一种大型风电机组滚动轴承故障混合诊断方法技术

本发明专利技术公开了一种大型风电机组滚动轴承故障混合诊断方法，属于基于数据驱动的故障诊断技术领域。首先分别通过两种不同类型的单一故障诊断方法得到诊断结果，这两种方法分别是基于GVMD‑SVM的风机轴承故障诊断方法和基于形态学‑相关性分析的风机轴承故障诊断方法。之后使用改进的DS证据理论融合以上两种方法的诊断结果得到最终的更为可靠的诊断结果。该方法解决了传统单一风电机组滚动轴承故障诊断方法缺乏可靠性的问题，使得最终诊断结果更加准确与可靠，有较好的实用价值。

A Hybrid Diagnosis Method for Rolling Bearing Faults of Large Wind Turbines

The invention discloses a hybrid fault diagnosis method for rolling bearings of large wind turbines, which belongs to the field of data-driven fault diagnosis technology. Firstly, two different types of single fault diagnosis methods are used to get the diagnosis results. The two methods are based on GVMD SVM and morphological correlation analysis. Then the improved DS evidence theory is used to fuse the diagnostic results of the above two methods to obtain the final and more reliable diagnostic results. This method solves the problem that the traditional fault diagnosis method for rolling bearings of single wind turbine unit lacks reliability, which makes the final diagnosis result more accurate and reliable, and has better practical value.

【技术实现步骤摘要】
一种大型风电机组滚动轴承故障混合诊断方法
本专利技术是一种风电机组滚动轴承的故障诊断方法，尤其针对单一故障诊断方法对特定故障诊断效果不理想，加强其准确性与可靠性；属于基于数据驱动的故障诊断

