一种基于同步模态谱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同步模态谱的风电机组轴承故障诊断方法，其包括：采集风电机组振动数据；基于所述风电机组振动数据构建同步模式谱；通过轴旋转频率与故障特征的瞬时频率之间的关系计算得到故障特征的理论阶次值；将所述同步模式谱中检测到的故障相关特征阶次与所述理论阶次值进行对比，对所述风电机组轴承进行故障诊断。本发明专利技术通过构建同步模态谱，仅仅只需要优化得到转速信息，识别其它特征成分是不要迭代优化。同步模态谱相比于现有阶次分析方法增强了对风电机组振动信号中蕴含轴承特征的提取能力。构建同步模态谱中嵌入了优化后的带宽参数，保证了提取特征成分带宽的合理性，显著提升同步模态谱对风电机组轴承故障特征的揭示能力。

【技术实现步骤摘要】
一种基于同步模态谱的风电机组轴承故障诊断方法
本专利技术涉及轴承故障诊断
，特别涉及一种基于同步模态谱的风电机组轴承故障诊断方法。
技术介绍
风电机组一般服役于极端的恶劣环境下，各部件不可避免地出现性能衰退，导致故障出现，运行维护是保证风电机组可靠运行的有效途径。对于风电产业来说，20年使用寿命的陆上风电机组的运行维护维修成本约占风电场收入的10％-15％，而海上风电机组的运行维护成本甚至高达20-25％。因此，如何减少运行维护成本，提高经济效益，是风电产业所面临的主要挑战之一。目前，开展风电机组状态监测与故障诊断被认为是降低风电机组运行风险，保障运行安全，减少机组服役期运行维护成本的有效途径，已得到众多学者的关注与研究。风电机组轴承是其中的易损部件，对其进行状态监测与故障诊断十分有必要。然而，风电机组相比于普通传动机构有很多的特殊性，例如风电机组运行速度区间跨度大、随机性强；工作载荷波动大；风电机组各部件的运行转速差异性大；机电耦合性能显著等。这些特殊性造成风电机组振动信号相比于普通传动机构的振动信号具有更显著的非平稳性、非线性，同时干扰信号的复杂程度也明显增大。当风电机组轴承处于早期微弱故障时，面对如此复杂干扰，其故障信息的识别非常具有挑战性。为了保证安装方便、降低成本等需求，无转速计阶次分析方法成为了风电机组轴承状态监测与故障诊断的一种有效途径，但是实现无转速计阶次分析要求依托振动声学等信号提取准确的转速。当前发展了许多依托时频表示方法识别转速的技术。然而，这类方法对时频表示方法的参数设置要求较高，而且一些高精度时频表示方法往往只是提高了时频结果的可视化，但转速信息的提取能力并没有增强。近期，发展的一些新的时频分解算法，可以在粗糙时频表示基础实现高质量的非平稳信号特征提取，但是这类时频分解算法也需要预先设置多个先验参数，而且其抗噪性能还需要进一步提升。因此，需要一种新的风电机组轴承故障诊断方法来解决上述问题。
技术实现思路
本专利技术目的在于提供一种可以对复杂运行工况下风电机组轴承进行故障诊断、准确性高、效果好的故障诊断方法。其采用如下技术方案：为了解决上述问题，本专利技术提供了一种基于同步模态谱的风电机组轴承故障诊断方法，其包括：采集风电机组振动数据；基于所述风电机组振动数据构建同步模式谱；通过轴旋转频率与故障特征的瞬时频率之间的关系计算得到故障特征的理论阶次值；将所述同步模式谱中检测到的故障相关特征阶次与所述理论阶次值进行对比，对所述风电机组轴承进行故障诊断。作为本专利技术的进一步改进，基于所述风电机组振动数据构建同步模式谱，具体包括：采用时变调频-调幅信号优化模型识别风电机组的旋转轴转速以及确定识别特征成分所需的最优带宽参数；利用识别的转速以及确定的最优带宽参数构建基于风电机组振动数据包络波形的同步模式谱。