CN112948770B - 海上风机的信号平稳性检验方法、装置、终端设备和*** - Google Patents
海上风机的信号平稳性检验方法、装置、终端设备和*** Download PDFInfo
- Publication number
- CN112948770B CN112948770B CN202110282851.XA CN202110282851A CN112948770B CN 112948770 B CN112948770 B CN 112948770B CN 202110282851 A CN202110282851 A CN 202110282851A CN 112948770 B CN112948770 B CN 112948770B
- Authority
- CN
- China
- Prior art keywords
- signal
- sub
- statistic
- sample
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000007689 inspection Methods 0.000 title claims description 11
- 238000013112 stability test Methods 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 230000001133 acceleration Effects 0.000 claims description 30
- 230000011218 segmentation Effects 0.000 claims description 29
- 230000004044 response Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000000556 factor analysis Methods 0.000 claims description 11
- 238000000540 analysis of variance Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims 1
- 239000000523 sample Substances 0.000 description 125
- 238000012360 testing method Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 19
- 230000003595 spectral effect Effects 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000001228 spectrum Methods 0.000 description 9
- 230000005284 excitation Effects 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012430 stability testing Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008376 long-term health Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D13/00—Assembly, mounting or commissioning of wind motors; Arrangements specially adapted for transporting wind motor components
- F03D13/20—Arrangements for mounting or supporting wind motors; Masts or towers for wind motors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/728—Onshore wind turbines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Sustainable Development (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Complex Calculations (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施例公开了一种海上风机的信号平稳性检验方法、装置、终端设备和***,所述方法包括:获取海上风机的待检测的信号对应的样本序列;将所述样本序列平均分割成预设数目个子样本集合;确定预设数目个子样本集合的均值统计量是否小于预设的均值统计阈值;确定预设数目个子样本集合的自协方差统计量是否小于预设的自协方差统计阈值;若预设数目个子样本集合的均值统计量小于预设的均值统计阈值,且预设数目个子样本集合的自协方差统计量小于预设的自协方差统计阈值,则所述待检测的信号是平稳信号。实现客观的检验信号平稳性,增加信号平稳性检验的可靠性。
Description
技术领域
本发明涉及信号平稳性检测领域,尤其涉及一种海上风机的信号平稳性检验方法、装置、终端设备和***。
背景技术
在信号处理过程中,预先判断随机信号是否平稳是在对信号进行处理前的准备工作,也可以通过判断设备所产生的随机信号是否平稳,以确定识别模态参数是否具有可靠性。例如,可以通过预先判断海上风机的振动信号是否平稳,以确定海上风机的识别阻尼比是否可靠。但是,因为平稳信号和非平稳信号的性质差别很大,而且对平稳信号和非平稳信号所采用的分析方法也不相同。因此,在对信号进行处理前,预先检验它的平稳性变得很有必要。在统计学上,平稳性要求它的统计特性不随时间变化。但是实际操作中,检验平稳性还是相当复杂。
当前国内外学术界对随机数据平稳性检验研究,常用的方法包括时序图判断法和自相关系数检验法。时序图法与自相关系数法都是根据图形特征来判定序列平稳性,存在主观性,信号平稳性的可信度较低。
发明内容
鉴于上述问题,本申请提出一种海上风机的信号平稳性检验方法、装置、终端设备和***。
本申请提出一种海上风机的信号平稳性检验方法,所述方法包括:
获取海上风机的待检测的信号对应的样本序列;
将所述样本序列平均分割成预设数目个子样本集合;
确定预设数目个子样本集合的均值统计量是否小于预设的均值统计阈值;
