一种风力涡轮机轴承故障诊断方法技术

本发明专利技术所设计的一种风力涡轮机轴承故障诊断方法，首先利用熵最小原理设计最优滤波器，突出信号中的脉冲冲击；其次，用局部均值分解对故障信号进行分解，提取与原信号相关度较大的PF分量计算参数指标，组成特征向量集合；最后，建立改进极限学习机的风力涡轮机轴承故障分类模型，并将特征向量集合输入到改进极限学习机中进行故障的诊断。本发明专利技术方法一方面利用最小熵解卷积有效地提高信噪比，使风力涡轮机轴承故障特征明显；另一方面利用局部均值分解方法得到了原始信号完整的时频分布，从改进极限学习机的故障模型中可直接检测出风力涡轮机轴承故障类型。

【技术实现步骤摘要】
一种风力涡轮机轴承故障诊断方法
本专利技术涡轮发动机维护领域，尤其涉及一种基于改进极限学习机的涡轮发动机轴承故障诊断方法。
技术介绍
风能作为一种可再生能源，绿色、节能、高效，是未来能源科学重点发展的方向。随着风力发电站的快速发展，风力涡轮机的维护也变得越来越重要。人们对风力涡轮机可靠形与安全运行的要求越来越高，而轴承是风力涡轮机的关键部分，其性能好坏对整个系统的可靠运作有着至关重要的影响。轴承故障可能导致风力涡轮机的突然停机，进而导致整个系统的瘫痪，带来巨大的经济损失甚至是人员伤亡。因此，风力涡轮机轴承的故障诊断在工业应用中具有重要意义。轴承故障发生往往伴随着振动信号的变化，而机械振动信号具有非线性、非平稳的特性，因此可以通过检测、处理分析振动信号来监测轴承的健康状态。本专利技术涉及到的最小熵解卷积通过搜索一组最佳的滤波器系数，使经过逆滤波器输出信号的峭度最大化、熵值最小，突出信号中的脉冲特性；局部均值分解是一种新的自适应信号处理方法。目前，还没有通过处理轴承的振动信号，从而有效检验涡轮发动机故障存在与否的诊断方法。
技术实现思路
本专利技术提供了一种风力涡轮机轴承故障类型诊断方法，在风力涡轮机轴承故障诊断方面具有显著的有效性和准确性。一种风力涡轮机轴承故障诊断方法，包含以下步骤：Ⅰ：建立最小熵解卷积模型并获取轴承发出的信号，利用最小熵解卷积模型对信号进行降噪处理并得到有效故障信号。Ⅱ：利用局部均值分解对有效故障信号进行分解以得到新信号，所述新信号包括若干个乘积函数PF，每个PF都是一个包络信号和一个具有物理意义的纯调频信号的乘积。Ⅲ：建立风力涡轮机轴承的改进极限学习机故障分类模型，改进的极限学习机是一种双层多标签极限学习机网络。Ⅳ：将新信号输入到改进极限学习机，根据得到的新的信号进行指标计算，指标包括标准差、峰值、均方根值、偏斜度、谱峭度、绝对平均值、方根幅值、峰峰值、脉冲指标、波形指标、峭度指标、裕度指标。Ⅴ：将指标计算结果组成故障特征向量输入到改进极限学习机中进行故障分类识别，得到轴承故障类型的分类结果。本专利技术方法一方面利用最小熵解卷积有效地提高信噪比，抑制噪声，使弱振动信号的故障特征被提取出来，从而使轴承故障特征明显；另一方面，利用局部均值分解方法将一个复杂的非平稳多分量信号分解成多个单分量信号，计算多个指标，由此得到特征向量组，从改进极限学习机的故障模型中可直接检测出轴承故障类型。同时，利用双层多标签极限学习机，可以将故障类型甄别出来，得到较高准确性的分类结果。为进一步完善上述方案，本专利技术进一步设置为：步骤Ⅰ中所述的建立提高信噪比的最小熵解卷积模型，包括以下步骤：①对于获得的信号，用时域卷积表示为：x＝hu*u+hd*d+he*e，其中，x＝[x1,x2,x3…xN]T为离散加速度序列，u＝[u1,u2,u3…uN]T为未知输入的干扰信号，d＝[d1,d2,d3…dN]T为输入的周期性冲击故障信号，e为离散高斯噪声序列，hu,hd和he分别为各自对应的时域卷积FIR滤波器系数，N为加速度序列x的数据长度。