作为本专利技术的进一步改进，所述采用时变调频-调幅信号优化模型识别风电机组的旋转轴转速以及确定识别特征成分所需的最优带宽参数，具体包括：对风电机组振动数据x(t)低通滤波得到其低通滤波信号y(t)：y(t)＝lowpass(x(t))(1)其中，lowpass(·)为低通滤波器；利用常规时频分析方法对低通滤波信号y(t)进行时频表示，然后利用基于局部最大值脊线估计方法从低通滤波信号y(t)的时频表示结果中粗略估计出风电机组轴转频其向量形式为通过求解时变调频-调幅信号优化模型L(αν(t),βν(t),ων(t))，识别出转频成分yv(t)及其对应的瞬时频率ων(t)，以给出识别风电轴承特征成分所需的最优带宽参数η。作为本专利技术的进一步改进，通过求解时变调频-调幅信号优化模型L(αν(t),βν(t),ων(t))，识别出转频成分yv(t)及其对应的瞬时频率ων(t)，以给出识别风电轴承特征成分所需的最优带宽参数η，具体包括：所述时变调频-调幅信号优化模型L(αν(t),βν(t),ων(t))为：其中α″v(t)和β″v(t)分别为αv(t)和βv(t)的二阶导数结果；αv(t)和βv(t)是转频成分对应的去调频信号，分别表示为：和其中，为初始相位，为去调频瞬时频率；将L(αν(t),βν(t),ων(t))变换为矩阵形式：其中和分别为αv(t)和βv(t)的离散形式向量，N为信号y(t)的长度；y＝[y(t0),…,y(tN-1)]T为y(t)的离散形式向量；yv＝[yv(t0),…,yv(tN-1)]T为yv(t)的离散形式向量；D是维数为(N-2)×N的二阶差分矩阵，0是与D为维数相同的全零矩阵；ωv＝[ωv(t0),…,ωv(tN-1)]为ων(t)的离散形式向量；然后，对矩阵形式的时变调频-调幅信号优化模型L(xv,ωv)进行求解，获得yv和ωv。作为本专利技术的进一步改进，所述对矩阵形式的时变调频-调幅信号优化模型L(xv,ωv)进行求解，获得yv和ωv，具体包括：依次对式(6)、(7)和(8)进行迭代计算，直到停止迭代计算，ε是迭代计算停止因子，并最终保存η＝ηn+1；其中，式(6)、(7)和(8)中各向量和变量的上标n表示各向量和变量在第n-1次迭代计算时的结果；diag[·]为对角化函数，利用来初始化；I表示维数为N×N单位对角矩阵；式(·)′表示相应变量的一次导数；μ是频率波动平滑因子；式(7)中和通过得到。作为本专利技术的进一步改进，所述利用识别的转速以及确定的最优带宽参数构建基于风电机组振动数据包络波形的同步模式谱，具体包括：对风电机组振动数据进行包络分析，得到其包络信号En＝[En(t0),…,En(tN-1)]；考虑到风机机组轴承故障特征成分的频率与风电机组轴转频ωv同步变化，利用同步特性产生一组ωi＝[ωi(t0),…,ωi(tN-1)](i＝1，2，…，z，…)ωi＝iΔkωv(9)其中，Δk为同步特性的步长，进而得到相应的矩阵Qi，Qi＝[Ci,Si]，利用矩阵Qi信息从包络信号En中恢复出其对应的成分xixi＝(ΩTΩ/η+(Qi)TQi)-1(Qi)TEn(10)令αi＝xi(1:N)＝[αi(1),…,αi(k),…,αi(N)]，βi＝xi(N+1:2N)＝[βi(1),…,βi(k),…,βi(N)]；计算xi对应的瞬时幅值信息Eni＝[Eni(1),…,Eni(k),…,Eni(N)]基于瞬时幅值信息Eni，定义归一化累积和AiAi表示沿着频率ωi计算的归一化累积和，其对应的阶次Oi为Oi＝ωi/ωv(13)联合{A1,A2,…,Ai,…}和{O1,O2,…,Oi,…}构成同步模式谱，并对{A1,A2,…,Ai,…}进行去趋势处理。作为本本文档来自技高网...

