CN109000921A - 一种风电机组主轴故障的诊断方法 - Google Patents

Abstract

本发明提出了一种风电机组主轴故障的诊断方法，包括振动信号采集、VMD变分模态分解、敏感因子评估、信号重构、VPMCD故障诊断，通过对风机振动信号进行VMD分析，将信号分解成一组不同频率的模态分量，由于故障特征通常只出现在特定的频段，因此采用敏感因子对模态分量进行评估分析，筛选包含故障特征的分量，排除噪声干扰分量，进而重构信号，凸显故障信息；然后提取重构信号的特征值构成特征识别向量，结合VPMCD方法通过建立特征值内在关系进行故障诊断，避免了传统分类器主观参数选择和寻优过程，缩短了故障诊断时间。

Description

一种风电机组主轴故障的诊断方法

技术领域

本发明涉及故障诊断技术领域，尤其涉及风电机组主轴故障诊断，具体涉及一种风电机组主轴故障的诊断方法。

背景技术

随着我国对非化石能源着重发展，风力发电的装机容量逐年增长。其中，直驱风力发电机因发电效率高、维护成本低、电网接入性能优异等优点，逐步成为主流趋势。然而，由于风电场多位于恶劣环境，运行工况复杂，导致机组运行部件容易损坏，尤其是主轴发生故障，如果未能及时发现处理，将直接引起停机事故，造成巨大损失。因此，近年来很多学者对风机主轴故障诊断进行深入研究，取得了丰富成果。有的利用经验模态分解(empiricalmode decomposition，EMD)实现风电机组滚动轴承故障特征的提取；有的将局部均值分解(local mean decomposition，LMD)和近似熵结合，对滚动轴承故障类型进行分类；有的针对LMD方法的模态混叠问题，加入自适应高频谐波，成功提取轴系的不平衡故障特征。EMD和LMD方法均属于递归模式分解，这种分解模式存在端点效应，导致包络发生形变，造成分解的不准确，成为此类方法分析处理信号的局限。

发明内容

为了解决上述的技术问题，本发明提供一种风电机组主轴故障的诊断方法，其目的在于，提供一种能够自动识别主轴故障类别的诊断方法，解决故障诊断过程中分类不准确的问题。

本发明提供一种风电机组主轴故障的诊断方法，包括：

步骤1，振动信号采集：

通过安装在风电机组主轴座上的传感器获取振动信号；

步骤2，VMD变分模态分解：

对所述振动信号进行VMD变分模态分解，得到多个不同频率下的模态分量；

步骤3，敏感因子评估：

计算每个模态分量的敏感因子，评估每个模态分量包含故障特征程度；

步骤4，信号重构：

剔除噪声干扰，重构信号，计算各重构信号的特征向量，构建模态分析向量；

步骤5，VPMCD故障诊断：

用预测模型对所述模态分析向量进行故障识别，计算主轴状态VPM的误差平方和，以最小值为判定进行分类识别；

其中，VMD为变分模态分解，VPMCD为变量预测模型的模式识别，所述主轴状态包括正常、外圈故障、内圈故障、滚动体故障。

作为本发明进一步的改进，步骤1中所述传感器为加速度传感器。

作为本发明进一步的改进，步骤2具体包括：

步骤201，将所述振动信号分解为K个单分量模态函数，所述单分量模态函数为限带内禀模态函数：

其中，f(t)为振动信号，u_k(t)为第k个限带内禀模态函数，第A_k(t)为包络线， 为相位函数，t为时间；

步骤202，估算每个单分量模态函数的频率带宽，建立变分约束模型：

其中，w_k为第k个单分量模态函数u_k(t)的中心角频率，{u_k}＝{u₁……u_K}，{w_k}＝{w₁……w_K}，为所有单分量模态函数的加和；

步骤203，将二次惩罚因子a和拉格朗日算子r引入变分约束模型，得到增广拉格朗日方程；

其中，a为二次惩罚因子，r拉格朗日算子；

步骤204，初始化u_k、w_k和r数值，采用交替方向乘子法不断迭代更新，找寻迭代优化序列中增广拉格朗日的鞍点，确定判定精度e₁，根据判定公式，对于满足该判定公式的情况，停止迭代输出K个模态分量。

