一种应用于风电机组齿轮箱故障诊断的信号自动分解方法技术

本发明专利技术公开了一种应用于风电机组齿轮箱故障诊断的信号自动分解方法，包括如下步骤：步骤1：获取齿轮箱高速轴齿轮故障振动信号；步骤2：对故障振动信号进行VMD分解，分成高频信号和低频信号；步骤3：计算高频信号和低频信号之间的依赖指数和中心频率差异度；步骤4：确定分解模态；步骤5：更新信号；步骤6：循环步骤2

【技术实现步骤摘要】
一种应用于风电机组齿轮箱故障诊断的信号自动分解方法


[0001]本专利技术涉及风电机组齿轮箱故障诊断领域，尤其涉及一种应用于风电机组齿轮箱故障诊断的信号自动分解方法。

技术介绍

[0002]风电机组故障诊断目前主要针对机组的传动系统特别是齿轮箱，当前的诊断方法主要有以下三种：基于振动信号分析方法、故障机理建模方法、基于数据驱动的机器学习方法。
[0003]在基于故障机理建模方法中，由于风电机组负荷多变，运行环境恶劣，极易受环境因素的影响，机组故障呈现非线性等特点，对故障机理的认识较难采用一些数学方法进行准确描述，难以建立一个统一的模型对故障进行解释。
[0004]基于数据驱动的机器学习方法，尽管机器学习方法展现出强大的计算能力和特征提取能力，但是，机器学习方法往往需要对故障数据进行学习，即需要对故障数据进行打标签后将其作为训练数据，目前此类方法在实验室条件下表现出良好的效果，但真正运用于实践时，由于故障数据有限，难以学习到机组的各种故障数据，且每台机组由于安装位置和安装部件的不同，机器学习对数据的泛化能力不高导致其在实用上较难推广。
[0005]而基于振动信号分析，只需采集机组运行的振动信号，对其进行信号处理，提取信号中的故障特征即可达到诊断效果，过程简单，方法具有普适性，是当前风电机组故障诊断过程中应用最广泛最有效的方法。
[0006]在对振动信号进行数据处理时，针对风电机组齿轮箱故障振动信号的非线性和非平稳性，国外学者提出EMD(empirical mode decomposition)的故障诊断的方法，EMD能将复杂的振动信号自适应的分解成若干个本征模态函数分量，实现故障振动信号与噪声信号分离，在故障诊断领域内取得了广泛的应用。但EMD存在模态混叠和端点效应，在分解信号时容易产生虚假分量，增加计算成本和时间。而VMD(variational mode decomposition)是一种信号估计方法，其整体框架是变分问题，采用交替方向乘子法，不断更新各模态及其中心频率，逐步将各模态解调到相应的基频带，最终各个模态及相应的中心频率被一同提取出来，相较于EMD等其它信号分解方法，VMD具有坚实的理论基础，其实质是多个维纳滤波器组，表现出了更好的噪声鲁棒性，目前基于VMD的故障诊断研究也应用十分广泛，然而对信号进行VMD分解时，需要认为确定分解模态的个数K，目前也无较好的理论来指导K的取值，更多的是依据人工经验来确定。

