產(chǎn)生隨機數(shù)P(0＜P＜1)，當(dāng)＜P_c時，在兩個染色體i,j中隨機產(chǎn)生交叉點，對交叉點后的基因進(jìn)行交叉運算，并重新計算交叉后的染色體長度，直到所有個體進(jìn)行過交叉為止。

(3)變異。對每一個個體，每一個基因位，產(chǎn)生隨機數(shù)P，當(dāng)P＜P_m時，對該基因位進(jìn)行隨機變異運算，生成下一代種群。(其中P_m為交叉概率)。

步驟五為檢查染色體長度，當(dāng)染色體長度大于最大聚類個數(shù)時，將這條染色體從種群中刪去，否則執(zhí)行步驟七。

步驟六為以變異并通過檢查后產(chǎn)生的染色體基因為中心，重新確K值，進(jìn)行K均值聚類，然后用K均值聚類的結(jié)果來取代原來的染色體中的基因。同時，判斷是否滿足終止條件，即是否達(dá)到預(yù)先設(shè)定的遺傳算法迭代次數(shù)。若未達(dá)到，則重復(fù)到步驟四進(jìn)行選擇，交叉和變異，用K均值優(yōu)化個體。若到達(dá)，輸出結(jié)果。

以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書及其等效物界定。