作为本发明进一步的改进，所述判定公式具体为：

其中，取e₁＝1×10^-6。

作为本发明进一步的改进，步骤3具体为：

计算步骤2中获得的每个模态分量的敏感因子λ_k，

其中，δ_k＝β_k－α_k，其中α_k为模态分量和故障信号的相关系数，β_k为模态分量和正常信号的相关系数。

作为本发明进一步的改进，步骤4具体包括：

步骤401，利用排序方法对所述敏感因子λ_k由大到小进行排序，获取新的敏感因子序列λ′_k；

步骤402，根据敏感因子序列λ′_k，计算差值谱评估分量序列d_k，

d_k＝λ′_k+1-λ′_k；

步骤403，找出所述差值谱评估分量序列d_k的最大值d_j；

步骤404，通过前j个d_k对应的敏感因子λ′_k，找出对应的j个模态分量，叠加所述j个模态分量获得重构信号；

步骤405，根据重构信号，利用奇异值分解方法获得特征向量。

作为本发明进一步的改进，步骤401中所述排序方法为冒泡法或者鸡尾酒排序法或者基数排序或者希尔排序。

作为本发明进一步的改进，步骤5具体包括：

步骤501，将特征向量代入变量预测模型，所述变量预测模型为VPM_i：

X_i＝f(X_j,b₀,b_j,b_jj,b_jk)+e₂，

其中，b₀,b_j,b_jj,b_jk为模型参数；e₂为预测误差；

步骤502，计算各状态VPM的误差平方和，以最小值为判定进行分类识别。

作为本发明进一步的改进，所述模型参数是利用各故障类振动数据训练得到，所述预测误差为预先设定。

作为本发明进一步的改进，所述预测模型为线性模型或线***互模型或二次模型或二次交互模型；

所述线性模型为：

所述线***互模型为：

所述二次模型为：

所述二次交互模型为：

本发明具有如下有益效果：通过对风机振动信号进行VMD分析，将信号分解成一组不同频率的模态分量，由于故障特征通常只出现在特定的频段，因此采用敏感因子对模态分量进行评估分析，筛选包含故障特征的分量，排除噪声干扰分量，进而重构信号，凸显故障信息；然后提取重构信号的特征值构成特征识别向量，结合VPMCD方法通过建立特征向量内在关系进行故障诊断，避免了传统分类器主观参数选择和寻优过程，缩短了故障诊断时间。

附图说明

图1为本发明第一实施例中一种风电机组主轴故障的诊断方法的流程图；

图2为本发明第一实施例中敏感因子序列降序排列和敏感因子差值谱图；

图3为本发明第一实施例中不同状态信号样本的模态分析向量趋势图。

具体实施方式

下面结合附图，及具体实施例对本发明做进一步的详细描述。

实施例1，如图1所示，一种风电机组主轴故障的诊断方法，包括：

步骤1，振动信号采集：

通过安装在风电机组主轴座上的传感器获取振动信号；

传感器为加速度传感器，采样频率为10kHz，采样点数为1000点。

步骤2，VMD变分模态分解：

对振动信号进行VMD变分模态分解，得到多个不同频率下的模态分量；

其中，VMD为变分模态分解；

具体包括：

步骤201，将所述振动信号分解为K个单分量模态函数，所述单分量模态函数为限带内禀模态函数：

其中，f(t)为振动信号，u_k(t)为第k个限带内禀模态函数，第A_k(t)为包络线， 为相位函数，t为时间；

步骤202，估算每个单分量模态函数的频率带宽，建立变分约束模型：

其中，w_k为第k个单分量模态函数u_k(t)的中心角频率，{u_k}＝{u₁……u_K}，{w_k}＝{w₁……w_K}，为所有单分量模态函数的加和，δ(t)为单位脉冲信号；

步骤203，将二次惩罚因子a和拉格朗日算子r引入变分约束模型，得到增广拉格朗日方程；

其中，a为二次惩罚因子，设置二次惩罚因子a为默认值2000，r拉格朗日算子；

步骤204，初始化u_k、w_k和r数值，采用交替方向乘子法不断迭代更新，找寻迭代优化序列中增广拉格朗日的鞍点，确定判定精度e₁，根据判定公式，对于满足该判定公式的情况，停止迭代输出K个模态分量，