确定预设数目个子样本集合的自协方差统计量是否小于预设的自协方差统计阈值;
若预设数目个子样本集合的均值统计量小于预设的均值统计阈值,且预设数目个子样本集合的自协方差统计量小于预设的自协方差统计阈值,则所述待检测的信号是平稳信号。
本申请所述的海上风机的信号平稳性检验方法,所述均值统计量利用以下公式确定:
Z表示所述均值统计量,L表示所述预设数目,p1表示所述均值统计阈值对应的置信率,p=l+/L,l+表示各个子样本集合对应的满足的子样本集合总数,Ni表示第i个子样本集合中样本总数,/>表示第i个子样本集合对应的均值,μ表示所述样本序列对应的均值。
本申请所述的海上风机的信号平稳性检验方法,所述自协方差统计量利用以下公式确定:
F表示所述自协方差统计量,L表示所述预设数目,N表示每一个子样本集合中包括N个样本,SR表示L个子样本集合对应的分段因素对应的误差平方和,Ai*表示预先确定的双因素方差分析模型中第i个子样本集合对应的各个观测值的平均值,SE表示L个子样本集合对应的除分段因素和频率因素之外的剩余因素影响产生的误差平方和,/>A*j表示所述预先确定的双因素方差分析模型中L个子样本集合的所有第j个子样本对应的各个观测值的平均值,Aij表示预先确定的双因素方差分析模型中第i个子样本集合的第j个子样本对应的观测值,/>表示所述预先确定的双因素方差分析模型中所有观测值对应的平均值。
本申请所述的海上风机的信号平稳性检验方法,还包括:
若预设数目个子样本集合的均值统计量大于等于预设的均值统计阈值,和/或预设数目个子样本集合的自协方差统计量大于等于预设的自协方差统计阈值,则所述待检测的信号是非平稳信号。
本申请所述的海上风机的信号平稳性检验方法,每一个子样本集合中包括N个样本,N=2m,m为正整数。
本申请所述的海上风机的信号平稳性检验方法,在样本序列包括8192个样本时,10≤m≤12。
本申请提出一种海上风机的信号平稳性检验装置,所述装置包括:
获取模块,用于获取待检测的信号对应的样本序列;
分割模块,用于将所述样本序列平均分割成预设数目个子样本集合;
判断模块,用于确定预设数目个子样本集合的均值统计量是否小于预设的均值统计阈值;还用于确定预设数目个子样本集合的自协方差统计量是否小于预设的自协方差统计阈值;
确定模块,用于若预设数目个子样本集合的均值统计量小于预设的均值统计阈值,且预设数目个子样本集合的自协方差统计量小于预设的自协方差统计阈值,则所述待检测的信号是平稳信号。
本申请提出一种终端设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行本申请所述的海上风机的信号平稳性检验方法。
本申请提出一种海上风机的信号平稳性检验***,所述***包括数据采集设备、多个加速度传感器和本申请所述的终端设备;
在检测风机响应信号时,将多个加速度传感器对应安装于风机塔筒的多个预设位置,所述数据采集设备接收多个加速度传感器采集的振动信号,并将振动信号作为所述待检测的信号发送至所述终端设备;
所述将多个加速度传感器对应安装于风机塔筒的多个预设位置,包括:
沿着风机塔筒高度方向均匀设置的预定数量的检测平台,在每一检测平台的来风方向以及与所述来风方向垂直的垂直方向分别安装对应的加速度传感器。
本申请提出一种可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行本申请所述的海上风机的信号平稳性检验方法。
本实施例公开的海上风机的信号平稳性检验方法,可用于检验海上风机振动信号的平稳性、发电机组发电信号的平稳性和其他工程设备输出信号的平稳性等,可以通过对待检测的信号分段后建立均值和自协方差函数的平稳性检验的统计量,构造假设检验问题,用统计推断的方法判断待检测的信号是否满足平稳性。实现客观的检验信号平稳性,增加信号平稳性检验的可靠性。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本申请实施例提出的一种海上风机的信号平稳性检验方法的流程示意图;
图2示出了本申请实施例提出的一种样本序列分割示意图;
图3示出了本申请实施例提出的一种高斯白噪声序列示意图;
图4示出了本申请实施例提出的一种地震波示意图;
图5示出了本申请实施例提出的一种海上风机的信号平稳性检验装置的结构示意图;
图6示出了本申请实施例提出的一种海上风机的信号平稳性检验***的结构示意图;
图7示出了本申请实施例提出的一种风玫瑰图示意图;
图8示出了本申请实施例提出的一种信号方差前大后小变化示意图;
图9示出了本申请实施例提出的一种信号方差前小后大变化示意图;
图10示出了本申请实施例提出的一种信号衰减变化示意图;
图11示出了本申请实施例提出的一种信号平稳随机变化示意图。
主要元件符号说明:
10-海上风机的信号平稳性检验装置;11-获取模块;12-分割模块;13-判断模块;14-确定模块。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下文中,可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
环境激励下运营模态分析方法是一种针对大型工程结构模态参数识别的经济有效方法。在环境激励下,由于激励、***均未知,常常需要把激励信号认为是白噪声或适当宽松地认为是平稳信号,以方便通过信号的统计规律进行***识别,这是诸多工作模态参数识别方法的基本假设。然而,现实中输入有时会不满足该假设,特别是风机结构在运行过程中经常受环境作用(如风荷载)、波浪荷载、运行状态(如叶轮转速、偏航角、叶片桨距角)等突然变化导致平稳随机假设得不到满足,影响模态参数识别效果。目前,一般认为在一个较长时间内的工程结构环境激励可以近似为一个稳态的白噪声过程。由于外激励无法直接监测,可合理假设在一定采集时间内,结构的固有属性是不发生变化的,则平稳的输入产生平稳的输出,非平稳的输入产生非平稳的输出。即在研究环境激励是否满足白噪声假定存在障碍情况下,采用输出信号的平稳性检验结果验证输入是否满足平稳白噪声的假定。由此,检验输出信号的平稳性,是实现利用环境激励进行结构模态识别的关键性问题。
本申请提出一种信号平稳性检验方法,可用于检验海上风机振动信号的平稳性、发电机组发电信号的平稳性和其他工程设备输出信号的平稳性等,可以通过对待检测的信号分段后建立均值和自协方差函数的平稳性检验的统计量,构造假设检验问题,用统计推断的方法判断待检测的信号是否满足平稳性。进一步的,通过对数值模拟平稳、非平稳信号及实测海上风机加速度振动信号进行分析,结果表明本申请提出的信号平稳性检验方法可以快速客观辨别出信号的平稳性,并可以对大量数据样本快速进行平稳性检验。
