青年科学基金项目申请书撰写提纲由刀豆文库小编整理，希望给你工作、学习、生活带来方便，猜你可能喜欢“国青基项目申请书”。
基于数据的风力发电系统故障诊断关键技术研究
---基金项目申请书
1、项目的立项依据（研究意义、国内外研究现状及发展动态分析，需结合科学研究发展趋势来论述科学意义；或结合国民经济和社会发展中迫切需要解决的关键科技问题来论述其应用前景。附主要参考文献目录）
本项目以提高风力发电系统安全性，降低成本为导向，利用风力发电系统的海量采集数据，研究基于数据的风力发电系统的故障诊断理论，主要针对海量数据的预处理技术、基于实时在线数据的分割与模式识别、风力发电系统的集成故障诊断及预诊断理论等关键问题做深入研究。1.1 研究意义
风电能源是世界上发展最快的可再生能源，已经成为解决世界能源问题不可或缺的重要力量[1]。在我国，风力发电在电力系统中的比重在不断增大，将在2020年实现15%的份额，成为继火电、水电后的第三大能源[2]。然而随着风力发电机组容量的不断增长，系统结构日益复杂，不同部件之间耦合更加紧密，一个微小的故障可能传播成灾难性的大故障，引起风电机组停机，甚至直接导致风电机组损坏，造成巨大的经济损失。如2004年Horns Rev海上风电场多台风机出现电机失效故障，直接导致了其供应商该年近4000万欧元的亏损。在实际的风电场运营过程中更换一根价值5000美元的轴承，导致超过25万美元的维修费用，其中还不包括发电机组停机所带来的发电量损失。有研究表明，目前风机的维护费用占总成本的25% ~ 30%[3]。对于一个运行超过20年的风机，其维护成本占整个风场成本的10-15%，海上风机的维修甚至达到20-25%[4]。
风力发电系统往往安装在偏僻的、难以接近的或者气候不适合人类长期逗留的地域，长期以来，一直采用计划维修和事后维修的方式。计划维修在运行2500小时或者5000小时后进行例行维护，无法全面及时地了解设备状况；事后维修则更是维修工作旷日持久，损失重大。利用有效的设备监测和故障诊断手段，能对风电机组运行中的各个参数进行连续监测，实时获取反映风电机组运行状态的各种信息，在对各种信息进行分析处理后，给出设备运行的状况报告和诊断结果，并根据诊断结果安排合适的检修计划，从而可减少约75%的设备事故率，降低25%-50%的维修费用，获利投资比高达17:1，在大大提高风机的安全性的同时，有效降低风力发电的成本[5]。
故障诊断技术是为了适应现代工程需要而形成的一门多种学科交叉的应用型边缘学科，经过40多年的飞速发展，已经建立了相对完整的理论体系，并逐渐跨入了实用化的时代[6]。当前的研究方法主要有三类：基于解析模型的方法、基于定性经验知识的方法、基于数据驱动的方法[7]。基于解析模型的方法如参数估计法[8]、状态估计法[9]、等价空间法[10]等，适用于能建模、有足够传感器的“信息充足”的系统，需要过程较精确的定量数学模型，而要建立过程的数学模型则必须要了解过程的机理结构。但是实际风力发电系统包括齿轮箱、驱动链、主轴、发电机、叶片等部件，由于风的随机性，系统规模大，不确定性因素多，过程复杂，具有非线性、时变、变量耦合、时间相关性、间歇性等特性，难以建立精确的过程模型及故障模型[11]。基于定性经验知识的方法如专家系统、符号有向图等适用于不能建立机理模型，传感器不充分的“信息缺乏”的系统，但其更适合具有较少输入、输出或状态变量的系统，对于具有海量数据的系统则使用成本过高[12]。风力发电系统时刻产生着反映过程运行机理和运行状态的数据，这些海量数据通过监控及数据采集系统（SCADA）及多个传感器，以简便的方式进行储存，数据中蕴含着风机状态的各种信息，如温度信息、振动信息、速度信息等。如果利用这些离线或在线数据，通过适当有效的分析与提取，将能够在难于建立受控系统准确的机理模型条件下，实现风力发电系统的故障监测、识别与预测，完成风电系统的优化控制与评价，这种基于数据驱动的故障检测、诊断与辨识技术正处于学术界和工业界全面重视的阶段，是一个热门的研究领域[13]。因此本项目针对风力发电系统，研究基于数据的可靠的故障诊断技术，实时检测风力发电系统的状态，进行其故障识别并提前预报，对推进风电市场化进程具有重大的现实意义，也体现了故障诊断技术的发展前沿。1.2 国内外研究现状
