基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法技术

本发明专利技术公开了一种基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法。本发明专利技术主要包括三部分的算法：一是基于经验模态分解(EMD)、奇异值分解(SVD)和K均值聚类(K‑Means)的源信号数目估计算法；二是基于模糊C均值聚类(FCM)的混叠矩阵估计算法；三是基于最小化l1范数的源信号估计及诊断算法。整个算法流程引入了盲源分离(BSS)及稀疏成分分析(SCA)的思想。本发明专利技术以仿真信号和实际振动信号为测试对象，给出了详细的算法描述，并通过一系列的实验验证了算法在信号处理及故障诊断方面的有效性。

【技术实现步骤摘要】

本专利技术属于振动信号处理和故障诊断方法领域，尤其涉及一种针对风力发电机组齿轮箱的振动信号处理步骤及故障诊断方法。
技术介绍
风力发电机组昂贵的运行维护费用是阻碍风电产业快速发展的重要因素之一。随着风电单机容量不断增大，风力发电机组的体积和轮毂高度也不断增大，内部的传动系统受力情况更加复杂，由于风力发电机组故障而引起的事故常有发生，造成巨大的经济损失。齿轮箱位于风力发电机机舱内，是风力发电机传动动力的主要部件和连接主轴和发电机的重要枢纽，它具有结构紧凑、传递精度高、传递力矩大等特点，是风力发电机正常高效运行的保障。齿轮箱内部结构和受力情况复杂，并且常在变工况、变载荷等复杂环境下工作，因此齿轮箱部件在长时间运行过程中极易老化损伤，产生各类故障。因此，研究一套可行的齿轮箱故障诊断方法具有重要意义。盲源分离技术是目前齿轮箱故障诊断领域较常采用的方法。齿轮箱的故障诊断的实质就是从齿轮箱各部位的振动数据中推断出是否发生故障以及发生故障情况下故障的具体类型。在上述诊断过程中，源信号的数目以及和源信号的信号特征都是未知的，即满足盲源特点，因此将盲源分离技术引入故障诊断是十分适合的并已存在相当多的成功应用案例。然而，现有的盲源分离技术仍然存在一定的局限性：一方面，目前的盲源分离算法大多针对超定或者正定情况，即要求观测信号数目大于或等于源信号数目，对欠定情况(观测信号数目小于源信号数目)下的盲源分离研究。但在很多情况下，这一条件并不满足，从而造成分离出的源信号仍然存在一定的混叠，影响最终的诊断结果。另一方面，真实的齿轮箱故障信号具有非平稳、非线性等特点，现有方法对处理这种信号的表现通常较差。
技术实现思路
为了改进现有方法，本专利技术的目的在于提供一种适用于欠定非线性盲源情况下的齿轮箱振动信号处理及故障诊断方法，提高故障诊断的准确性。本专利技术的目的通过下述技术方案实现，包括以下步骤：步骤(1)，从安装在齿轮箱内的m个传感器上获取振动信号，并设振动信号矩阵为X＝[x1,x2,...xm]，其中任意一路传感器信号xi都为T维向量，即xi∈RT，表示每一路信号有T个采样点，并记采样频率为Fs。步骤(2)选取任意一路传感器信号xi，对其进行EMD分解，得到IMF矩阵C，EMD分解过程可采用如下方法：(2-1)初始化r0＝xi，q＝1(q为IMF下标，指示IMF数目)；(2-2)初始化h0＝rq-1，k＝1；(2-3)求取hk-1的局部极大值和局部极小值点，并以局部极大值点为节点作三次样条插值计算hk-1上包络uk-1，以局部极小值点为节点作三次样条插值计算hk-1下包络lk-1；(2-4)计算上下包络的均值(2-5)令hk＝hk-1-mk-1；(2-6)若hk满足本征模态函数条件，则令第q个本征模态函数cq＝hk；否则，令k＝k+1并转入(2-3)；(2-7)令残量rq＝rq-1-cq，若rj至少包含两个极值点，则令q＝q+1并转入(2-2)；否则分解结束，rq为余量。(2-8)将上述步骤分离出的q个本征模态函数及余量rq组合成IMF矩阵C＝[c1,c2,...cq,rq]。步骤(3)计算IMF矩阵C的自相关矩阵RC＝CCT。步骤(4)将协方差矩阵进行奇异值分解，由于协方差矩阵为q×q维矩阵，因此得到协方差矩阵q个奇异值，奇异值构成的集合记为{λ1,λ2,...λq本文档来自技高网...