技术介绍
随着人类对能源要求不断加大，电力行业飞速发展，风力发电行业以其成本相对较低，风力资源丰富，能源绿色环保等优势已经成为清洁能源的主要发展趋势。而风电场建成之后的维护成本直接决定着风电场的效益，风力发电项目是一种投资时间很长的工程，大概在7年左右，而且收益期也很长，甚至会超过10年。长期运转的风力发电机组需要定期进行检修和维护，来确保运行的稳定性和安全性。当工程中风力发电机组的工作寿命为20年时，其维护成本就占了整体收益的10％～15％；风力发电机组安装在海上所需要的运行和维护成本占到整体效益的20％～25％，大量的运转和维护成本加大了工程的运营费用及降低了工程的经济收益。要使风电场的效益最大化，就需要将运维成本降到最低。滚动轴承是风力发电机至关重要的部件之一，也是风机齿轮箱中重要故障源之一。据统计显示，机械故障中约30％的故障都是由滚动轴承引起的，电机故障也有20％的故障是由滚动轴承引起的。另外实际工程中风电机组大多数是安装在风力资源比较充足的地带，比如草原、戈壁滩和荒漠等环境，机组安装的范围很广且数量也比较多，受到恶劣的自然环境的影响，这使得滚动轴承更容易发生故障。风机故障一旦处理不及时，轻则造成电力能源的损失，重则造成机器设备的报废和人员伤亡。因此，及时对风电机组滚动轴承完成故障诊断有着重大意义。分析风机滚动轴承附近的振动信号，进而完成故障诊断是一种很好的方法。但是其振动信号往往呈现非平稳，非线性的特性，使得充分挖掘信号中的故障信息变得困难。寻找一种合适的信号分析方法是至关重要的。目前已经提出的分析信号方法有小波分析、EMD、EEMD、VMD等。通过前端的信号时频分析获得信号特征，结合合适的后端模式识别方法来完成故障诊断。然而传统的单一故障诊断方法的诊断效果总有不足，单一方法虽然总是在特定故障的检测上表现优秀，但是对于其它故障的不敏感导致了整体算法的可靠性下降，造成误诊的几率变大，对于风机的维护有着潜在威胁。为了弥补单一诊断方法的不足，使用多方法融合完成故障诊断是一条可行的途径，以不同算法的长处来互相弥补其它算法的短处，从而提高故障诊断的准确性与可靠性。
技术实现思路
本专利技术的目的就是针对现阶段单一风机轴承故障诊断方法的不足，提出了一种大型风电机组轴承故障混合诊断方法。算法的核心思想是：首先分别通过两种不同类型的单一故障诊断方法得到诊断结果，这两种方法分别是基于GVMD-SVM的风机轴承故障诊断方法和基于形态学-相关性分析的风机轴承故障诊断方法。之后使用改进的DS证据理论融合以上两种方法的诊断结果得到最终的更为可靠的诊断结果。该方法解决了传统单一风电机组滚动轴承故障诊断方法缺乏可靠性的问题，使得最终诊断结果更加准确与可靠，有较好的实用价值。本专利技术采用了如下的技术方案为一种大型风电机组滚动轴承故障混合诊断方法，该方法的实现步骤如下：S1、数据采集与数据处理阶段；S1.1使用实验室风机传动链平台采集轴承外圈、轴承内圈、轴承滚珠故障数据和正常运行数据；采集风力发电场风机的轴承内圈、轴承外圈、正常运行数据；得到两种数据的每种故障信号作为诊断算法的训练和验证样本，并用来完成两种单一诊断算法的故障模型建立；两种数据分别为实验室平台采集数据和风电场现场采集数据；S1.2数据预处理，将实验室风机平台采集数据和风力发电场现场采集数据的每种故障信号各划分为N段，每段长度一致。选取前S段作为两种诊断算法的训练样本进行训练，选取后M段数据作为检测样本验证算法有效性，其中0＜S+M≤N；S2、基于GVMD-SVM方法的故障诊断阶段；S2.1将每类故障数据按照S1.2所述的数据预处理阶段处理得到的前S段数据使用GVMD分解为n个IMF分量，之后计算每个IMF分量的能量Ei和整体能量熵HEN，构成复合特征向量T＝[E1,E2,…,En,HEN]。能量计算公式如下：式中ci(t)为每个模态信号分量。能量熵计算公式如下：其中：为第i个特征模态函数IMFi的能量在总能量中的比重，n为特征模态函数IMFi的个数，i＝1,2,…,n。S2.2将代表各故障类型的复合特征向量作为SVM分类器的输入变量进行训练构建故障分类模型。S2.3用S2.1的方式计算实验室风机传动链平台和风力发电厂的经过预处理的后M段数据得到复合特征向量，作为检测样本输入SVM分类器，实现初步的故障诊断。S2.4使用贝叶斯准则(BIC)，根据公式将S2.3中的SVM硬分类诊断结果映射为后验概率的表现形式。f代表支持向量机分类函数，y代表支持向量机输出，P(y＝1|f)表示在输出为1的条件下，f的概率取值；A代表尺度参量，B代表位置参量。S3、基于数学形态学算法-相关性分析方法的故障诊断阶段；S3.1将每类故障的前S段数据做幅值统计，根据幅值大小统计分布中±3σ处所对应的幅值绝对值确定为组合结构元素的高参数，构建组合结构元素计算所有故障类别的组合结构元素为SEk，k＝1,2,…,m。式中m代表故障类别个数。S3.2根据形态学的开闭运算以及组合结构元素SEk，k＝1,2,…,m，对S1.2预处理得到的各类故障的前S段数据处理，得到各类故障的特征信息。并将其特征信息使用快速傅里叶变换转换到频域，得到频谱集{pkj}，k＝1,2,...,mj＝1,3,...,S。也就是频域特征信息。S3.3将S1.2预处理得到的每类故障的后M段数据使用形态学的开闭运算以及训练的得到的组合结构元素SEk处理，得到检测信号的特征信息，并将该特征信息通过傅里叶变换转换到频域，得到频域特征信息{pkl}，k＝1,2,...,ml＝1,2,...,M。S3.4将检测信号的频域特征信息与训练频域特征信息进行相关性分析，得到每类故障对应的平均相关系数rk。假设r1到rm中最大的一个为rs，0＜s＜m，则认为该未知信号所对应的轴承工作状态与训练预处理信号集合{xs}所对应的轴承工作状态相同，即识别出该未知信号是否发生故障及故障类型，达到诊断故障目的。m的含义是故障类别个数；S4、基于改进的D-S(Dempster-Shafer)证据理论算法融合阶段；S4.1将两种算法概率形式的故障诊断结果，按照式归一化，式中Ok为诊断为各类故障类型的概率输出，BAP(k)是各类故障的置信分配，初步得到各类故障的置信分配。S4.2所有故障类型集合为{A1,A2,…Am}，对于同一种故障类型采用不同的两种算法的判断结果分别为mp(Ak)和mq(Ak)，求其相似度。相似度计算公式如下：式中，mp(Ak)和mq(Ak)分别为算法p和算法q对故障类型为Ak的诊断结果，即表达为BAP值，Spq(Ak)为在故障类型为Ak下两种诊断结果的相似度，k代表故障类型中的一种，k＝1,2,…,m，p和q为算法标号，采用两种算法，因此p、q取值为1或2，且p≠q。分别计算p和q算法对应同一类故障的支持度Sup和信任度Cre，p算法计算公式如下：其中Crep作为修正BAP的权值。T代表使用方法数量，取T＝2。S4.3以信任度Crep(A)为权本文档来自技高网...