实施例1
本申请的一个实施例,一种海上风机的信号平稳性检验方法,如图1所示,海上风机的信号平稳性检验方法包括以下步骤:
S100:获取待检测的信号对应的样本序列。
可以利用传感器和数据采集设备按照预设的频率实时采集待检测的信号,然后将实时采集的待检测的信号对应的样本序列实时上传至用于分析信号平稳性的终端设备,以使终端设备可以实时分析待检测的信号的平稳性;还可以将数据库或存储设备中预先存储的某一类型的待检测的信号对应的样本序列上传至用于分析信号平稳性的终端设备,实现终端设备可以分析任意样本序列。应当理解,待检测的信号对应的样本序列是根据采样时间进行依次排序的序列,即先采样的样本排在前,后采样的样本排在后。
S200:将所述样本序列平均分割成预设数目个子样本集合。
如图2所示,将样本序列平均分割成L个子样本集合,每一个子样本集合中包括N个样本,考虑到计算机通常用于分析二进制数据,因此,为了便于计算机分析,设置N=2m,m为正整数。可以理解的,各个子样本集合是不重复的。
S300:确定预设数目个子样本集合的均值统计量是否小于预设的均值统计阈值。
考虑到,数据的严平稳要求:数据序列的各阶矩都与时间无关,严平稳要求过于理想化,在实际应用中,要确定某一随机过程的分布函数,进而由分布函数特征判定该过程的平稳性是难以实现的。故一般采用宽平稳定义来判断某一随机过程的平稳性。
本申请公开的平稳性检验方法中的平稳性是指宽平稳,它定义为,假设某个时间序列是某一随机过程生成的,如果满足一阶矩和与时间无关,见下式(1-1),即数据序列在某一常数附近波动且波动范围有限,二阶矩协方差序列,见下式(1-2),只与延迟间隔k有关,而与时间t无关,则称该序列为平稳序列,而该过随机过程成为平稳随机过程。
E(Xt)=μ (1-1)
E[(Xt - μ)(Xt+k - μ)] =γk (1-2)
假设{Xt}是一个平稳时间序列,自协方差函数为γk,谱密度为f(λ),已知零均值时间序列自协方差函数为自相关函数,理论谱密度与自相关函数构成傅里叶变换对如下公式(1-3):
其中,λ表示在各频率分辨率点的取值,如果γk绝对可和,则有下式(1-4):
其中,λ∈[-π,π],假设X1,X2,……XN是{Xt}的一个样本,则{Xt}的谱密度的周期图估计表示为下式(1-5):
其中,hN(k)表示时窗函数,使得谱密度符合渐进无偏相合谱估计。
进一步的,根据上述分析,可以构建如下(1-6)检验假设,用均值函数是否服从常数假设描述样本均值平稳性检验问题。
H0:EX(t)=μX(t)=C
H1:EX(t)=μX(t)≠C (1-6)
式(1-6)中,C表示为常数,考虑线性平稳序列如果ψk条件和不为0但绝对可和,则当N→∞时,/>其中f(0)按上述公式(1-4)计算。可以理解,如果{Xt}是均值为μ的平稳序列,则由它切片的子序列也是平稳序列,分别计算个子序列的均值,有/>即样本均值的常数检验问题转化为是否服从正太分布:N(0,2πf(0)),其中i=0,1,2,……,L。
进一步的,由棣莫弗—拉普拉斯中心极限定理可知p~N(p1,p1(1-p1)/L),p是落在/>区域间的概率。进一步的,可以利用以下公式确定均值统计量:
Z表示所述均值统计量,L表示所述预设数目,p1表示所述均值统计阈值对应的置信率,p=l+/L,l+表示各个子样本集合对应的满足的子样本集合总数,Ni表示第i个子样本集合中样本总数,/>表示第i个子样本集合对应的均值,μ表示所述样本序列对应的均值。
示范性的,预设的均值统计阈值可以根据显著水平α查表确定,预设的均值统计阈值可以是显著水平α=5%对应的临界值1.96(可根据正太分布显著水平与正太分布临界值对照表查表获得)。可以理解,拒绝阈为|Z|>zα/2,zα/2是正态分布的上侧α/2分位点。在α=5%的显著水平下,查找正太分布显著水平与正太分布临界值对照表查表,上分位数zα/2=1.96。
进一步的,根据拉依达准则可知:在α=5%的显著水平下,均值统计阈值对应的置信率p1=0.683。
S400:确定预设数目个子样本集合的自协方差统计量是否小于预设的自协方差统计阈值。
若预设数目个子样本集合的谱密度存在,且分别为fi(λ),i=0,1,2,……,L。根据公式(1-3)可知自协方差函数为γk,k=0,1,2,……,Ni-1,i=0,1,2,……,L。由于各个子样本集合来自样本序列{Xt},在样本序列{Xt}平稳的情况下,各个子样本集合对应的样本子序列平稳,则γ1(k)=γ2(k)=,…,γL(k),k=0,1,…Ni-1。
进一步的,根据公式(1-5),在谱密度函数对应频率分辨率点λ上,各子样本集合对应的样本子序列的谱密度值相等,则f1(λ)=f2(λ)=…=fL(λ)。
进一步的,根据γ1(k)=γ2(k)=,…,γL(k),k=0,1,…Ni-1和f1(λ)=f2(λ)=…=fL(λ)可知,各子样本集合对应的样本子序列的位置及频率两个因素可决定各子序列的谱密度变化因素,它们决定数据序列自协方差函数的平稳性。如果样本序列是平稳的,样本子序列的谱密度值将与其所处的位置无关,而与频率点的位置有关。
进一步的,根据上述公式(1-5),以功率谱的周期图法值作为各分段序列的谱密度值,作对数变换记Ai=lnfi(λ),i=0,1,2,……,L,λ∈(-π,π),λ≠0,如果样本序列{Xt}是平稳的,则存在谱密度快速的收敛到正态分布的特性,且具有方差齐次性。
如果样本序列{Xt}是平稳的,由上分析,各样本子序列的谱密与样本子序列所在的位置无关,表现为行间元素差异不显著,因此,可采用双因素方差分析的方法研究自协方差的平稳性检验问题。
进一步的,双因素方差分析模型如下表所示。
双因素方差分析模型中分析了频率因素和分段因素,双因素方差分析模型中包括L*N个观测值Aij,i=0,1,2,……,L,j=0,1,2,……,N,Aij可以看作由L个分段因素和N个频率因素组成的L*N个总体中抽取的样本量为1的独立随机样本。这L*N个总体中的每一个随机样本都服从正态分布,且具有相同方差。如果不同的水平对结果没有影响,那么在水平之间的方差中就仅有随机性差异,而没有***性差异,它与水平内部方差应该近似,两个方差的比值将趋近于1;反之,比值就会比1大许多,当达到某临界点,则可作出不同的水平之间存在着显著性差异的判断。
进一步的,双因素方差分析模型中的Ai*是分段因素的第i个子样本集合对应的水平观测值的平均值,Ai*的计算公式如下。
进一步的,双因素方差分析模型中的A*j是频率因素的L个子样本集合的所有第j个子样本对应水平观测值的平均值,A*j的计算公式如下。