在风电机组故障诊断领域，由于大规模风力发电技术起步较晚，且较长时间得不到各国政府的重视，因此发展较为缓慢。早期的风电机组大多采用计划维修方式，设备运行到出现故障时才进行停机维修。随着风电机组容量的增大，故障后维修造成了巨大的运营成本，使得预防性维修走入人们的视野。预防性维修是让风电机组运行2500小时或5000小时后再进行常规维护。这种维修方式大多依赖技术人员长期积累的经验，主观成分较多，而且会有维修过剩和欠维修等情况出现[14]。
近几年来随着能源问题的突出，风力发电由于具有多种优势而引起了世界范围的广泛重视，风电产业随之而蓬勃发展。风电机组故障诊断技术作为一种可以有效降低运营成本，提高设备可靠性的手段，逐渐引起了学术界的关注。风机的故障诊断是通过适当的变换、处理，从状态信号中提取与故障有关的特征信息，判断风机当前状态，诊断并隔离已发生的或将要
发生的严重影响系统性能的故障[15]。文献[16]从风电机组的可靠性研究出发，指出了状态监测和故障诊断的必要性并提出了适用的诊断方法。文献[17]总结了近年来学术界在风电机组故障诊断研究领域提出的各种新方法。Daneshi[18]则对其进行了补充，重点讨论了风机状态检测和故障诊断中的电气测量与信号分析方法。(1)风力发电系统故障诊断中故障检测研究综述
风力发电系统中，目前其典型的故障检测方法是振动检测[19]，通过在发电机、齿轮箱和主轴上安装振动传感器，基于风机的参数对故障状态进行分类。假定变速发电机是线性的，Bennouna[20]针对双馈风力发电机(DFIG)，实现发电机系统的异常参数检测。文献[21]通过双馈感应发电机的测量电流实现了定子和转子故障的有效诊断；Shahram[22]等通过测量网侧变换器的电流实现风力发电系统中电力电子器件的故障诊断。最近的文献提出[23]，发电机是机电耦合设备，在不停机的情况下利用其输出功率可以实现风机电气和机械故障的监测与识别。与传统的振动监测方法相比，该方法减少了传感器的数量，降低了测量成本。但是在风机中，电力电子器件的存在导致测量信号的信噪比低，实际应用中所提出的技术存在大量问题[24]，为此文献[25]提出了有效的解决方案。这种方法成本高，难实现，且由于风机总是运行于噪声、电磁干扰等环境，故障信息混杂在大量干扰信号中，振动状态的阈值很难确定，导致实际操作中会出现大量的误报警[26]。(2)风力发电系统故障诊断中故障识别研究综述
在风力发电系统的故障识别中最著名的方法是快速傅立叶变换（FFT）。迄今为止，大多数风力发电系统的故障诊断均采用傅立叶变换，由于信号的非平稳特性，它主要应用在定速风机的故障诊断中[27]，如文献[28] 将ZFFT用于感应发电机，对风力发电系统的发电机振动进行了研究；文献[29]讨论了双馈感应发电机的定子绕组短路故障的诊断，采用短时傅立叶变换或窗口傅立叶变换（STFT），从时间信号中计算得到光谱图，用于分析风机转子的不平衡和定子的短路故障。文献[30]通过检测一些统计量如均方根的变化进行齿轮箱故障的检测，当其变化超过某一阈值时便可判定有故障出现。然而在不同的系统中该阈值亦不相同，很难确定其鲁棒值。文献[31]通过电机终端的功率谱密度来分析叶片的不平衡和缺陷(利用双相干和归一化双谱技术)。由于风机的变速驱动，其电气和机械信号在时域和频域内都是非平稳信号，极大地限制了频谱分析法的使用。(3)风力发电系统故障诊断中数据处理研究综述 小波变换具有多分辨率分析的特点，在时域和频域都有表征信号局部特征信息的能力，是解决非平稳振动信号的有用工具，小波包变换则能进一步实现对高频信号的解耦。在文献