判定公式具体为：

其中，取e₁＝1×10^-6；

在步骤201之前，步骤2还包括：

步骤a，根据已知故障的传感器数据进行VMD分解，以外圈故障状态下的加速度传感器数据为例，通过观察不同K值下分量模态函数的中心频率变化情况，如下表所示：

从上表中可以看出，从第4个模态分量开始，中心频率趋于定值，表明样本之后出现了过分解现象，因此，外圈故障样本K值取4，同理可得其余状态样本K值，如下表所示，

步骤3，敏感因子评估：

计算每个模态分量的敏感因子，评估每个模态分量包含故障特征程度；

VMD分析得到的模态分量中，既有包含故障特征的有效分量，也有噪声等干扰分量。利用敏感因子对模态分量进行评估，提取有效分量；

计算步骤2中获得的每个模态分量的敏感因子λ_k，

其中，δ_k＝β_k－α_k，其中α_k为模态分量和故障信号的相关系数，β_k为模态分量和正常信号的相关系数，故障信号为外圈故障、内圈故障、滚动体故障状态时主轴的振动信号，所述正常信号为正常状态时主轴的振动信号；

计算各模态分量敏感因子幅值如下表所示，

步骤4，信号重构：

剔除噪声干扰，重构信号，计算各重构信号的特征向量，构建模态分析向量；

具体包括：

步骤401，利用排序方法对敏感因子λ_k由大到小进行排序，获取新的敏感因子序列λ′_k；

排序方法为冒泡法或者鸡尾酒排序法或者基数排序或者希尔排序，本实施例采用冒泡法对敏感因子序列降序排列，求取敏感因子差值谱，如图2所示，图中差值谱在第二个敏感因子处出现峰值，故选取降序排列前两个敏感因子对应的模态分量进行叠加，重构信号；

步骤402，根据敏感因子序列λ′_k，计算差值谱评估分量序列d_k，

d_k＝λ′_k+1-λ′_k；

步骤403，找出差值谱评估分量序列d_k的最大值d_j；

步骤404，通过前j个d_k对应的敏感因子λ′_k，找出对应的j个模态分量，叠加j个模态分量获得重构信号；

步骤405，根据重构信号，利用奇异值分解方法获得特征向量；

将重构信号分成4行，计算特征向量构成模态分析向量，如图3所示，不同主轴状态的信号样本模态分析向量趋势，可见不同主轴状态的特征向量反映特征分布不同。

步骤5，VPMCD故障诊断：

用预测模型对所述模态分析向量进行故障识别，计算主轴状态VPM的误差平方和，以最小值为判定进行分类识别；

其中，VPMCD为变量预测模型的模式识别，所述主轴状态包括正常、外圈故障、内圈故障、滚动体故障；

具体包括：

步骤501，将特征向量代入变量预测模型，变量预测模型为VPM_i：

X_i＝f(X_j,b₀,b_j,b_jj,b_jk)+e₂，

其中，b₀,b_j,b_jj,b_jk为模型参数；e₂为预测误差；

模型参数是利用各故障类振动数据训练得到，预测误差为预先设定。预测模型为线性模型或线***互模型或二次模型或二次交互模型；

线性模型为：

线***互模型为：

二次模型为：

二次交互模型为：

本实施例采用的线***互模型构建VPMCD识别模型，将各状态的训练样本的模态分析向量代入线***互模型，估算b₀，b_j，b_jj，b_jk共7个参数数值，得到每个特征向量对应的子模型构建各状态的VPMCD识别模型，其中，i表示状态类型，i＝1代表正常状态的VPM模型，2代表外圈故障，3代表内圈故障，4代表滚动体故障；k代表特征值，k＝1表示某状态第一个特征值的VPM模型，以此类推。

步骤502，计算计算各状态VPM的误差平方和，以最小值为判定进行分类识别；

计算各状态20组测试样本的模态分析向量，利用VPMCD识别模型识别，结果如下表所示：

结果显示，测试样本中，除了4组外圈故障样本，其余都被正确识别，累计识别率达到98.75％。

本发明具有如下有益效果：通过对风机振动信号进行VMD分析，将信号分解成一组不同频率的模态分量，由于故障特征通常只出现在特定的频段，因此采用敏感因子对模态分量进行评估分析，筛选包含故障特征的分量，排除噪声干扰分量，进而重构信号，凸显故障信息；然后提取重构信号的特征值构成特征识别向量，结合VPMCD方法通过建立特征值内在关系进行故障诊断，避免了传统分类器主观参数选择和寻优过程，缩短了故障诊断时间。

