風機葉片在線健康監測系統研究

王致杰　王鴻

摘要：本文首先介紹了風機葉片的材料、結構、故障機理、故障誘因及故障類型，總結了支持向量機技術的理論和故障建模基礎，從而論證支持向量機應用在風機葉片在線監測的可行性，最后確定支持向量機風機葉片在線監測的故障特征值，并根據風機葉片在線監測的現狀給出了支持向量機診斷的過程。

關鍵詞：風機葉片；在線健康監測；支持向量機

中圖分類號：G642.0 文獻標志碼：A 文章編號：1674-9324（2017）49-0098-02

一、引言

本文選擇支持向量機處理系統采集的數據，實現故障的診斷。因為支持向量機只需要有限的樣本信息，就能夠實現準確而高效的診斷，很好的解決了風機葉片故障樣本小的困難。SVM的主要思想可以概括為兩點：（1）針對線性可分情況進行分析，對于線性不可分的情況，通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉化為高維特征空間使其線性可分，從而使得高維特征空間采用線性算法對樣本的非線性特征進行線性分析成為可能；（2）它基于結構風險最小化理論之上在特征空間中建構最優分割超平面，使得學習器得到全局最優化，并且在整個樣本空間的期望風險以某個概率滿足一定上界。

二、風機葉片故障特征信號的選取

傳統的風機故障特征信號是采集風機關鍵組件的振動信號，然后對振動信號進行特征提取、過濾等技術處理之后作為支持向量機的輸入，現在比較常用的風機葉片故障診斷方式是獲取葉片裂紋的聲發射信號，進而進行特征提取和分析處理。

但是對于ZigBee采集網絡來說，采集葉片的振動信號或者聲發射信號是不可行的，這是因為：①采集節點的安裝方式決定了振動傳感器只能安裝在可抽拉板上，采集抽拉板的振動信號與葉片表面裂紋沒有直接關聯。②ZigBee采集網絡之所以能夠在封閉的風機葉片內部不靠外部電源獨立運行，就是因為其具有較低的功耗、較長的生存周期。如果采集的是振動信號或者聲發射信號，為了保證信號有效性，一般要求其采集頻率要達到1MHz左右，也就是1秒需要連續采集1萬個數據，這樣就無限的增加了采集網絡的負擔，導致整個網絡過早由于能量耗盡而癱瘓。

本文為了實驗操作的可行性，簡化了風機葉片的故障類型，選取了三種具有明顯特征的故障進行實驗和驗證，分別是蒙皮開裂、前緣開裂、后緣開裂。根據這三個故障類型本文主要選取以下特征量進行采集：（1）聲音：葉片的異常噪音通常是由于表面不平整或葉片邊緣不平滑造成。葉片蒙皮開裂、前緣開裂或者后緣開裂故障時，在葉片高速轉動時都會發出尖銳的風哨聲。所以選擇采集聲音的音量作為一個特征量，這里的音量又分為前緣音量和后緣音量，以定位故障點。（2）溫度：葉片遭到雷擊的過程上面進行了詳細的闡述，當接閃器接閃不充分或者接閃點偏離則有可能會產生雷電流閃絡導致葉片內部局部空氣高溫膨脹，引起內爆。所以采集溫度可以及時反映葉片的雷擊損傷，這里也是分為前緣和后緣溫度。（3）濕度：風機葉片是一個封閉的結構（葉尖處有排雨孔），如果葉片沒有損傷，葉片內部的濕度不會很高，即使是在沿海等潮濕的環境。但是前緣開裂和后緣開裂指的是葉片的上下蒙皮粘合處開裂，如果出現前后緣開裂的情況，在潮濕的環境下，葉片內部的濕度就會上升，在下雨的時候也可能會漏雨。同樣濕度也分為前緣和后緣濕度。（4）光亮度：同樣是前緣和后緣開裂，會導致葉片開裂出現漏光。

三、支持向量機葉片故障診斷過程

風機葉片故障目前還沒有公開的可供參考的數據，對于運行的風機葉片發出的聲音的判斷，即使是正常的葉片，可能風電場風力的不同，或者其他環境因素的影響都會導致風機葉片發出的聲音不同，這樣就無法設置一個固定的閾值進行判斷，支持向量機也無法識別這種同一種狀態下輸入卻隨時變化的情況。針對這種情況，本文將采集的數據進行歸一化處理。下面給出數據歸一化的推導過程：假設風電場有n臺風機，并且對其進行編號1-n，其中第i臺風機表示為X，X、X、X？分別為第i臺風機的1、2、3號葉片（以三葉片風機為例），而安裝在第i臺風機1號葉片中的第j號采集節點則表示為x（j）。圖1為風機三層編號示意圖。

按照上面的設定，最后獲得的特征值是：

I（j）= （1）

其中，I是歸一化之后的特征值；x（j）=max{x（j）}；x（j）=min{x（j）}，1≤i≤n，1≤k≤3，1≤j≤m，i代表風機編號，k是葉片編號，j是采集節點編號，n和m分別代表風機個數和單個葉片安裝采集節點的個數。

獲取特征值之后，系統將特征值輸入到支持向量機進行處理，最后獲得故障代碼后返回到上位機，上位機同時根據特征值對應的節點位置，對故障進行定位輸出。圖2給出了支持向量機風機葉片診斷的一般過程。

四、結論

本文最后詳細介紹了支持向量機的故障診斷過程，確定選用支持向量機作為系統的故障診斷方法，同時闡述了風機葉片故障診斷的特征信號和特征值獲取的過程。

參考文獻：

[1]QibinLiu，MinlinYang，JingLei，etal.Modeling and optimizing parabolic trough solar collector systems using the least squares support vector machine method[J]. Solar Energy，2012，（7）：1973-1980.

[2]YingqunXiao，LiangguiFeng.A novel linear ridgelet network approach for analog fault diagnosis using wavelet-based fractal analysis and kernel PCA as preprocessors[J].Science China Information Sciences，2011，（3）：2251-2269.

[3]石志標，宋全剛，馬明釗，等.基于改進粒子群優化支持向量機的汽輪機組故障診斷[J].動力工程學報，2012，（06）：454-457endprint