【技术保护点】
1.一种大型风电机组滚动轴承故障混合诊断方法，其特征在于：该方法的实现步骤如下，S1、数据采集与数据处理阶段；S1.1使用实验室风机传动链平台采集轴承外圈、轴承内圈、轴承滚珠故障数据和正常运行数据；采集风力发电场风机的轴承内圈、轴承外圈、正常运行数据；得到两种数据的每种故障信号作为诊断算法的训练和验证样本，并用来完成两种单一诊断算法的故障模型建立；两种数据分别为实验室平台采集数据和风电场现场采集数据；S1.2数据预处理，将实验室风机平台采集数据和风力发电场现场采集数据的每种故障信号各划分为N段，每段长度一致；选取前S段作为两种诊断算法的训练样本进行训练，选取后M段数据作为检测样本验证算法有效性，其中0＜S+M≤N；S2、基于GVMD‑SVM方法的故障诊断阶段；S2.1将每类故障数据按照S1.2所述的数据预处理阶段处理得到的前S段数据使用GVMD分解为n个IMF分量，之后计算每个IMF分量的能量Ei和整体能量熵HEN，构成复合特征向量T＝[E1,E2,…,En,HEN]；能量计算公式如下：

【技术特征摘要】
1.一种大型风电机组滚动轴承故障混合诊断方法，其特征在于：该方法的实现步骤如下，S1、数据采集与数据处理阶段；S1.1使用实验室风机传动链平台采集轴承外圈、轴承内圈、轴承滚珠故障数据和正常运行数据；采集风力发电场风机的轴承内圈、轴承外圈、正常运行数据；得到两种数据的每种故障信号作为诊断算法的训练和验证样本，并用来完成两种单一诊断算法的故障模型建立；两种数据分别为实验室平台采集数据和风电场现场采集数据；S1.2数据预处理，将实验室风机平台采集数据和风力发电场现场采集数据的每种故障信号各划分为N段，每段长度一致；选取前S段作为两种诊断算法的训练样本进行训练，选取后M段数据作为检测样本验证算法有效性，其中0＜S+M≤N；S2、基于GVMD-SVM方法的故障诊断阶段；S2.1将每类故障数据按照S1.2所述的数据预处理阶段处理得到的前S段数据使用GVMD分解为n个IMF分量，之后计算每个IMF分量的能量Ei和整体能量熵HEN，构成复合特征向量T＝[E1,E2,…,En,HEN]；能量计算公式如下：式中ci(t)为每个模态信号分量；能量熵计算公式如下：其中：为第i个特征模态函数IMFi的能量在总能量中的比重，n为特征模态函数IMFi的个数，i＝1,2,…,n；S2.2将代表各故障类型的复合特征向量作为SVM分类器的输入变量进行训练构建故障分类模型；S2.3用S2.1的方式计算实验室风机传动链平台和风力发电厂的经过预处理的后M段数据得到复合特征向量，作为检测样本输入SVM分类器，实现初步的故障诊断；S2.4使用贝叶斯准则(BIC)，根据公式将S2.3中的SVM硬分类诊断结果映射为后验概率的表现形式；f代表支持向量机分类函数，y代表支持向...

【专利技术属性】
技术研发人员：齐咏生，白宇，高胜利，刘利强，李永亭，
申请(专利权)人：内蒙古工业大学，
类型：发明
国别省市：内蒙古,15