[32]中，输出功率的连续小波变换可用来监测齿轮箱和发电机的主轴故障，同时也可以进行同步发电机的转子不平衡和感应发电机的转子电气不平衡；文献[33]对解调的电流信号实施离散小波变换，达到降噪和移去干扰的目的，最后利用某一特定层次的频谱来诊断齿轮故障。Yang[34]和Huang[35]等采用小波神经网络，对齿轮箱和永磁直驱式风力发电机的驱动链故障进行振动测量和谱分析，实现故障分类。由于轴承缺陷信息可以调制于定子电流中，考虑变速引起的轴承故障频率变化，通过小波包变换监测轴承缺陷。Watson[36]等采用FFT和小波变换技术利用功率信号检测发电机转子不平衡以及轴承故障。Durovic [37]用速度检测短路绕组，并采用小波分析研究了绕组短路故障。文献[38]对小波变换进行了改进，针对不同时频结构采用不同类型的小波，提出了一种自适应Morlet小波滤波器进行齿轮箱断齿的诊断；Wang[39]采用离散小波变换进行噪音消除，采用连续小波变换实现故障特征的提取，有效地实现了风力发电系统中驱动链的故障诊断。然而以上的研究中均假定小波系数是独立分布的变量，事实上各子带之间的小波系数在各分解层内部与分解层之间是具有一定的相关性的。
在国内，东北大学柴天佑院士、清华大学王桂增、萧德云教授、周东华教授在故障诊断技术的研究与应用方面做出了重大贡献；基于他们的研究成果，浙江大学、华北电力大学、上海交通大学等在风力发电系统的故障诊断领域做了深入的研究工作。项目课题组多年来从事与风力发电系统的优化控制及可靠性相关的研究，提出了基于分离原理的风力发电系统的双频环控制结构[40-45]在机电设备的故障诊断领域，针对一类非线性系统，基于神经网络，提出了Wiener多故障检测方法，相关研究成果发表在《计算机集成制造系统》、《东南大学学报》及《系统仿真学报》等刊物[46-48]。1.3 存在的问题
在最近的研究文献中指出，采用谱分析和小波变换的故障诊断技术均归属于基于数据的方法，已经广泛地应用到风力发电系统中，在其研究中仍存在以下待解决的关键问题：(1)风机是一个复杂的系统，其数据不仅包含的变量多，而且各个变量间还存在着耦合作用。虽然数据的实时性得到了一定的保证，但是由于风力发电系统自身的特点，系统总是存在一定的延迟和滞后，在海量数据的收集和传输过程中，无法回避噪声信号的影响。而随着传感器和检测技术的快速发展，数据源变得越来越庞大，传统的数据分析方法过分强调了数据的统计，忽视了数据所体现的主要知识。因此如何对所获取的数据进行有效预处理，是实现故障诊断的基础。
(2)离线历史数据含有大量的系统运行机理知识和运行规律，而在线数据反映了最新的数据变化。目前的方法大都基于历史数据进行分析，这对于复杂的风力发电系统而言阻碍了
诊断方法的实时更新。基于在线数据的分析理论是实现实时故障诊断与分类的关键。(3)在风力发电系统的故障诊断的研究工作中，均为假设故障已知的情况，对于集成故障诊断及预诊断的有效策略并未涉及。从发展和经济的角度考虑，实现多源数据风力发电集成的故障诊断与预诊断具有光明的应用前景。
(4)将基于数据驱动的故障诊断技术应用到大型复杂的风力发电系统中去，以实现其工程化也是先进的故障诊断技术在实际应用中亟待解决的重要问题。