进一步的,双因素方差分析模型中的模型中是全部L*N个样本数据对应观测值的总平均值,其计算公式见下式。
进一步的,对分段因素提出的假设为:
H0:A1*=A2*=……=Ai*=AL*。
H1:A1*,A2*,……,Ai*,AL*不完全相等。
进一步的,对频率因素提出的假设为:
H0:A*1=A*2=……=A*i=A*N。
H1:A*1,A*2,……,A*i,A*N不完全相等。
本申请提出的海上风机的平稳性检验方法,是以每个分段是否满足平稳性以达到整个样本序列平稳要求,故在分析中只考虑分段因素的假设检验是否满足。
为检验零假设H0是否成立,构造自协方差统计量,在零假设下该统计量服从给定的概率分布,但在备择假设下则不满足,即零假设得不到满足,自协方差统计量的值不在已知的概率分布的界限值之外。自协方差统计量的构建是从数据的总平方和入手的,总平方和是全部样本观测值Aij与样本平均值的误差平方和,记为ST。
其中,SR是分段因素对应的误差平方和;Sc是频率因素对应的误差平方和;SE是除分段因素和频率因素之外的剩余因素影响产生的误差平方和,称为随机误差平方和。则可采用分段因素对应的误差平方和SR和除分段因素和频率因素之外的剩余因素影响产生的误差平方和SE之比构建自协方差统计量。数理统计证明,自协方差统计量将服从F分布。
进一步的,自协方差统计量利用以下公式确定:
F表示所述自协方差统计量,L表示所述预设数目,N表示每一个子样本集合中包括N个样本,SR表示L个子样本集合对应的分段因素对应的误差平方和,Ai*表示预先确定的双因素方差分析模型中第i个子样本集合对应的各个观测值的平均值,SE表示L个子样本集合对应的除分段因素和频率因素之外的剩余因素影响产生的误差平方和,/>A*j表示所述预先确定的双因素方差分析模型中L个子样本集合的所有第j个子样本对应的各个观测值的平均值,Aij表示预先确定的双因素方差分析模型中第i个子样本集合的第j个子样本对应的观测值,/>表示所述预先确定的双因素方差分析模型中所有观测值对应的平均值。
自协方差统计量将服从F分布,则在显著性水平α下,拒绝域假设为F>Fα(L-1,(L-1)(N-1)),预设的自协方差统计阈值也可以根据F分布的显著性水平和F分布临界值对照表确定,示范性的,根据F分布的显著性水平和F分布临界值对照表可以确定:F0.025(L-1,(L-1)(N-1))=F0.025(7,7*511)=2.10。
进一步的,若预设数目个子样本集合的均值统计量小于预设的均值统计阈值,且预设数目个子样本集合的自协方差统计量小于预设的自协方差统计阈值,则执行步骤S510;若预设数目个子样本集合的均值统计量大于等于预设的均值统计阈值,和/或预设数目个子样本集合的自协方差统计量大于等于预设的自协方差统计阈值,则执行步骤S520。
S510:所述待检测的信号是平稳信号。
S520:所述待检测的信号是非平稳信号。
本实施例公开的海上风机的信号平稳性检验方法,可用于检验海上风机振动信号的平稳性、发电机组发电信号的平稳性和其他工程设备输出信号的平稳性等,可以通过对待检测的信号分段后建立均值和自协方差函数的平稳性检验的统计量,构造假设检验问题,用统计推断的方法判断待检测的信号是否满足平稳性。实现客观的检验信号平稳性,增加信号平稳性检验的可靠性。
实施例2
本申请的一个实施例,基于仅输出响应下的运营模态分析方法,以输入为时间不相关白噪声假设为前提,即在空间上各点激励是互不相关的平稳随机过程。高斯白噪声激励信号是常见的平稳的噪声,在整个频域上功率谱密度在整个频谱上都有成分,趋近为常值,噪声频率丰富,这个特性使得白噪声假设在运营模态参数识别中具有重要的意义。
示范性的,如图3所示,用数学软件仿真模拟数据点,采样频率20Hz,采样长度为8192的高斯白噪声。并将样本序列按1024取值等分成8段样本子序列,分别计算每个样本子序列的平均值、周期图功率谱值,分两步分别检验均值平稳性和自协方差函数的平稳性,从而对高斯白噪声进行平稳性检验。
首先对样本子序列的均值作平稳性检验,作“数据是平稳的”的假设检验。基于本申请实施例,在原假设下,均值统计量服从标准正态分布,拒绝域为|Z|>zα/2,zα/2是正态分布的上侧α/2分位点。在α=5%的显著水平下,查找正太分布显著水平与正太分布临界值对照表查表,上分位数zα/2=1.96,若|Z|<1.96,则接受均值平稳这一假设,反之,则拒绝均值平稳假设。
图3对应的高斯白噪声的均值统计量故应该接收高斯白噪声对应的样本序列为均值平稳的假设。通过均值平稳性检验后再验算分段序列的自协方差平稳性。计算各子序列的周期图法功率谱密度。在原假设下,自协方差统计量服从F分布,在5%的显著性水平下,拒绝域假设为F>F0.025(L-1,(L-1)(N-1)),其中F0.025(L-1,(L-1)(N-1))是F分布的上侧0.05分位点。
经双因素方差分析得到自协方差双因素相关值表如下。
在以上条件下,分段水平的F分布的上侧分位点F0.025(7,7*511)=2.10。经双因素方差分析,分段行水平F分布的统计值F=1.17<2.10,故可以接受原假设,认为分段对谱密度的影响没有显著差异。结合均值的检验结果,认为高斯白噪声序列是平稳,同时注意到列水平F=1.07≈F0.025(511,7*511)=1.12,由已知理论,高斯白噪声噪在功率谱上趋近为常值,即不同频率对高斯功率谱取值影响不显著,这从侧面验证了申请分段平稳性检验方法的正确性。
进一步的,本申请的一个实施例,以样本子序列长度为1024完成了白噪声信号平稳性检验,为验证该检验方法的适用性,将仿真数据长度按2的幂次(指数以7开始,27=128,逐渐至212=4096小于L*N/2)取值至等分成L个样本子序列(每一样本子序列包括N=2m个样本,m为正整数),在m=7,8,9,10,11,12时,分别计算对应的平均值、周期图功率谱值,分两步分别检验均值平稳性及自协方差函数的平稳性,从而确定不同子序列长度对平稳性检验方法的影响。
进一步的,在m=7,8,9,10,11,12时,对应的均值统计量和自协方差统计量如下表所示。
在5%的显著水平下,分段均值统计量均小于1.96,均满足均值平稳性检验,同时F<F0.025(L-1,(L-1)(N-1))也满足分段自协方差平稳性检验。
进一步的,可以观察到,样本子序列长度取值越小,检验统计量越接近分布的上侧分位点,这表明,子序列长度取值小可能会影响检验的正确性,因此,在平稳性检验过程中应尽可能的采集较长的振动数据以保证分段子序列平稳性检验要求,同时这样的要求也是满足运营模态分析方法的,较长的采集记录序列,保存结构的振动信息越完整,模态识别越精确。优选的,在样本序列包括8192个样本时,10≤m≤12。可以理解,在样本序列包括8192个样本时,平稳性检验可以兼顾检验速率和准确率,若样本序列中的样本总数较少,不能保证平稳性检验的准确率,若样本序列中的样本总数过多,则平稳性检验的速度较慢。
