论文部分内容阅读
在各种可再生能源之中,风能储量大分布广,成为了绿色能源发展的一块重要领域。然而,大型风力机的可靠性一直是一个困扰人们的问题。风力机在运行过程中难免会发生故障。这些故障发生在风力机的不同部位或者子系统中。风力机的故障或轻或重,对于严重的故障,风力机需要立即关停检修,以免造成更大的损失。对于轻微的故障,在没有及时处理的情况下也会愈演愈烈,逐渐发展为严重故障。这给风力机的健康运行带来了很大负面影响,也加大了风力机的运维成本。人们希望能够监测风力机的各种信号参数变化,及时诊断其是否发生了故障,故障的严重程度如何。如今,风力机的故障检测成为了风力机领域的一个研究热点。风力机的故障检测方法,按照原理可分为模型方法与数据方法两种。模型方法依赖于系统建模,它的检测精度高,但是鲁棒性较差。数据方法只依赖数据,因此鲁棒性较好,但检测精度往往不够高。本课题选择研究基于数据驱动的故障检测方法,主要是考虑到该方法在不同类型风力机上部署时具有较好的鲁棒性。同时,本课题设计一种基于机器学习的故障检测算法,来提高数据方法的检测精度。本课题的最终目标,是设计一种既具有高检测精度又具有鲁棒性的风力机故障检测方法。为完成这个目标,本课题的工作主要有两点:1.为了训练和验证基于数据的故障检测方法,需要基于开源软件FAST搭建风力机故障检测仿真平台。该仿真平台可以按照需求改变风力机外部载荷环境以及风力机自身的各项参数。以此来验证本课题所设计的故障检测方法,在不同外部条件下、不同类型的大型风力机上的表现。此外,为了得到与故障密切相关的特征信号,在该仿真平台内,研究者可根据风机系统知识构建新的特征信号、抑或是选择不同的滤波器去处理得到的特征信号。2.在得到故障检测仿真平台后,设计一种基于数据驱动的、组合随机森林与XGBoost的故障检测方法。该方法在检测故障时及时、准确。同时,该方法在不同类型的风力机模型上进行仿真实验时,都需要具有良好的表现。该方法在面对多维的特征信号输入时,有抗干扰的能力。它能够在多维输入中,选出与故障最为相关的特征信号。此外,基于支持向量机的故障检测方法在本课题中,会被设置为参照组,与本课题设计的组合方法进行对比。在大型风力机故障检测仿真平台上,使用本课题所设计的组合方法进行仿真实验后,能得出以下几点结论:1.该组合方法具有较强的鲁棒性。在陆上风力机、单桩式海上风力机以及半潜漂浮式风力机模型上进行部署时,组合方法都拥有优秀的表现。2.本课题使用随机森林方法对大型风力机仿真平台产生的特征信号进行了重要性排名。仿真结果表明,特征筛选对故障检测的准确率有明显的提升。而作为对照,基于支持向量机的检测方法在处理多维特征向量时,因为过拟合而存在着准确率较低的现象。因此,基于随机森林的特征筛选是提高本课题故障检测方法表现的重要环节。3.在使用随机森林进行特征降维后,本课题使用XGBoost进行模型训练。而仿真实验结果表明,XGBoost能够让模型的预测能力进一步提高。4.将本课题所设计的组合方法与其他研究团队的检测方法进行对比后,可以发现,与其他优秀的数据方法相对比,本课题所设计的数据方法在检测精度上有了明显的提高。但是相较于优秀的模型方法,本课题在检测的及时性和稳定性上还尚有改进的空间。