因此，本研究项目以提高风力发电系统安全性、降低其运行成本未目标，基于数据驱动思想，深入开展风力发电系统的故障诊断的关键技术研究工作，以期促进风力发电系统故障诊断的智能化。主要包括三个方面的研究工作：（1）通过分析SCADA数据，研究海量数据的预处理技术，实现数据的降噪、分类和特征提取，从而获得有用的信息与知识，是故障诊断的重要基础；（2）针对风力发电系统的非线性和非平稳性，利用实时采集的数据变化，提出基于希尔伯特-黄变换(HHT)的模式识别算法，对获得的数据进行特征归约，根据分类任务评估每个属性的贡献或显著性，提取诊断规则，对预处理后的故障信息进行属性归约；（3）将基于分析模型、基于经验知识与基于数据的方法融合，构架风力发电系统故障诊断及预诊断方案，集成多个数据源，实现系统级的故障诊断，并形成风力发电系统智能化故障诊断理论体系。主要参考文献：
[1] Z.Hameed, S.H.Ahh, Y.M.Cho.Practical aspects of a condition monitoring system for a wind turbine with emphasis on its design, system architecture, testing and installation.Renewable Energy, 2010(35): 879-894.[2] 中国可再生能源中长期发展规划.中国国家发展改革委员会, 2007.[3] World Wind Energy Aociation.World wind energy report.World Wind Energy Aociation Home Page, 2010.[4] Y.Amirat, M.E.H.Benbouzid, E.Al-Ahmar et al.A brief status on condition monitoring and fault diagnosis in wind energy conversion systems.Renewable and Sustainable Energy, 2009(13): 2629-2636.[5] 黄树红, 李建兰.发电设备状态检测与诊断方法.北京: 中国电力出版社.2008.[6] 李晗, 萧德云.基于数据驱动的故障诊断方法综述.控制与决策, 2011, 26(1): 1-9.[7] 周东华, 胡艳艳.动态系统的故障诊断技术.自动化学报, 2009, 35(6): 748-758.[8] Bagheri F, Khalooazaded H.Stator fault detection in induction machines by parameter estimation using adaptive Kalman filter.Proceedings of 2007 Mediterranean Conference on Control and Automation.Piscataway: IEEE, 2007:1-6.2．项目的研究内容、研究目标,以及拟解决的关键科学问题。（此部分为重点阐述内容）
2.1 研究内容
（1）故障检测及数据处理算法研究
根据风力发电系统状态数据动态性和噪声多等特点，分析系统状态的变化对测量数据序列的影响，考虑背景噪声，提出一种基于辅助白噪声经验模式分解技术，利用正态分布白噪声在经验模式分解中具有的二进尺度分解特性，有效抑制常规经验模式分解降噪算法中产生的模式混叠现象，对初始信号进行预处理，正确去除随机噪声干扰和奇异值，以实现对有效数据的筛选，完成故障的检测。（2）数据分类与故障识别算法研究
根据风力发电监控系统中状态数据变量多、数据量巨大的特点，为了更好地挖掘潜在规律和进行时态模式预测，基于希尔伯特-黄变换(HHT)，研究数据的分类与在线数据分割算法，实现对数据突变点的检测，即系统异常行为的检测，完成对数据属性子类的选择或特征规约，并对数据进行相关分析。（3）风力发电系统故障诊断的系统构建