【技术保护点】
基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法,其特征在于：步骤(1)，从安装在齿轮箱内的m个传感器上获取振动信号，并设振动信号矩阵为X＝[x1,x2,...xm]，其中任意一路传感器信号xi都为T维向量，即xi∈RT，表示每一路信号有T个采样点，并记采样频率为Fs；步骤(2)选取任意一路传感器信号xi，对其进行EMD分解，分离出的q个本征模态函数及余量rq，得到本征模态函数IMF矩阵C，IMF矩阵C＝[c1,c2,...cq,rq]。步骤(3)计算IMF矩阵C的自相关矩阵RC＝CCT；步骤(4)将协方差矩阵进行奇异值分解，由于协方差矩阵为q×q维矩阵，因此得到协方差矩阵q个奇异值，奇异值构成的集合记为{λ1,λ2,...λq}。步骤(5)取奇异值的自然对数{logλ1,logλ2,...logλq}，并对该集合进行K均值聚类，分类数为2，将含数值较大的一类记为G1，数值较小的一类记为G2；步骤(6)统计G1中的元素个数n，将其作为源数目的估计；步骤(7)选取短时傅立叶变换长度L≥64，窗口重叠长度为将各传感器振动信号{x1,x2,...xm}分段，并将各段信号依次进行短时傅立叶变换，将原始信号转化到时频域，得到系数矩阵为X(L,K,m)，即X为L×K×m的三维矩阵，其中表示分段数。步骤(8)根据系数矩阵X(L,K,m)计算各频率点的能量值，能量值矩阵记为E(L)，E(L)中的元素1≤l≤L；步骤(9)在E(L)中选取n个极大值，记录下相应的频率点，即各极大值在E(L)中的坐标，频率点集合记为{f1,f2,...fn}；步骤(10)在频率点集合{f1,f2,...fn}中任取一个频率点fi，并将其从频率点集合中剔除，从系数矩阵X(L,K,m)提取此频率点的系数矩阵的实部并将其归一化，公式为其中，Y为K×m维矩阵；步骤(11)利用模糊C均值算法对Y进行聚类，得到聚类中心{v1,v2}。矩阵Y中的每一行都可以看作一个m维的样本点，由于Y有K行，样本点集合可记为{y1,y2,...yK}；步骤(12)将聚类中心v1作为混叠矩阵A的一列；步骤(13)判断频率点集合{f1,f2,...fn}是否为空，假如集合不空，则转入步骤(10)；假如集合为空集，表明已经得到混叠矩阵A的估计，此时混叠矩阵A恰好为m×n维的矩阵；步骤(14)分别从系数矩阵X(L,K,m)中提取各元素的实部和虚部并各自压缩重组为一个新的二维矩阵，实部矩阵记为RealX(m,L×K)，虚部矩阵记为ImgX(m,L×K)；步骤(15)建立目标函数且满足Ast＝xt，其中A为步骤(13)估计得到的混叠矩阵，st为源信号在时频域中的一列，xt为输入矩阵的一列，所述的输入矩阵是RealX(m,L×K)或者ImgX(m,L×K)；步骤(16)最小化目标函数，得到分段时频域源信号的估计。为了使源信号更加直观和方便诊断，对分段时频域源信号执行逆短时傅立叶变化，得到时域源信号{s1,s2,...sn}；步骤(17)对源信号{s1,s2,...sn}进行傅立叶变换，得到n个频域波形，判断各个频域波形的故障频率点是否存在明显波形，假如存在，则说明存在该类型故障，否则反之。...

【技术特征摘要】
1.基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法,其特征在于：步骤(1)，从安装在齿轮箱内的m个传感器上获取振动信号，并设振动信号矩阵为X＝[x1,x2,...xm]，其中任意一路传感器信号xi都为T维向量，即xi∈RT，表示每一路信号有T个采样点，并记采样频率为Fs；步骤(2)选取任意一路传感器信号xi，...

【专利技术属性】
技术研发人员：杨强，胡纯直，颜文俊，杨茜，黄淼英，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33