一种基于AVMD和谱相关分析的风电机组轴承故障诊断方法技术

本发明专利技术公开了一种基于AVMD和谱相关分析的风电机组轴承故障诊断方法，针对现阶段常规轴承故障诊断方法的分解效果不精确，计算效率低的问题，提出了一种新的大型风电机组轴承故障诊断方法。算法的核心思想是：首先通过改进的VMD算法即AVMD算法分解不同类型的故障信号，之后使用PCA降维去噪分解模态，将PCA处理后的主成分进行频谱变换，转到频域并将所得各模态的频谱首尾相接得到故障特征的频谱向量，构建故障特征库。之后将待检测信号进行相同处理。使用谱相关分析法完成故障诊断。该方法相比传统风电机组滚动轴承故障诊断方法更加精确，计算速度更快，有较好的实用价值。

A Fault Diagnosis Method of Wind Turbine Bearing Based on AVMD and Spectral Correlation Analysis

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。VMD是一种新提出的信号时频分析方法，该方法在对不同频率分量的分解上优于小波分析，EMD，EEMD方法如图1到图4所示为几种信号处理方法频谱对比图。但是常规VMD算法分解模态数量N和罚参数ε需要人为设定，两个参数如果选择不好对分解效果影响较大。针对这一问题，需要将传统VMD进行改进，之后再结合合适的模式识别的方法完成故障诊断。
技术实现思路
本专利技术针对现阶段常规轴承故障诊断方法的分解效果不精确，计算效率低的问题，提出了一种新的大型风电机组轴承故障诊断方法。算法的核心思想是：首先通过改进的VMD算法即AVMD算法分解不同类型的故障信号，之后使用PCA降维去噪分解模态，将PCA处理后的主成分进行频谱变换，转到频域并将所得各模态的频谱首尾相接得到故障特征的频谱向量，构建故障特征库。之后将待检测信号进行相同处理。使用谱相关分析法完成故障诊断。该方法相比传统风电机组滚动轴承故障诊断方法更加精确，计算速度更快，有较好的实用价值。本专利技术采用了的技术方案为一种基于AVMD和谱相关分析的风电机组轴承故障诊断方法，该方法的实现包括如下步骤：A.建立故障库阶段：步骤1)数据采集与划分：采集M类故障的原始振动信号，对第k类故障信号进行划分，k＝1,2,…,M，每种故障信号各划分为H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K段数据作为检测样本验证算法有效性，其中0＜S+K≤H；步骤2)参数选取：首先对原始信号进行短时傅里叶变换，绘制短时傅里叶频谱图，由图像结果得到模态个数N。之后采用修正步长τ＝50逐步从5开始改变罚参数ε的大小对原信号进行分解，将分解结果的叠加频谱与原始频谱进行互关性分析，最高相关性系数对应的罚参数ε即为所求。步骤3)提取故障伪频谱特征：首先使用AVMD对M类故障信号进行分解，每个故障信号分解得到N个模态分量。使用PCA处理AVMD的分解模态，得到N个主成分，选取贡献率最高的前n个主成分，n＜N，达到降维和去噪的目的。并将这n个主成分进行快速傅里叶变换，之后将得到的频谱按顺序首尾相接得到伪频谱特征向量，这种伪频谱特征向量用于互相关分析。B.实施诊断阶段：对未知故障信号得到故障伪频谱特征向量，将该伪频谱特征向量分别与故障特征库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的故障类型即为诊断结果。互相关系数r求取公式如下：其中X代表未知故障信号的伪频谱特征向量，Y代表故障特征集合中的一个故障类型的伪频谱特征向量。Cov代表求两个伪频谱特征向量的协方差。σ代表标准差。同种故障的特征频率有着很强的相关性。相关性系数范围是-1到1，|r|的值越接近1说明相关性越大，越接近0说明相关性越小，甚至不相关。与现有技术相比，本专利技术提出一种AVMD-谱相关分析的风机滚动轴承故障诊断新方法。该方法克服了普通VMD算法人工选取模态个数与罚参数两个参数的缺陷。使用PCA处理AVMD分解结果达到了降维去噪，准确选取故障特征的目的。最后使用谱相关分析对比故障特征谱模型库与待检测信号谱特征，筛选最大相关系数对应的故障类型完成故障诊断，运算速度快，提高诊断效率。附图说明图1为VMD分解信号频谱图。图2为EMD分解信号频谱图。图3为EEMD分解信号频谱图。图4为小波分解信号频谱图。图5为故障实验平台。图6为算法具体流程图。图7为选择模态个数的短时傅里叶频谱图。图8为最优罚参数选择图。图9为罚参数ε＝100时分量叠加频谱与原信号频谱对比图。图10为罚参数ε＝2000时分量叠加频谱与原信号频谱对比图。图11为罚参数ε＝5000时分量叠加频谱与原信号频谱对比图。图12为各个主成分贡献率图。图13为使用PCA处理后外圈特征频谱与内圈特征频谱对比图。图14为0.007外圈故障诊断结果图。图15为0.007内圈故障诊断结果图。图16为0.007滚珠故障诊断结果图。图17为0.021外圈故障诊断结果图。图18为0.021内圈故障诊断结果图。图19为0.021滚珠故障诊断结果图。图20为风场数据外圈故障诊断结果图。图21为风场数据内圈故障诊断结果图。具体实施方式本专利技术的目的主要针对传统滚动轴承故障诊断方法诊断结果的准确性不足，计算量大，诊断效率低的问题。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本文档来自技高网...

【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的故障类型即为诊断结果；互相关系数r求取公式如下：...

【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