本领域的技术人员在不脱离权利要求书确定的本发明的精神和范围的条件下，还可以对以上内容进行各种各样的修改。因此本发明的范围并不仅限于以上的说明，而是由权利要求书的范围来确定的。

Claims (10)

1.一种风电机组主轴故障的诊断方法，其特征在于，包括：

步骤1，振动信号采集：

通过安装在风电机组主轴座上的传感器获取振动信号；

步骤2，VMD变分模态分解：

对所述振动信号进行VMD变分模态分解，得到多个不同频率下的模态分量；

步骤3，敏感因子评估：

计算每个模态分量的敏感因子，评估每个模态分量包含故障特征程度；

步骤4，信号重构：

剔除噪声干扰，重构信号，计算各重构信号的特征向量，构建模态分析向量；

步骤5，VPMCD故障诊断：

用预测模型对所述模态分析向量进行故障识别，计算主轴状态VPM的误差平方和，以最小值为判定进行分类识别；

其中，VMD为变分模态分解，VPMCD为变量预测模型的模式识别，所述主轴状态包括正常、外圈故障、内圈故障、滚动体故障。

2.根据权利要求1所述的诊断方法，其特征在于，步骤1中所述传感器为加速度传感器。

3.根据权利要求1所述的诊断方法，其特征在于，步骤2具体包括：

步骤201，将所述振动信号分解为K个单分量模态函数，所述单分量模态函数为限带内禀模态函数：

其中，f(t)为振动信号，u_k(t)为第k个限带内禀模态函数，第A_k(t)为包络线， 为相位函数，t为时间；

步骤202，估算每个单分量模态函数的频率带宽，建立变分约束模型：

其中，w_k为第k个单分量模态函数u_k(t)的中心角频率，{u_k}＝{u₁……u_K}，{w_k}＝{w₁……w_K}，为所有单分量模态函数的加和；

步骤203，将二次惩罚因子a和拉格朗日算子r引入变分约束模型，得到增广拉格朗日方程；

其中，a为二次惩罚因子，r拉格朗日算子；

步骤204，初始化u_k、w_k和r数值，采用交替方向乘子法不断迭代更新，找寻迭代优化序列中增广拉格朗日的鞍点，确定判定精度e₁，根据判定公式，对于满足该判定公式的情况，停止迭代输出K个模态分量。

4.根据权利要求3所述的诊断方法，其特征在于，所述判定公式具体为：

其中，取e₁＝1×10^-6。

5.根据权利要求1所述的诊断方法，其特征在于，步骤3具体为：

计算步骤2中获得的每个模态分量的敏感因子λ_k，

其中，δ_k＝β_k－α_k，其中α_k为模态分量和故障信号的相关系数，β_k为模态分量和正常信号的相关系数。

6.根据权利要求1或5所述的诊断方法，其特征在于，步骤4具体包括：

步骤401，利用排序方法对所述敏感因子λ_k由大到小进行排序，获取新的敏感因子序列λ′_k；

步骤402，根据敏感因子序列λ′_k，计算差值谱评估分量序列d_k，

d_k＝λ′_k+1-λ′_k；

步骤403，找出所述差值谱评估分量序列d_k的最大值d_j；

步骤404，通过前j个d_k对应的敏感因子λ′_k，找出对应的j个模态分量，叠加所述j个模态分量获得重构信号；

步骤405，根据重构信号，利用奇异值分解方法获得特征向量。

7.根据权利要求6所述的诊断方法，其特征在于，步骤401中所述排序方法为冒泡法或者鸡尾酒排序法或者基数排序或者希尔排序。

8.根据权利要求1所述的诊断方法，其特征在于，步骤5具体包括：

步骤501，将特征向量代入变量预测模型，所述变量预测模型为VPM_i：

X_i＝f(X_j,b₀,b_j,b_jj,b_jk)+e₂，

其中，b₀,b_j,b_jj,b_jk为模型参数；e₂为预测误差；

步骤502，计算各状态VPM的误差平方和，以最小值为判定进行分类识别。

9.根据权利要求8所述的诊断方法，其特征在于，所述模型参数是利用各故障类振动数据训练得到，所述预测误差为预先设定。

10.根据权利要求8所述的诊断方法，其特征在于，所述预测模型为线性模型或线***互模型或二次模型或二次交互模型；

所述线性模型为：

所述线***互模型为：

所述二次模型为：

所述二次交互模型为：