②重构故障信号d，实现最小熵解卷积：使测量加速度x通过一个L阶解卷积FIR滤波器f且L＜N，所述解卷积滤波器f的输出可以用时域卷积表示为：y＝f*x＝f*(hu*u)+f*(hd+d)+f*(he*e)其中，f＝[f1,f2,f3…fL]T,y＝[y1,y2,y3…yN]T；③采用峭度K(y)作为目标函数，求该目标函数最优滤波器f的最大峭度值：其中，L、N分别为解卷积FIR滤波器f的结束和输入信号x的长度。此时，f＝[f1,f2,f3…fL]T，峭度K(y)关于滤波器f的一阶偏导数等于零；④结合步骤②和步骤③，有此时，⑤将步骤④中的每个变量l(l＝1,2,…,L)对应于一个方程，共L个方程组，简化为矩阵形式为：其中，f＝[f1,f2,f3…fL]T，为标量，为解卷积滤波器f的输入信号x的L×L阶自相关Toeplitz矩阵；为输出信号与y的y3与输入信号x的互相关矩阵，此时，⑥通过逐步迭代方法收敛到局部最优解，输出该最优解作为有效故障信号。本专利技术进一步设置为，步骤⑥所述的迭代方法，包括以下步骤：第一步：初始化滤波器系数f(0)，所述f(0)为中心单位脉冲的时延滤波器，此时，f(0)＝[0,…,0,1,0,…,0]T；第二步:根据X0及计算其中i为迭代循环次数，i＝1,2,…,m，m为最大迭代循环次数；第三步：计算K(y(i))、R(i)(y3,x)L×1；第四步：计算迭代更新f(i)系数并重复迭代过程第二步、第三步，直至满足迭代循环终止条件，所述终止条件为：ΔK(i)＝|K(y(i+1))-K(y(i))|；第五步：FIR滤波器系数f＝f(i)，滤波器信号y为信号x中所包含的具有高峭度脉冲故障信号d的一个近似。为进一步完善上述方案，本专利技术进一步设置为，步骤Ⅱ所述的均值分解方法包括以下步骤：S1：ni为原始信号x(t)所有的局部极值点，计算得到所有相邻的局部极值点ni和ni+1的平均值mi，将所有相邻的mi用直线连接起来并且经平滑处理得到局部均值函数m11(t)，计算包络估计值ai，将所有的相邻ai用直线连接起来并且经进行平滑处理得到包络估计函数a11(t)。S2：将m11(t)从原始信号x(t)中分离出并得到h11(t)，h11(t)＝x(t)-m11(t)，对h11(t)进行解调，得到s11(t)，s11(t)＝h11(t)/a11(t)，计算s11(t)的包络估计函数a12(t)。S3：当a12(t)＝1时，进行步骤S5，此时，s11(t)是一个纯调频信号，当a12(t)≠1时进行步骤S4。S4：对s11(t)重复步骤S1至步骤S2，直到-1≤s1n(t)≤1且其包络信号估计函数满足a1(n+1)(t)＝1，迭代终止条件为：S5：将包络信号a1(t)和纯调频信号s1n(t)相乘便可以得到第一个PF分量：PF1(t)＝a1(t)s1n(t)，包络信号a1(t)为迭代过程中产生的全部包络估计函数的乘积，S6：x(t)中分离出第一个PF分量为PF1(t)，获得新的信号u1(t)，将u1(t)作为原始数据重复步骤S1至步骤S5，循环k次，直到uk(t)为一个单调函数，此时x(t)被分解成k个PF分量和一个残余分量uk(t)之和，即：此时，PFp表示为p个PF分量，uk表示余项。为进一步完善上述方案，本专利技术进一步设置为，步骤Ⅲ所述的改进极限学习机故障分类模型，包括有用于计算故障的数量的计数网络和用于识别故障的标签网络。在此基础上，本专利技术进一步设置为，计数网络构建方法如下所示：A.通过实验特征的回归映射获得故障标签的数量m，具有单个数据节点的极限学习机网络应用于回归。输出的表达式为：x∈Rn，其中，β＝[β1,β2,…,βLr]是隐藏层和输出层之间的权重，e(x)＝[g1(ω1,b1,x),g2(ω2,b2,x),…,gLr(ωi,bLr,x)]为隐藏节点Lr的输出，gi(ωi,bi,x)是隐藏层中第i个节点的值。B.对于具有激活函数的隐藏层的径向基函数径向基函数，即e(x)，可由下式得到h(x)＝g(bi||x-ωi||)，bi∈R+。其中，ωi和bi分别表示第i个径向基函数节点的中心和影响因子，R本文档来自技高网...