示范性的,地震波被认为是强非平稳随机过程,本申请的一个实施例,采用地震波数据,它们通常认为是非平稳的时间序列,地震波数据采用EL-Centro地震波数据。以50Hz真实记录,数据点为2675,如图4所示。其中,包括2675个样本的地震波样本序列分成8个区间,每个区间分别计算平均值、周期图功率谱值,分两步分别检验均值平稳性及自协方差函数的平稳性,从而作出EL-Centro地震波数据非平稳检验。
在以上条件下,均值统计量故应该接受该样本序列为均值平稳的假设。通过均值平稳性检验后再验算分段序列的自协方差平稳性。
在原假设下,自协方差的检验统计量服从F分布,在5%的显著水平下,拒绝域假设为F>F0.025(L-1,(L-1)(N-1)),其中F0.025(L-1,(L-1)(N-1))是F分布的上侧0.05分位点。经双因素方差分析得到地震波数据的自协方差双因素相关值表如下。
在以上条件下,分段水平的F分布的上侧分位点F0.025(7,7*125)=13.76。经双因素方差分析,分段行水平F分布的统计值F=13.76>2.11,故拒绝原假设,认为分段对谱密度的影响有显著差异,样本表现为非平稳。
基于本申请实施例提出的数平稳性检验方法检验地震波数据,结果显示其分段行水平F分布的统计值大于5%显著性水平的上分位值,地震波样本序列表现为非平稳,地震波通常也是被认为强非平稳随机程。因此,可以得出本申请提出的平稳性检验方法也可以准确检验出非平稳样本序列。
实施例3
本申请的一个实施例,参见图5,示出了一种海上风机的信号平稳性检验装置10包括:获取模块11、分割模块12、判断模块13和确定模块14。
获取模块11,用于获取待检测的信号对应的样本序列;分割模块12,用于将所述样本序列平均分割成预设数目个子样本集合;判断模块13,用于确定预设数目个子样本集合的均值统计量是否小于预设的均值统计阈值;还用于确定预设数目个子样本集合的自协方差统计量是否小于预设的自协方差统计阈值;确定模块14,用于若预设数目个子样本集合的均值统计量小于预设的均值统计阈值,且预设数目个子样本集合的自协方差统计量小于预设的自协方差统计阈值,则所述待检测的信号是平稳信号。
进一步的,确定模块14,还用于若预设数目个子样本集合的均值统计量大于等于预设的均值统计阈值,和/或预设数目个子样本集合的自协方差统计量大于等于预设的自协方差统计阈值,则所述待检测的信号是非平稳信号。
进一步的,所述均值统计量利用以下公式确定:
/>
Z表示所述均值统计量,L表示所述预设数目,p1表示所述均值统计阈值对应的置信率,p=l+/L,l+表示各个子样本集合对应的满足的子样本集合总数,Ni表示第i个子样本集合中样本总数,/>表示第i个子样本集合对应的均值,μ表示所述样本序列对应的均值。
进一步的,所述自协方差统计量利用以下公式确定:
F表示所述自协方差统计量,L表示所述预设数目,N表示每一个子样本集合中包括N个样本,SR表示L个子样本集合对应的分段因素对应的误差平方和,Ai*表示预先确定的双因素方差分析模型中第i个子样本集合对应的各个观测值的平均值,SE表示L个子样本集合对应的除分段因素和频率因素之外的剩余因素影响产生的误差平方和,/>A*j表示所述预先确定的双因素方差分析模型中L个子样本集合的所有第j个子样本对应的各个观测值的平均值,Aij表示预先确定的双因素方差分析模型中第i个子样本集合的第j个子样本对应的观测值,/>表示所述预先确定的双因素方差分析模型中所有观测值对应的平均值。
进一步的,每一个子样本集合中包括N个样本,N=2m,m为正整数。
进一步的,在样本序列包括8192个样本时,10≤m≤12。
本实施例公开的海上风机的信号平稳性检验装置10通过获取模块11、分割模块12、判断模块13和确定模块14的配合使用,用于执行上述实施例所述的信号平稳性检验方法,上述实施例所涉及的实施方案以及有益效果在本实施例中同样适用,在此不再赘述。
实施例4
本申请的一个实施例,参见图6,示出了一种海上风机的信号平稳性检验***包括数据采集设备、多个加速度传感器和具有信号平稳性检验功能的终端设备。
在检测风机响应信号时,将多个加速度传感器对应安装于风机塔筒的多个预设位置,所述数据采集设备接收多个加速度传感器采集的振动信号,并将振动信号作为所述待检测的信号发送至所述终端设备。
可以沿着风机塔筒高度方向均匀设置的预定数量的检测平台,示范性的,如图6所示,可以将8个加速度传感器分别安装在图中CH1,CH2,CH3,CH4,CH5,CH6,CH7,CH8所示的位置,其中,CH1和CH2处于同一水平位置作为一个检测平台,CH3和CH4处于同一水平位置作为一个检测平台,CH5和CH6处于同一水平位置作为一个检测平台,CH7和CH8处于同一水平位置作为一个检测平台,并且,CH1与CH3之间的距离等于CH3与CH5之间的距离等于CH5与CH7之间的距离。
进一步的,可以根据图7所示的风玫瑰图,FA方向为来风方向,SS方向为与所述来风方向垂直的垂直方向,在每一检测平台的来风方向以及与所述来风方向垂直的垂直方向分别安装对应的加速度传感器。
示范性的,信号平稳性检验***中传感器可以选用中国地震局工程力学研究所研发的991B型超低频拾振器;数据采集设备的采集板卡可以选用NI-9234,采集槽选用c-DAQ9185,该配套采集设备集成程度高、体积小、稳定性强;进一步的,可以利用LabVIEW软件开发风机远程连续智能采集软件,可以包含通道设置模块、采集状态实时监测模块、数据存储模块及数据处理模块。可以实现远程控制并传输文件功能,便于进行后台分析。大型海上风机既高且柔,对应结构基频小周期长,设定采样频率20Hz,每15分钟产生一组加速度信号数据样本,该采样策略不仅能保证完整保留响应峰值,也能很好识别大型风力机主要关注的低阶固有频率。
进一步的,信号平稳性检验***观察实际采集海上风机加速度响应时域信号,振动的幅值在短时间内稳定在一定范围内,各样本间幅值不尽相同,数量级最大可达几千倍,单个记录样本内存在非平稳现象,根据振动信号在时间历程内的变化特征大致可分4类:振动信号方差前大后小变化、振动信号方差前小后大变化、振动信号衰减变化和信号平稳随机变化,分别对应图8、图9、图10和图11。
振动信号方差前大后小变化和振动信号方差前小后大变化,见图8和图9,经常出现在风机停机、待机或转速快速变化状态下,处于低振幅振动期间;振动信号衰减变化,见图10,一般表示处于静平衡状态的海上风机结构,在受到一个脉冲载荷(突然地冲击,如风机启动过程,船体撞击作用等)之后,进入运动状态,但随时间的推移,又会在结构阻尼的作用下渐进恢复到静平衡状态;信号平稳随机变化,见图11,是海上风机运行状态下常见的信号,发生在风机结构受平稳随机激励,产生平稳随机响应。
