The invention discloses a bearing fault diagnosis method for wind turbines based on AVMD and spectral correlation analysis. Aiming at the problem of inaccurate decomposition effect and low calculation efficiency of conventional bearing fault diagnosis method at present, a new bearing fault diagnosis method for large wind turbines is proposed. The core idea of the algorithm is: Firstly, the improved VMD algorithm, AVMD algorithm, is used to decompose different types of fault signals, then PCA is used to reduce the dimension and denoise the decomposition modes, the PCA-processed principal components are transformed into the frequency domain, and the spectrum vectors of the fault features are obtained by connecting the spectrum of the obtained modes in the frequency domain, and the fault feature library is constructed. Then the signal to be detected will be processed in the same way. Spectral correlation analysis is used to complete fault diagnosis. Compared with the traditional wind turbine rolling bearing fault diagnosis method, this method is more accurate, faster and has better practical value.
【技术实现步骤摘要】
一种基于AVMD和谱相关分析的风电机组轴承故障诊断方法
本专利技术是一种应用于风电机组滚动轴承或大型机械设备滚动轴承的故障诊断方法,尤其针对振动信号非平稳、非线性的特性,加强信号分解准确性;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 ...
【技术保护点】
1.一种基于AVMD和谱相关分析的风电机组轴承故障诊断方法,其特征在于:本方法包括“故障库建模”和“实施诊断”两个阶段,具体步骤如下:A.建立故障库阶段:1)故障信号分解阶段;使用自适应变分模态分解方法AVMD将故障信号分解为N个模态分量,对于M种类型的故障信号,重复使用AVMD分解每种故障信号,共分解M次;得到M组个数为N的信号分量集合;2)特征频谱获取阶段;首先对M类故障信号的模态分量进行主成分分析PCA去噪降维处理,选取贡献率最高的前n个主成分分量,使用快速傅里叶变换FFT将其转化为频谱;将n个主成分分量的频谱首尾相接,构成一个故障特征伪频谱;对于M类故障信号需分别对每类故障信号构建故障特征伪频谱向量;将包含这M个特征伪频谱向量的集合A称为故障特征集合;B.实施诊断阶段:对于未知故障信号,使用AVMD方法将其分解为N个本征模态分量,使用PCA将N个本征模态分量降维去噪转化为N个主成分分量,使用快速傅里叶变换将贡献率最高的前n个主成分分量变为频谱,首尾相接n1个频谱构成伪频谱特征向量;将该伪频谱特征向量分别与故障特征集合A中的所有故障伪频谱特征向量求互相关系数,最大互相关系数所对应 ...
【技术特征摘要】
1.一种基于AVMD和谱相关分析的风电机组轴承故障诊断方法,其特征在于:本方法包括“故障库建模”和“实施诊断”两个阶段,具体步骤如下:A.建立故障库阶段:1)故障信号分解阶段;使用自适应变分模态分解方法AVMD将故障信号分解为N个模态分量,对于M种类型的故障信号,重复使用AVMD分解每种故障信号,共分解M次;得到M组个数为N的信号分量集合;2)特征频谱获取阶段;首先对M类故障信号的模态分量进行主成分分析PCA去噪降维处理,选取贡献率最高的前n个主成分分量,使用快速傅里叶变换FFT将其转化为频谱;将n个主成分分量的频谱首尾相接,构成一个故障特征伪频谱;对于M类故障信号需分别对每类故障信号构建故障特征伪频谱向量;将包含这M个特征伪频谱向量的集合A称为故障特征集合;B.实施诊断阶段:对于未知故障信号,使用AVMD方法将其分解为N个本征模态分量,使用PCA将N个本征模态分量降维去噪转化为N个主成分分量,使用快速傅里叶变换将贡献率最高的前n个主成分...
【专利技术属性】
技术研发人员:齐咏生,白宇,李永亭,刘利强,
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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。