风电塔筒的解决未知源数的振动信号欠定盲源分离方法技术

本申请涉及一种风电塔筒的解决未知源数的振动信号欠定盲源分离方法，首先将混合信号变换到时频域，变换为多维行向量；基于多维行向量，通过主成分分析法和混合时频比法，对多个时频点数据进行筛选，得到满足预设筛选公式的单源域特征数据，并对其进行归一化处理，得到基于方向角表示的特征数据；通过预设修改聚类算法进行聚类，得到信号源数和估计混合矩阵；最后基于信号源数和估计混合矩阵通过稀疏优化得到源信号。如此在筛选单源域特征数据时，通过主成分分析法和混合时频比法，对多个时频点数据进行筛选，增加信息量，提高筛选的准确性，并通过修改聚合算法进行聚类，精确识别振动源数和各个源的频率成分，提高数据分析的精确度。的精确度。的精确度。

【技术实现步骤摘要】
风电塔筒的解决未知源数的振动信号欠定盲源分离方法


[0001]本申请涉及传感器数据处理
，尤其涉及一种风电塔筒的解决未知源数的振动信号欠定盲源分离方法。

技术介绍

[0002]近些年风力发电技术发展迅猛，风能是一种清洁无公害的可再生能源，把风的动能转变成机械动能，再把机械能转化为电力动能，这就是风力发电。在利风力发电的过程中，塔筒是支承风轮、尾舵和发电机的重要构架，是整套系统的最主要的承重部分。为了确保风力发电系统安全运行，通常我们将多个传感器安装在塔筒上，利用传感器对塔筒振动源的检测和分析能让我们在精确掌握塔筒的工作状况的同时，还能对整套风力发电设备的安全起到重要的判定作用。在进行机械振动状态检测和减振降噪处理时，需要先获取各振动源的振动信号，而振动传感器接收的信号往往包含不同振动源的振动信号和环境噪声，这些振动源位于机械的不同位置，会从不同传递路径到达振动传感器，在对设备特征及系统特性难以获取的条件下，为了从少量振动传感器的接收信号中识别信号源数和各频率分量，盲源分离成为了一种有效的解决方法。
[0003]现有技术中，一般采用TIFROM、Reju等单源点检测方法，利用混合信号时频比，对每个时频点进行比较筛选出单源点稀疏特征并进行聚类，得到混合矩阵的估计。但是这种方法由于每次计算只考虑一个时频点的接收信号，所以后续聚类得到的混合矩阵对应的列方向会偏离真实单源点的空间分布，所以通过现有技术的单源点检测方法得到的结果偏差较大，精确度较低。