技术实现思路

[0007]本专利技术针对现有技术存在的问题，提供一种应用于风电机组齿轮箱故障诊断的信号自动分解方法，通过依赖指数和中心频率差异度，使信号能达到自动分解的效果，并对分解后的模态进行多维度评价后选择一个能代表原始信号的一个模态信号进行故障特征提取，达到故障诊断的目的，提高效率，适用性强。
[0008]为了实现上述目的，本专利技术采用的技术方案具体如下：
[0009]一种应用于风电机组齿轮箱故障诊断的信号自动分解方法，其特征在于，包括如下步骤：
[0010]步骤1：获取齿轮箱高速轴齿轮故障振动信号f，将其定义为故障振动信号x(i＝0)＝f，故障振动信号初始分解次数i＝0；
[0011]步骤2：对故障振动信号x(i)进行VMD分解，将故障振动信号x(i)分解成一个高频信号u
h
(i)和低频信号u
l
(i)；
[0012]步骤3：计算高频信号u
h
(i)和低频信号u
l
(i)之间的依赖指数ρ
h1(i)
和中心频率差异度f
d
(i)；
[0013]步骤4：基于依赖指数ρ
h1(i)
和中心频率差异度f
d
(i)的判定准则，确定分解模态u(i)；
[0014]步骤5：去除分解模态u(i)后，更新信号x(i+1)，满足下述公式：
[0015]x(i+1)＝x(i)
‑
u(i)
ꢀꢀꢀ
(1)
[0016]其中，x(i+1)表示第i次分解后更新的故障振动信号，x(i)表示第i次分解前的故障振动信号，
[0017]步骤6：循环步骤2
‑
步骤5，直至不存在欠分解和过分解问题，迭代终止；
[0018]步骤7：输出信号分解过程中的所有分解模态[u(1)，u(2)，
……
，u(n)]，完成信号自动分解。
[0019]进一步的，步骤3中依赖指数ρ
h1(i)
的公式为：
[0020][0021]其中i为信号分解次数，m为分解后模态向量的长度，u
h(i)
(j)表示第i次分解后的高频模态向量内的第j个值，u
l(i)
(j)表示第i次分解后的低频模态向量内的第j个值，j＝1，2....m，ρ
h1(i)
是高频信号u
h
(i)和低频信号u
l
(i)之间的依赖指数，用来衡量高频信号u
h
(i)和低频信号u
l
(i)之间的依赖性，ρ
h1(i)
的范围是[
‑
1，1]，表示高频信号u
h
(i)的平均值，表示低频信号u
l
(i)的平均值。
[0022]进一步的，步骤3中心频率差值的计算公式为：
[0023]fd(i)＝(fh(i)
‑
fl(i))/fl(i)
ꢀꢀꢀ
(3)
[0024]其中，f
d
(i)表示第i次分解后高频信号和低频信号之间的中心频率差异度，系数越大，表明两个信号中心频率相差越大，信号的差异性越大；系数越小，表明两个信号的中心频率相近，信号相似程度越高，f
h
(i)表示第i次分解后高频信号的中心频率，f
l
(i)表示第i次分解后低频信号的中心频率。
[0025]进一步的，步骤4的判定准则为：
[0026]①
当依赖指数ρ
hl(i)
≥ρs，并且中心频率差异度f
d
(i)≥fs时，表明本次分解效果较好，
[0027]不存在欠分解和过分解问题，此时分解模态u(n)满足下述公式：
[0028]u(n)＝u
h
(n)+u
l
(n)
ꢀꢀꢀ
(4)
[0029]其中，n表示迭代终止时，信号分解的次数，u(n)表示分解停止时的分解模态，u
h
(n)第n次分解的高频信号，u1(n)第n次分解的低频信号；
[0030]②
其他情况下，分解模态u(i)为低频信号的结果，即满足下述公式：
[0031]u(i)＝u
l
(i)
ꢀꢀꢀ
(5)
[0032]ρs和fs分别为依赖指数阈值和中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于风电机组齿轮箱故障诊断的信号自动分解方法，其特征在于，包括如下步骤：步骤1：获取齿轮箱高速轴齿轮故障振动信号f，将其定义为故障振动信号x(i＝0)＝f，故障振动信号初始分解次数i＝0；步骤2：对故障振动信号x(i)进行VMD分解，将故障振动信号x(i)分解成一个高频信号u
h
(i)和低频信号u
l
(i)；步骤3：计算高频信号u
h
(i)和低频信号u
l
(i)之间的依赖指数ρ
hl
ρ
hl(i)
和中心频率差异度f
d
(i)；步骤4：基于依赖指数ρ
hl(i)
和中心频率差异度f
d
(i)的判定准则，确定分解模态u(i)；步骤5：去除分解模态u(i)后，更新信号x(i+1)，满足下述公式：x(i+1)＝x(i)
‑
u(i)
ꢀꢀꢀꢀ
(1)其中，x(i+1)表示第i次分解后更新的故障振动信号，x(i)表示第i次分解前的故障振动信号，步骤6：循环步骤2
‑
步骤5，直至不存在欠分解和过分解问题，迭代终止；步骤7：输出信号分解过程中的所有分解模态[u(1),u(2)，
……
,u(n)],完成信号自动分解。2.根据权利要求1所述的一种应用于风电机组齿轮箱故障诊断的信号自动分解方法，其特征在于：步骤3中依赖指数ρ
hl(i)
的公式为：其中i为信号分解次数，m为分解后模态向量的长度，u
h(i)
(j)表示第i次分解后的高频模态向量内的第j个值，u
l(i)
(j)表示第i次分解后的低频模态向量内的第j个值，j＝1,2....m，ρ
hl(i)
是高频信号u
h
(i)和低频信号u
l
(i)之间的依赖指数，用来衡量高频信号u
h
(i)和低频信号u
l
(i)之间的依赖性，ρ
hl(i)
的范围是[
‑
1,1]，表示高频信号u
h
(i)的平均值，表示低频信号u
l
(i)的平均值。3.根据权利要求2所述的一种应用于风电机组齿轮箱故障诊断的信号自动分解方法，其特征在于，步骤3中心频率差值的计算公式为：fd(i)＝(fh(i)
‑<...

【专利技术属性】
技术研发人员：胡忠忠，杨志勇，李志军，陈果，黎炯，曹玲燕，卢应强，
申请(专利权)人：江苏国电南自海吉科技有限公司，
类型：发明
国别省市：