进一步的,利用本申请公开的平稳性检验方法,检验图8、图9、图10和图11对应的信号,其结果如下表。
本实施例基于海上风机原始振动响应数据构造均值和自协方差函数平稳性检验统计量,然后构造假设检验问题,用统计推断的方法判断振动响应是否满足平稳。使用统计的方法使得检验过程客观无人为主观判断,且算法简单,计算量小,适用于对海上风机长期健康监测记录的大量数据样本进行平稳性检验。通过对数值模拟的平稳、非平稳信号及海上风机实测振动信号检验,验证该信号平稳性检验方法可快速客观的检验出信号的平稳性,并可对大量数据样本快速进行平稳性检验。
本申请实施例涉及一种终端设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行本申请公开的海上风机的信号平稳性检验方法。
本申请实施例涉及一种可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行本申请公开的海上风机的信号平稳性检验方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种海上风机的信号平稳性检验方法,其特征在于,应用于检测海上风机振动信号的平稳性的信号平稳性检验***,所述***包括数据采集设备、多个加速度传感器和终端设备;在检测风机响应信号时,将多个加速度传感器对应安装于风机塔筒的多个预设位置,所述数据采集设备接收多个加速度传感器采集的振动信号,并将振动信号作为待检测的信号发送至所述终端设备;
所述将多个加速度传感器对应安装于风机塔筒的多个预设位置,包括:
沿着风机塔筒高度方向均匀设置的预定数量的检测平台,在每一检测平台的来风方向以及与所述来风方向垂直的垂直方向分别安装对应的加速度传感器;
所述方法包括:
获取待检测的信号对应的样本序列;其中,利用传感器和数据采集设备按照预设的频率实时采集待检测的信号,将实时采集的待检测的信号对应的样本序列实时上传至用于分析信号平稳性的终端设备,以使终端设备实时分析待检测的信号的平稳性;或者,将实时采集的待检测的信号对应的样本序列实时上传至用于分析信号平稳性的终端设备,以使终端设备可以实时分析待检测的信号的平稳性;
将所述样本序列平均分割成预设数目个子样本集合,其中,每一个子样本集合中包括N个样本,N=2m,m为正整数,在样本序列包括8192个样本时,10≤m≤12;
确定预设数目个子样本集合的均值统计量是否小于预设的均值统计阈值;其中,预设的均值统计阈值根据正太分布显著水平与正太分布临界值对照表查表获得;
其中,利用以下公式确定均值统计量:
Z表示所述均值统计量,L表示所述预设数目,p1表示所述均值统计阈值对应的置信率,p=l+/L,l+表示各个子样本集合对应的满足的子样本集合总数,Ni表示第i个子样本集合中样本总数,/>表示第i个子样本集合对应的均值,μ表示所述样本序列对应的均值;
确定预设数目个子样本集合的自协方差统计量是否小于预设的自协方差统计阈值;其中,预设的自协方差统计阈值根据F分布的显著性水平和F分布临界值对照表确定;
其中,自协方差统计量利用以下公式确定:
F表示所述自协方差统计量,L表示所述预设数目,N表示每一个子样本集合中包括N个样本,SR表示L个子样本集合对应的分段因素对应的误差平方和,Ai*表示预先确定的双因素方差分析模型中第i个子样本集合对应的各个观测值的平均值,SE表示L个子样本集合对应的除分段因素和频率因素之外的剩余因素影响产生的误差平方和,A*j表示所述预先确定的双因素方差分析模型中L个子样本集合的所有第j个子样本对应的各个观测值的平均值,Aij表示预先确定的双因素方差分析模型中第i个子样本集合的第j个子样本对应的观测值,/>表示所述预先确定的双因素方差分析模型中所有观测值对应的平均值;
若预设数目个子样本集合的均值统计量小于预设的均值统计阈值,且预设数目个子样本集合的自协方差统计量小于预设的自协方差统计阈值,则所述待检测的信号是平稳信号;
若预设数目个子样本集合的均值统计量大于等于预设的均值统计阈值,和/或预设数目个子样本集合的自协方差统计量大于等于预设的自协方差统计阈值,则所述待检测的信号是非平稳信号;
通过所述信号平稳性检验***观察实际采集海上风机加速度响应时域信号,根据振动信号在时间历程内的变化特征可分4类:振动信号方差前大后小变化、振动信号方差前小后大变化、振动信号衰减变化和信号平稳随机变化;
振动信号方差前大后小变化和振动信号方差前小后大变化,出现在风机停机、待机或转速快速变化状态下,处于低振幅振动期间,经所述信号平稳性检验***检测,确定振动信号方差前大后小变化、振动信号方差前小后大变化,为非平稳信号;
振动信号衰减变化,表示处于静平衡状态的海上风机结构,在受到一个脉冲载荷之后,进入运动状态,但随时间的推移,又会在结构阻尼的作用下渐进恢复到静平衡状态;经所述信号平稳性检验***检测,确定振动信号衰减变化,为非平稳信号;
信号平稳随机变化,是海上风机运行状态下常见的信号,发生在风机结构受平稳随机激励,产生平稳随机响应,经所述信号平稳性检验***检测,确定信号平稳随机变化为平稳信号。
2.一种海上风机的信号平稳性检验装置,其特征在于,应用于检测海上风机振动信号的平稳性的信号平稳性检验***,所述***包括数据采集设备、多个加速度传感器和终端设备;在检测风机响应信号时,将多个加速度传感器对应安装于风机塔筒的多个预设位置,所述数据采集设备接收多个加速度传感器采集的振动信号,并将振动信号作为待检测的信号发送至所述终端设备;
所述将多个加速度传感器对应安装于风机塔筒的多个预设位置,包括:
沿着风机塔筒高度方向均匀设置的预定数量的检测平台,在每一检测平台的来风方向以及与所述来风方向垂直的垂直方向分别安装对应的加速度传感器;
所述装置包括:
获取模块,用于获取待检测的信号对应的样本序列;其中,利用传感器和数据采集设备按照预设的频率实时采集待检测的信号,将实时采集的待检测的信号对应的样本序列实时上传至用于分析信号平稳性的终端设备,以使终端设备实时分析待检测的信号的平稳性;或者,将实时采集的待检测的信号对应的样本序列实时上传至用于分析信号平稳性的终端设备,以使终端设备可以实时分析待检测的信号的平稳性;
分割模块,用于将所述样本序列平均分割成预设数目个子样本集合,其中,每一个子样本集合中包括N个样本,N=2m,m为正整数,在样本序列包括8192个样本时,10≤m≤12;其中,预设的均值统计阈值根据正太分布显著水平与正太分布临界值对照表查表获得;