在以上研究内容的基础上，综合基于解析模型、基于定性经验知识和基于数据的故障诊断技术的优势，提出集成故障诊断方案，构建风力发电系统的系统级故障诊断系统架构。
2.2 研究目标
围绕提高风力发电系统安全性、降低其运行成本的主题，基于数据驱动思想，分析风力发电系统海量SCADA数据，基于辅助白噪声经验模式分解方法，利用正态分布白噪声在经验模式分解中具有的二进尺度分解特性，研究数据的预处理方法，有效消除背景噪声的影响；针对风力发电系统的非线性和非平稳性，利用实时采集的数据变化，提出基于希尔伯特-黄变换(HHT)的模式识别算法，对获得的数据进行特征归约，根据分类任务评估每个属性的贡献或显著性，提取诊断规则，对预处理后的故障信息进行属性归约；将基于分析模型、基于经验知识与基于数据的方法融合，构架风力发电系统故障诊断方案，集成多个数据源，实现系统级的故障诊断，并形成风力发电系统智能化故障诊断理论体系。总结研究结论，为有效实现风机的早期故障诊断与维护提供理论依据，从而为大大降低风力发电成本，极大地促进其工程化和民用化进程奠定坚实的基础。
2.3 拟解决的关键问题
(1)海量实时和历史数据的获取，以及各故障信息在数据中的特征体现。
(2)风力发电系统集成故障诊断方法中，由于不同的传感器具有不同的采样速率，以及不同传感器固有延迟和通信延迟，因此多源异步数据状态/参数的融合估计问题。这也是本课题需要解决的关键问题之一。
3．拟采取的研究方案及可行性分析。（包括有关方法、技术路线、实验手段、关键技术等说明）
基于数据的风力发电系统的故障诊断过程如图1所示：
历史数据来自传感器的海量数据数据预处理故障识别故障诊断与决策报警或维护
图1 基于数据的风电系统故障诊断过程
(1)风的随机性带来传感器测量数据的不稳定性，从而导致风力发电系统状态数据动态性强、噪声多、非平稳特征明显、蕴含着大量丰富的故障征兆信息。因此数据的降噪及预处理是大量传感器数据处理中的重要步骤。课题组前期的研究成果“小波域空间自适应图像消噪”[光学技术]指出，虽然小波变换技术在信号消噪中取得了广泛应用，但是基于小波的非线性去噪值准则中，均假定了小波系数是独立同分布变量，事实上各子带的小波系数具有较强的相关性，这严重影响了小波理论的降噪效果。而经验模式分解（EMD）是一种完全基于数据驱动的自适应分解方法，将信号从高频至低频分解为有限个具有物理意义的固有模式函数及趋势项之和，在非平稳信号分解和重构的降噪处理方面比小波等方法更为有效。课题通过引入正态分布的白噪声在EMD中具有的二阶时间分解特性及不同白噪声序列对应的IMF之间的无关性，一方面为分析信号提供均匀的分解尺度，同时平滑脉冲干扰等异常事件，使异常事件模式在EMD分解过程中混入到白噪声模式中，可以很大程度上抑制异常事件模式和信号振动固有模式的混叠，更好地凸现真实信号的特征。有望解决研究内容(1)。
(2)根据风机状态数据变量多、数据量巨大的特点，同时考虑在线数据所体现的系统状态变化，基于希尔伯特-黄变换(HHT)，实现数据的数据的分类和在线分割。HHT是基于经验分解的信号处理方法，与傅立叶和小波变换不同，它自适应将信号分解成本征模式函数(IMF)，IMF完全源于信号本身，非常适用于如风力发电系统等非线性和非平稳的过程分析。基于给定训练数据内部的等价类，发现不准确数据或噪声数据内的结构联系，对获得的数据进行属性子类选择，即特征归约，识别和删除无助于给定训练数据分类的属性以及相关分析，根据分类任务评估每个属性的贡献或显著性，提取诊断规则，对预处理后的故障信息进行属性归约，即根据诊断任务去除不相关的属性，解决研究内容(2)。
(3)基于数据的风力发电系统的故障诊断要求连续检测各种故障信号以确保系统的不间断运行，因此系统需要有足够的灵活性以便针对不同的传感器采用多种数据分析技术，实现多数据源和多模型的故障诊断任务。采用多信息融合技术，集成故障诊断的3大类方法以实现系统故障诊断的智能化，体现了目前基于数据的故障诊断技术的一个新的研究方向。由此，设计风力发电系统集成故障诊断方案如图2所示：