技术实现思路

[0004]本申请提供一种风电塔筒的解决未知源数的振动信号欠定盲源分离方法，以解决现有技术中，在对塔筒传感器检测到的振动信号进行处理分析时，结果偏差较大、精确度不足的问题。
[0005]本申请的上述目的是通过以下技术方案实现的：
[0006]本申请实施例提供的风电塔筒的解决未知源数的振动信号欠定盲源分离方法，包括：
[0007]通过短时傅里叶变换将接收到的振动信号数据变换到时频域，并将其变换为多维行向量；
[0008]基于所述多维行向量，通过主成分分析法和混合时频比法，对多个时频点数据进行筛选，得到满足预设筛选公式的单源域特征数据；
[0009]将所述单源域特征数据进行归一化处理，得到基于方向角表示的特征数据；
[0010]将所述基于方向角表示的特征数据通过预设修改聚类算法公式进行聚类，基于聚类结果计算信号源数和估计混合矩阵的列，得到估计混合矩阵；
[0011]基于所述信号源数和所述估计混合矩阵，通过稀疏优化法得到源信号。
[0012]进一步的，所述基于所述多维行向量，通过主成分分析法和混合时频比法，对多个时频点数据进行筛选，得到满足预设筛选公式的单源域特征数据，包括：
[0013]通过滑动窗口方式选取多个时频点进行主成分分析；
[0014]基于主成分分析结果，通过局部置信度函数挑选出满足预设筛选公式的单源域特征数据。
[0015]进一步的，所述预设筛选公式为：
[0016]X(t,f)≈a
m
s
m
(t,f)；
[0017]其中，X＝(t,f)为接收的振动信号，S＝(t,f)为单源信号。
[0018]进一步的，所述将所述基于方向角表示的特征数据通过预设修改聚类算法公式进行聚类，基于聚类结果计算信号源数和估计混合矩阵的列，得到估计混合矩阵，包括：
[0019]将预设起始聚类个数值，带入预设修改聚类算法公式中，得到包括聚类中心的聚类结果；
[0020]通过预设聚类验证技术公式计算所述聚类结果的损失函数值；
[0021]所述起始聚类个数值加1，得到新的聚类个数值，重新计算聚类结果和计算每一个聚类结果所对应的损失函数值，直至所述聚类个数值达到预设阈值，得到多组聚类结果和与每一个聚类结果对应的损失函数值；
[0022]将损失函数值最小的聚类结果中的聚类中心作为估计混合矩阵的列，将该聚类结果对应的聚类个数值作为信号源数。
[0023]进一步的，所述预设修改聚类算法公式包括：
[0024]采用方向余弦距离代替欧式距离后得到的聚类算法公式。
[0025]进一步的，所述预设修改聚类算法公式包括：
[0026][0027][0028]其中，η为更新步长，表示更新后的聚类中心。
[0029]进一步的，所述基于所述信号源数和所述估计混合矩阵，通过稀疏优化法得到源信号，包括：
[0030]对混合信号按第一预设公式求取混合矩阵的最优子矩阵；
[0031]基于所述最优子矩阵通过最小二乘重建得到时频域源信号。
[0032]进一步的，还包括：
[0033]通过逆短时傅里叶变换将所述时频域源信号变换到时域，得到源信号。
[0034]本申请的实施例提供的技术方案可以包括以下有益效果：
[0035]本申请的实施例提供的技术方案中，首先将混合信号变换到时频域，变换为多维行向量；然后基于多维行向量，通过主成分分析法和混合时频比法，对多个时频点数据进行筛选，得到满足预设筛选公式的单源域特征数据；再对单源域特征数据进行归一化处理，得到基于方向角表示的特征数据；然后将用方向角表示的特征数据通过预设修改聚类算法公
式进行聚类，基于聚类结果计算信号源数和估计混合矩阵的列，得到估计混合矩阵；最后基于信号源数和所述估计混合矩阵，通过稀疏优化法得到源信号。如此，在筛选单源域特征数据时，通过主成分分析法和混合时频比法，同时对多个时频点数据进行筛选，增加信息量以提高筛选的准确性，并通过修改聚类算法公式进行聚类，得到信号源数和估计混合矩阵，最后再通过稀疏优化法得到源信号，可以精确识别振动源数和各个源的频率成分，提高数据分析的精确度。
[0036]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0037]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0038]图1为本申请实施例提供的一种风电塔筒的解决未知源数的振动信号欠定盲源分离方法的流程示意图；
[0039]图2为混合信号时域和时频域分布散点图；
[0040]图3为去噪后的特征数据及用方向角表示的特征数据散点图；
[0041]图4是仿真振动源信号时域波形及频域频谱图；
[0042]图5为混合信号时域波形及频域频谱图；
[0043]图6为本申请提供的方法恢复的振动信号时域波形和频域频谱图；
[0044]图7为噪声环境下仿真振动信号时域波形及频域频谱图；
[0045]图8为噪声环境下混合信号时域波形及频域频谱图；
[0046]图9为申请提供的方法在噪声环境下恢复的振动信号时域波形及频域频谱图；
[0047]图10为基于振动信号得到的估计混合矩阵平均SIR与恢复信号SIR图；
[0048]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电塔筒的解决未知源数的振动信号欠定盲源分离方法，其特征在于，包括：通过短时傅里叶变换将接收到的振动信号数据变换到时频域，并将其变换为多维行向量；基于所述多维行向量，通过主成分分析法和混合时频比法，对多个时频点数据进行筛选，得到满足预设筛选公式的单源域特征数据；将所述单源域特征数据进行归一化处理，得到基于方向角表示的特征数据；将所述基于方向角表示的特征数据通过预设修改聚类算法公式进行聚类，基于聚类结果计算信号源数和估计混合矩阵的列，得到估计混合矩阵；基于所述信号源数和所述估计混合矩阵，通过稀疏优化法得到源信号。2.根据权利要求1所述的风电塔筒的解决未知源数的振动信号欠定盲源分离方法，其特征在于，所述基于所述多维行向量，通过主成分分析法和混合时频比法，对多个时频点数据进行筛选，得到满足预设筛选公式的单源域特征数据，包括：通过滑动窗口方式选取多个时频点进行主成分分析；基于主成分分析结果，通过局部置信度函数挑选出满足预设筛选公式的单源域特征数据。3.根据权利要求2所述的风电塔筒的解决未知源数的振动信号欠定盲源分离方法，其特征在于，所述预设筛选公式为：X(t,f)≈a
m
s
m
(t,f)；其中，X＝(t,f)为接收的振动信号，S＝(t,f)为单源信号。4.根据权利要求1所述的风电塔筒的解决未知源数的振动信号欠定盲源分离方法，其特征在于，所述将所述基于方向角表示的特征数据通过预设修改聚类算法公式...

【专利技术属性】
技术研发人员：王烁程，
申请(专利权)人：北京创程科技有限公司，
类型：发明
国别省市：