一种风电机组传动系统轴承退化特征优选方法技术方案

本发明专利技术公开了一种风电机组传动系统轴承退化特征优选方法，方法包括以下步骤：振动加速度传感器设在风力发电机传动系统轴承衬套外壳上以采集全寿命振动加速度数据；基于全寿命振动加速度数据中提取高维退化特征；对高维退化特征进行归一化处理；从高维退化特征中选取轴承不同退化阶段表征性良好的退化特征，作为优选退化特征集。为优选退化特征集。为优选退化特征集。

【技术实现步骤摘要】
一种风电机组传动系统轴承退化特征优选方法


[0001]本专利技术属于风电机组传动系统轴承故障检测
，特别是一种风电机组传动系统轴承退化特征优选方法。

技术介绍

[0002]风电机组装备具有环境友好、基建周期短、装机规模灵活等优点，因此，近年来风电机组装机容量大幅度攀升。与此相对，风电机组传动系统齿轮箱较高的故障率严重限制了风电经济效益的发挥。由于齿轮箱的故障多始发于轴承，确保齿轮箱轴承的安全运行对确保风电机组传动系统的正常运行意义重大。
[0003]目前，针对滚动轴承退化特征的评价与优选，多依赖于人工经验确定若干表征性良好的退化特征实施监测。通过算法进行退化特征优选时，需要对退化特征从多角度，多方面进行综合的评价。
[0004]然而，现有技术构造的轴承退化特征越来越多，越来越复杂，人工经验选择已经难以适应退化特征优选的现状。由于轴承退化特征往往表现为强非线性特性，也即正常阶段平缓，故障阶段特征幅值迅速增加，多准则评价方法对于线性特征具有良好的评价效果，但是对于滚动轴承退化特征这种强非线性关系，评价能力较弱，无法有效地优选出具有良好表征性的退化特征。风电装备运行环境恶劣，所采集数据复杂，所提取的传动系统齿轮箱轴承的退化特征并不是全部都具良好的退化阶段表征性。现有的特征评价算法无法全面有效的评价滚动轴承性能退化特征。
[0005]在
技术介绍
部分中公开的上述信息仅仅用于增强对本专利技术背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