【技术保护点】
1.一种基于同步模态谱的风电机组轴承故障诊断方法，其特征在于，包括：/n采集风电机组振动数据；/n基于所述风电机组振动数据构建同步模式谱；/n通过轴旋转频率与故障特征的瞬时频率之间的关系计算得到故障特征的理论阶次值；/n将所述同步模式谱中检测到的故障相关特征阶次与所述理论阶次值进行对比，对所述风电机组轴承进行故障诊断。/n

【技术特征摘要】
1.一种基于同步模态谱的风电机组轴承故障诊断方法，其特征在于，包括：
采集风电机组振动数据；
基于所述风电机组振动数据构建同步模式谱；
通过轴旋转频率与故障特征的瞬时频率之间的关系计算得到故障特征的理论阶次值；
将所述同步模式谱中检测到的故障相关特征阶次与所述理论阶次值进行对比，对所述风电机组轴承进行故障诊断。


2.如权利要求1所述的基于同步模态谱的风电机组轴承故障诊断方法，其特征在于，基于所述风电机组振动数据构建同步模式谱，具体包括：
采用时变调频-调幅信号优化模型识别风电机组的旋转轴转速以及确定识别特征成分所需的最优带宽参数；
利用识别的转速以及确定的最优带宽参数构建基于风电机组振动数据包络波形的同步模式谱。


3.如权利要求2所述的基于同步模态谱的风电机组轴承故障诊断方法，其特征在于，所述采用时变调频-调幅信号优化模型识别风电机组的旋转轴转速以及确定识别特征成分所需的最优带宽参数，具体包括：
对风电机组振动数据x(t)低通滤波得到其低通滤波信号y(t)：
y(t)＝lowpass(x(t))(1)
其中，lowpass(·)为低通滤波器；
利用常规时频分析方法对低通滤波信号y(t)进行时频表示，然后利用基于局部最大值脊线估计方法从低通滤波信号y(t)的时频表示结果中粗略估计出风电机组轴转频其向量形式为
通过求解时变调频-调幅信号优化模型L(αν(t),βν(t),ων(t))，识别出转频成分yv(t)及其对应的瞬时频率ων(t)，以给出识别风电轴承特征成分所需的最优带宽参数η。


4.如权利要求3所述的基于同步模态谱的风电机组轴承故障诊断方法，其特征在于，通过求解时变调频-调幅信号优化模型L(αν(t),βν(t),ων(t))，识别出转频成分yv(t)及其对应的瞬时频率ων(t)，以给出识别风电轴承特征成分所需的最优带宽参数η，具体包括：
所述时变调频-调幅信号优化模型L(αν(t),βν(t),ων(t))为：



其中α″v(t)和β″v(t)分别为αv(t)和βv(t)的二阶导数结果；αv(t)和βv(t)是转频成分对应的去调频信号，分别表示为：



和
其中，为初始相位，为去调频瞬时频率；
将L(αν(t),βν(t),ων(t))变换为矩阵形式：



其中和分别为αv(t)和βv(t)的离散形式向量，N为信号y(t)的长度；y＝[y(t0),…,y(tN-1)]T为y(t)的离散形式向量；yv＝[yv(t0),…,yv(tN-1)]T为yv(t)的离散形式向量；D是维数为(N-2)×N的二阶差分矩阵，0是与D为维数相同的全零矩阵；ωv＝[ωv(t0),…,ωv(tN-1)]为ων(t)的离散形式向量；
然后，对矩阵形式的时变调频-调幅信号优化模型L(xv,ωv)进行求解，获得yv和ωv。


5.如权利要求4所述的基于同步模态谱的风电机组轴承故障诊断方法，其特征在于，所述对矩阵形式的时变调频-调幅信号优化模型...

【专利技术属性】
技术研发人员：王前，李巧月，江星星，李珂，祁玉梅，
申请(专利权)人：苏州大学文正学院，
类型：发明
国别省市：江苏;32