解析模型的方法基于数据的方法基于知识的方法集成故障诊断方案确定决策层融合特征层融合数据层融合多源数据信息图2 风力发电系统集成故障诊断方案
该方案中，故障诊断过程分为3层，即数据层、特征层和决策层。数据层对多速率传感器的数据进行分析处理，对系统的状态、参数进行融合估计，从中获取诊断所需要的特征参数；特征层利用信号处理技术，对数据层的结果进行分析，实现特征提取；决策层针对不同的诊断对象，利用智能诊断技术做出最终的诊断结果。基于解析模型、数据和知识的3大类方法刚好对应于此数据级、特征级和决策级的3个功能层次，有效地实现了不同方法的集成。
(4)风力发电系统故障诊断的工程化。作为中国未来规划中的7大主要风力发电区域之一，位于东部沿海的江苏省具有较大的风力资源，并已规划实现10GW的海上风力发电的容量，在2020年总的风力发电能源将达到281TWh。无锡市充分利用国家和江苏省对风电产业的鼓励政策，瞄准国际风电产业的前沿，以建成全国和江苏省风电产业的集聚区和国内
风电装备研发检测中心为目标，加大对风电产业的投入，在大力扶持风电企业的同时，充分发挥以江南大学等重点在锡高等院校和科研院所的作用，深化拓展产学研的全面合作，建立了江南大学“绿色能源”重点实验室，为本项目的工程化奠定了坚实的基础。
4．本项目的特色与创新之处。
(1)随着风场规模的不断扩大，风力发电系统越来越复杂，传统的基于模型的故障诊断技术变得越来越困难。但是风场通过各种传感器获得了海量风机运行数据。基于海量数据，采用数据驱动思想，实现风力发电系统的故障诊断是本课题的特色之一。
(2)通过引入正态分布的白噪声在EMD中具有的二阶时间分解特性及不同白噪声序列对应的IMF之间的无关性，提出基于辅助白噪声的经验模式分解技术，很大程度上抑制异常事件模式和信号振动固有模式的混叠，更好地凸现真实信号的特征。这是本课题的特色之二。
(3)采用多信息融合技术，集成故障诊断的3大类方法以实现系统故障诊断的智能化，体现了目前基于数据的故障诊断技术的一个新的研究方向，是本课题的特色之三。
5．年度研究计划及预期研究结果。（包括拟组织的重要学术交流活动、国际合作与交流计划等）
5.1 研究计划
2012年度
1月-6月:
查阅有关资料，在以往研究和文献的基础上，搜集风电场的大量传感器数据，对数据进 行整理、分类。
7月-12月: 研究基于辅助白噪声经验模式分解技术，并完成数据的降噪预处理，为后续工作打下基础。计划安排2人次国内学术交流。
2013年度
1月-6月:
在上述工作基础上，基于希尔伯特-黄变换(HHT)，实现数据的数据的分类和在线分割。并将其用于风电系统海量传感器时间序列数据的特征规约，提取诊断规则。
7月-12月:
研究基于约束的数据挖掘技术并将之应用到风电系统，对异常数据模式进行挖掘，实现风电系统的故障识别。安排国际学术交流活动1人次，国内学术交流1人次。
2014年度
1月-6月:
融合基于模型、基于数据和基于知识的方法，构建集成故障诊断系统，实现故障决策与
预报，并进行工程化研究。
7月-12月: 总结研究成果。安排国际或国内学术交流活动1人次，撰写项目总结报告。
5.2 预期研究成果
(1)提出基于辅助白噪声经验模式分解技术，并实现风力发电系统海量数据的降噪处理，提纯数据。
(2)采用希尔伯特-黄变换(HHT)理论完成风力发电系统传感器时间序列数据的特征规约，并提取诊断 规则。
(3)提出风力发电系统集成的故障诊断及预诊断策略，实现风力发电系统的故障决策及预报。
(4)在国内外重要学术刊物上发表相关研究论文6-8篇，申报国家发明专利1 项，培养研究生6人。