技术实现思路

[0006]针对现有技术存在的问题，本专利技术提出一种风电机组传动系统轴承退化特征优选方法，首先对所有退化特征进行归一化，并结合真实损伤状况与均方根值将全寿命退化特征划分为不同退化阶段，并在不同退化阶段中优选表征性良好的退化特征。最后将优选的多类表征性良好的退化特征集合，作为优选退化特征集。该方法可以实现快速批量优选，并且可以在不同退化阶段内进行针对性的优选。
[0007]本专利技术的目的通过以下技术方案予以实现，一种风电机组传动系统轴承退化特征优选方法包括以下步骤：
[0008]第一步骤中，振动加速度传感器设在风力发电机传动系统轴承衬套外壳上以采集全寿命振动加速度数据；
[0009]第二步骤中，基于全寿命振动加速度数据中提取高维退化特征；
[0010]第三步骤中，对高维退化特征进行归一化处理；
[0011]第四步骤中，从高维退化特征中选取轴承不同退化阶段表征性良好的退化特征，作为优选退化特征集。
[0012]所述的方法中，第一步骤中，采用三轴振动加速度传感器采集风力发电机传动系统轴承的全寿命振动加速度数据，采样频率为25600。
[0013]所述的方法中，第二步骤中，高维退化特征包括时域退化特征，时域退化特征包括：均值T1，其为标准差T2，其为方差T3，其为偏斜度T4，其为峭度T5，其为峰峰值T6，其为max(x
i
)-min(x
i
)、方根幅值T7，其为平均幅值T8，其为均方幅根值T9，其为峰值指标T
10
，其为max(|x
i
|)、波形指标T
11
，其为T9/T8、峰值指标T
12
，其为max(x
i
)/T9、脉冲指标T
13
，其为max(x
i
)/T8、裕度指标T
14
，其为max(x
i
)/T7、偏斜度指标T
15
，其为和/或峭度指标T16，其为其中，T
k
为时域退化特征，k＝1，2，3，
…
，16；x
i
表示振动加速度数据的样本点i＝1，2，3，
…
，N；N表示每次处理的振动加速度数据x
i
的样本点总数。
[0014]所述的方法中，第二步骤中，高维退化特征包括时频域特征，时频域特征包括EMD本征模式能量和EMD能量熵共同构成的特征，EMD本征模式能量为：
[0015]其中，IMF
m
(i)为本征模式IMF的第m个分量；m为本征模式IMF分量分解层标号，m＝1，2，3，
…
，6，i＝1，2，3，
…
，n，
[0016]EMD能量熵为，其中，p
m
为每个本征模式IMF占总能量的比例，E
m
为本征模式IMF的第m个分量的能量。
[0017]所述的方法中，第二步骤中，高维退化特征包括时频域特征，时频域特征包括小波包4层分解得到的16个频带能量，频带能量为：
[0018]其中，S为小波包分解节点序号，s＝1，2，3，
…
，16；a
s
(z)是小波分解之后得到的第S组小波包变换系数，s＝1，2，3，
…
，N/16；E
s
是小波包变换系数a
s
(z)的能量。
[0019]所述的方法中，第二步骤中，高维退化特征包括频域退化特征，频域退化特征包括：T
17
，其为T
18
，其为T
19
，其为T
20
，其为T
21
，其为T
22
，其为T
23
，其为T
24
，其为T
25
，其为T
26
，其为T
22
/T
21
、T
27
，其为T
28
，其为和/或T
29
，其为其中，T
k
为频域特征，k＝17，18，19，
…
，29；y
j
表示振动加速度数据x
i
经过FFT变换后得到的频域序列；j＝1，2，3，
…
，n；n表示频谱中的谱线个数；f
j
表示振动加速度数据x
i
频谱中的频率成分；p(y
j
)表示振动加速度数据x
i
的频域序列样本点出现的概率。
[0020]所述的方法中，第三步骤中，归一化处理包括：
[0021]其中，表示退化特征x中样本x
i
归一化处理之后的数值。
[0022]所述的方法中，第四步骤中，使用综合加权评价准则从高维退化特征中选取轴承不同退化阶段表征性良好的退化特征作为优选退化特征集，其中，综合加权评价准则目标函数为：max G＝κ1C(x)+κ2M(x)+κ3R(x)，其中，系数κ1、κ2、κ3为三个评价指标的加权系数；x为退化特征；G表示退化特征x的综合得分，用于评价退化特征x的单调性的M(x)为：
[0023]其中δ(x
i
)函数为单位阶跃函数，
当x
i
≥0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电机组传动系统轴承退化特征优选方法，所述方法包括以下步骤：第一步骤(S100)中，振动加速度传感器设在风力发电机传动系统轴承衬套外壳上以采集全寿命振动加速度数据；第二步骤(S200)中，基于全寿命振动加速度数据中提取高维退化特征；第三步骤(S300)中，对高维退化特征进行归一化处理；第四步骤(S400)中，从高维退化特征中选取轴承不同退化阶段表征性良好的退化特征，作为优选退化特征集。2.根据权利要求1所述的方法，其中，优选的，第一步骤(S100)中，采用三轴振动加速度传感器采集风力发电机传动系统轴承的全寿命振动加速度数据，采样频率为25600。3.根据权利要求1所述的方法，其中，第二步骤(S200)中，高维退化特征包括时域退化特征，时域退化特征包括：均值T1，其为标准差T2，其为方差T3，其为偏斜度T4，其为峭度T5，其为峰峰值T6，其为max(x
i
)-min(x
i
)、方根幅值T7，其为平均幅值T8，其为均方幅根值T9，其为峰值指标T
10
，其为max(|x
i
|)、波形指标T
11
，其为T9/T8、峰值指标T
12
，其为max(x
i
)/T9、脉冲指标T
13
，其为max(x
i
)/T8、裕度指标T
14
，其为max(x
i
)/T7、偏斜度指标T
15
，其为和/或峭度指标T
16
，其为其中，T
k
为时域退化特征，k＝1，2，3，
…
，16；x
i
表示振动加速度数据的样本点i＝1，2，3，
…
，N；N表示每次处理的振动加速度数据x
i
的样本点总数。4.根据权利要求1所述的方法，其中，第二步骤(S200)中，高维退化特征包括时频域特征，时频域特征包括EMD本征模式能量和EMD能量熵共同构成的特征，EMD本征模式能量为：其中，IMF
m
(i)为本征模式IMF的第m个分量；m为本征模式IMF分量分解层标号，m＝1，2，3，
…
，6，i＝1，2，3，
…
，n，
EMD能量熵为，其中，p
m
为每个本征模式IMF占总能量的比例，E
m
为本征模式IMF的第m个分量的能量。5.根据权利要求1所述的方法，其中，第二步骤(S200)中，高维退化特征包括时频域特征，时频域特征包括小波包4层分解得到的16个频带能量，频带能量为：其中，S为小波包分解节点序号，s＝1，2，3，
…
，16；a
s
(z)是小波分解之后得到的第S组小波包变换系数，s＝1，2，3，
…
，N/16；E
s
是小波包变换系数a
s
(z)的能量。6.根据权利要求1所述方法，其中，第二步骤(S200)中，高维退化特征包括频域退化特征，频域退化特征包括：T
17
，其为T
18
，其为T
19
，其为T
20
，其为T
21
，其为T
22
，其为T
23
，其为T
24
，其为T
25
，其为T
26
，其为T
22
/T
21
、T
27
，其为T
28
，其为和/或T
29
，其为其中，T
k
为频域特征，k＝17，18，19，
…
，29；y
j
表示振动加速度数据x
i
经过FFT变换后得到的频域序列；j＝1，2，3，
…
，n；n表示频谱中的谱线个数；f
j
表示振动加速度数据x
i
频谱中的频率成分；p(y
j
)表示振动加速度数据x
i
的频域序列样本点出现的概率...

【专利技术属性】
技术研发人员：申中杰，李盼，宫云杰，
申请(专利权)人：西安英特迈思信息科技有限公司，
类型：发明
国别省市：