其中,利用以下公式确定均值统计量:
Z表示所述均值统计量,L表示所述预设数目,p1表示所述均值统计阈值对应的置信率,p=l+/L,l+表示各个子样本集合对应的满足的子样本集合总数,Ni表示第i个子样本集合中样本总数,/>表示第i个子样本集合对应的均值,μ表示所述样本序列对应的均值;
判断模块,用于确定预设数目个子样本集合的均值统计量是否小于预设的均值统计阈值;还用于确定预设数目个子样本集合的自协方差统计量是否小于预设的自协方差统计阈值;其中,预设的自协方差统计阈值根据F分布的显著性水平和F分布临界值对照表确定;
其中,自协方差统计量利用以下公式确定:
F表示所述自协方差统计量,L表示所述预设数目,N表示每一个子样本集合中包括N个样本,SR表示L个子样本集合对应的分段因素对应的误差平方和,Ai*表示预先确定的双因素方差分析模型中第i个子样本集合对应的各个观测值的平均值,SE表示L个子样本集合对应的除分段因素和频率因素之外的剩余因素影响产生的误差平方和,A*j表示所述预先确定的双因素方差分析模型中L个子样本集合的所有第j个子样本对应的各个观测值的平均值,Aij表示预先确定的双因素方差分析模型中第i个子样本集合的第j个子样本对应的观测值,/>表示所述预先确定的双因素方差分析模型中所有观测值对应的平均值;
确定模块,用于若预设数目个子样本集合的均值统计量小于预设的均值统计阈值,且预设数目个子样本集合的自协方差统计量小于预设的自协方差统计阈值,则所述待检测的信号是平稳信号;
若预设数目个子样本集合的均值统计量大于等于预设的均值统计阈值,和/或预设数目个子样本集合的自协方差统计量大于等于预设的自协方差统计阈值,则所述待检测的信号是非平稳信号;
通过所述信号平稳性检验***观察实际采集海上风机加速度响应时域信号,根据振动信号在时间历程内的变化特征可分4类:振动信号方差前大后小变化、振动信号方差前小后大变化、振动信号衰减变化和信号平稳随机变化;
振动信号方差前大后小变化和振动信号方差前小后大变化,出现在风机停机、待机或转速快速变化状态下,处于低振幅振动期间,经所述信号平稳性检验***检测,确定振动信号方差前大后小变化、振动信号方差前小后大变化,为非平稳信号;
振动信号衰减变化,表示处于静平衡状态的海上风机结构,在受到一个脉冲载荷之后,进入运动状态,但随时间的推移,又会在结构阻尼的作用下渐进恢复到静平衡状态;经所述信号平稳性检验***检测,确定振动信号衰减变化,为非平稳信号;
信号平稳随机变化,是海上风机运行状态下常见的信号,发生在风机结构受平稳随机激励,产生平稳随机响应,经所述信号平稳性检验***检测,确定信号平稳随机变化为平稳信号。
3.一种终端设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行权利要求1所述的海上风机的信号平稳性检验方法。
4.一种海上风机的信号平稳性检验***,其特征在于,所述***包括数据采集设备、多个加速度传感器和如权利要求3所述的终端设备;
在检测风机响应信号时,将多个加速度传感器对应安装于风机塔筒的多个预设位置,所述数据采集设备接收多个加速度传感器采集的振动信号,并将振动信号作为所述待检测的信号发送至所述终端设备;
所述将多个加速度传感器对应安装于风机塔筒的多个预设位置,包括:
沿着风机塔筒高度方向均匀设置的预定数量的检测平台,在每一检测平台的来风方向以及与所述来风方向垂直的垂直方向分别安装对应的加速度传感器。
5.一种可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序在处理器上运行时执行权利要求1所述的海上风机的信号平稳性检验方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110282851.XA CN112948770B (zh) | 2021-03-16 | 2021-03-16 | 海上风机的信号平稳性检验方法、装置、终端设备和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110282851.XA CN112948770B (zh) | 2021-03-16 | 2021-03-16 | 海上风机的信号平稳性检验方法、装置、终端设备和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112948770A CN112948770A (zh) | 2021-06-11 |
CN112948770B true CN112948770B (zh) | 2024-05-14 |
Family
ID=76230235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110282851.XA Active CN112948770B (zh) | 2021-03-16 | 2021-03-16 | 海上风机的信号平稳性检验方法、装置、终端设备和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112948770B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063572A (zh) * | 2022-07-11 | 2022-09-16 | 长沙超创电子科技有限公司 | 一种面向红外杂波背景图像的统计特性分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092654A (zh) * | 2017-03-20 | 2017-08-25 | 山东科技大学 | 基于均值变化检测的报警正常与异常数据检测方法和装置 |
CN108802525A (zh) * | 2018-06-06 | 2018-11-13 | 浙江宇天科技股份有限公司 | 基于小样本的设备故障智能预测方法 |
CN110377491A (zh) * | 2019-07-10 | 2019-10-25 | ***股份有限公司 | 一种数据异常检测方法及装置 |
CN111062003A (zh) * | 2019-12-13 | 2020-04-24 | 武汉轻工大学 | 样本总体协方差判定方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8378816B2 (en) * | 2007-07-17 | 2013-02-19 | Clemson University | System and method to assess signal similarity with applications to diagnostics and prognostics |