【技术保护点】
1.一种风力涡轮机轴承故障诊断方法，其特征在于，所述诊断方法包含以下步骤：Ⅰ：建立最小熵解卷积模型并获取轴承发出的信号，利用所述最小熵解卷积模型对信号进行降噪处理，得到有效故障信号；Ⅱ：利用局部均值分解对所述有效故障信号进行分解以得到新信号，所述新信号包括若干个乘积函数PF，所述PF是一个包络信号和一个具有物理意义的纯调频信号的乘积；Ⅲ：建立风力涡轮机轴承的改进极限学习机故障分类模型，所述改进的极限学习机是一种双层多标签极限学习机网络；Ⅳ：将新信号输入到改进极限学习机，根据得到的新的信号进行指标计算，所述指标包括标准差、峰值、均方根值、偏斜度、谱峭度、绝对平均值、方根幅值、峰峰值、脉冲指标、波形指标、峭度指标、裕度指标；Ⅴ：将所述指标计算结果组成故障特征向量输入到改进极限学习机中进行故障分类识别，得到轴承故障类型的分类结果。

【技术特征摘要】
1.一种风力涡轮机轴承故障诊断方法，其特征在于，所述诊断方法包含以下步骤：Ⅰ：建立最小熵解卷积模型并获取轴承发出的信号，利用所述最小熵解卷积模型对信号进行降噪处理，得到有效故障信号；Ⅱ：利用局部均值分解对所述有效故障信号进行分解以得到新信号，所述新信号包括若干个乘积函数PF，所述PF是一个包络信号和一个具有物理意义的纯调频信号的乘积；Ⅲ：建立风力涡轮机轴承的改进极限学习机故障分类模型，所述改进的极限学习机是一种双层多标签极限学习机网络；Ⅳ：将新信号输入到改进极限学习机，根据得到的新的信号进行指标计算，所述指标包括标准差、峰值、均方根值、偏斜度、谱峭度、绝对平均值、方根幅值、峰峰值、脉冲指标、波形指标、峭度指标、裕度指标；Ⅴ：将所述指标计算结果组成故障特征向量输入到改进极限学习机中进行故障分类识别，得到轴承故障类型的分类结果。2.根据权利要求1所述的一种风力涡轮机轴承故障诊断方法，其特征在于，步骤Ⅰ中所述的建立提高信噪比的最小熵解卷积模型，包括以下步骤：①对于获得的信号，用时域卷积表示为：x＝hu*u+hd*d+he*e，其中，x＝[x1,x2,x3…xN]T为离散加速度序列，u＝[u1,u2,u3…uN]T为未知输入的干扰信号，d＝[d1,d2,d3…dN]T为输入的周期性冲击故障信号，e为离散高斯噪声序列，hu,hd和he分别为各自对应的时域卷积FIR滤波器系数，N为加速度序列x的数据长度；②重构故障信号d，实现最小熵解卷积：使测量加速度x通过一个L阶解卷积FIR滤波器f且L＜N，所述解卷积滤波器f的输出可以用时域卷积表示为：y＝f*x＝f*(hu*u)+f*(hd+d)+f*(he*e)其中，f＝[f1,f2,f3…fL]T,y＝[y1,y2,y3…yN]T；③采用峭度K(y)作为目标函数，求该目标函数最优滤波器f的最大峭度值：其中，L、N分别为解卷积FIR滤波器f的结束和输入信号x的长度，此时，f＝[f1,f2,f3…fL]T，峭度K(y)关于滤波器f的一阶偏导数等于零；④结合步骤②和步骤③，有此时，⑤将步骤④中的每个变量l(l＝1,2,…,L)对应于一个方程，共L个方程组，简化为矩阵形式为：其中，f＝[f1,f2,f3…fL]T，为标量，为解卷积滤波器f的输入信号x的L×L阶自相关Toeplitz矩阵，为输出信号与y的y3与输入信号x的互相关矩阵，此时，⑥通过逐步迭代方法收敛到局部最优解，输出该最优解作为有效故障信号。3.根据权利要求1所述的一种风力涡轮机轴承故障诊断方法，其特征在于，步骤Ⅱ所述的均值分解方法包括以下步骤：S1：ni为原始信号x(t)所有的局部极值点，计算得到所有相邻的局部极值点ni和ni+1的平均值mi，将所有相邻的mi用直线连接起来并且经平滑处理得到局部均值函数m11(t)，计算包络估计值ai，将所有的相邻ai用直线连接起来并且经进行平滑处理得到包络估计函数a11(t)；S2：将m11(t)从原始信号x(t)中分离出并得到h11(t)，h11(t)＝x(t)-m11(t)，对h11(t)进行解调，得到s11(t)，s11(t)＝h11(t)/a11(t)，计算s11(t)的包络估计函数a12(t)；S3：当a12(t)＝1时，进行步骤S5，此时，s11(t)是一个纯调频信号，当a12(t)≠1时进行步骤S4；S4：对s11(t)重复步骤S1至步骤S2，直到-1≤s1n(t)≤1且其包络信号估计函数满足a1(n+1)(t...

【专利技术属性】
技术研发人员：向家伟，高云，
申请(专利权)人：温州大学苍南研究院，
类型：发明
国别省市：浙江,33