-
2021
- 2021-03-16 CN CN202110282851.XA patent/CN112948770B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092654A (zh) * | 2017-03-20 | 2017-08-25 | 山东科技大学 | 基于均值变化检测的报警正常与异常数据检测方法和装置 |
CN108802525A (zh) * | 2018-06-06 | 2018-11-13 | 浙江宇天科技股份有限公司 | 基于小样本的设备故障智能预测方法 |
CN110377491A (zh) * | 2019-07-10 | 2019-10-25 | ***股份有限公司 | 一种数据异常检测方法及装置 |
CN111062003A (zh) * | 2019-12-13 | 2020-04-24 | 武汉轻工大学 | 样本总体协方差判定方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
基于谱分析下的时间序列的平稳性检验;唐诚 等;《南京邮电大学学报(自然科学版)》;20090430;第29卷(第2期);第31-34页 * |
基于谱分析的电气化铁路弓网接触压力平稳性分析;张晓晓 等;《电气开关》;20141231(第1期);第49-50页 * |
张雨.《车辆总成性能检测技术》.北京:国防工业出版社,2015,第189-192页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112948770A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Worden et al. | Novelty detection in a changing environment: regression and interpolation approaches | |
Rannik et al. | Random uncertainties of flux measurements by the eddy covariance technique | |
Hoell et al. | Optimal selection of autoregressive model coefficients for early damage detectability with an application to wind turbine blades | |
CN108022058B (zh) | 一种风力机状态可靠性评估方法 | |
CN111737910A (zh) | 一种基于深度学习的轴流压气机失速喘振预测方法 | |
CN106872172B (zh) | 航空发动机试验安全参数监视的实时判别方法及*** | |
CN110081923B (zh) | 野外基线环境参数自动采集***故障检测方法与装置 | |
CN112948770B (zh) | 海上风机的信号平稳性检验方法、装置、终端设备和*** | |
CN115326147A (zh) | 一种船舶用脱硫塔实时监测方法及*** | |
CN117195137B (zh) | 基于数据分析的转子压铸误差检测*** | |
EP3480455A1 (en) | Wind turbine monitoring device, wind turbine monitoring method, wind turbine monitoring program, and storage medium | |
CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
CN116861544B (zh) | 一种基于边云协同的建筑异常振动源定位方法及相关设备 | |
Zini et al. | Frequency vs time domain identification of heritage structures | |
CN117454283A (zh) | 一种用于风电机组运行检测数据的状态评估方法 | |
Celis et al. | Steady state detection in industrial gas turbines for condition monitoring and diagnostics applications | |
CN116720104A (zh) | 一种风力发电机齿轮箱输出轴故障预测方法 | |
US7366639B2 (en) | Methods for establishing alerts and/or alert limits for monitoring mechanical devices | |
Tempest et al. | Convergence of forecast distributions in a 100,000‐member idealised convective‐scale ensemble | |
KR20230103456A (ko) | 건축 구조물의 안전성을 평가하는 구조물 안전 평가 방법 및 상기 방법을 수행하는 구조물 안전 평가 장치 | |
Tsonis et al. | Searching for determinism in observed data: a review of the issues involved | |
Davison | Determination of Steady State Gas Turbine Operation | |
Peeters et al. | Operational Modal Analysis for in-line flutter assessment during wind tunnel testing | |
Li et al. | The bearing health condition assessment method based on alpha-stable probability distribution model | |
CN109784661A (zh) | 一种热工过程稳态检测方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |