基于信息融合技术的风力发电机组滚动轴承故障诊断系统技术方案

本发明专利技术适用于信息融合领域，具体涉及基于信息融合技术的风力发电机组滚动轴承故障诊断系统，包括：信号采集模块，用于对风力发电机组滚动轴承的运行状态进行采集；多角度特征提取模块，用于利用EEMD对发电机振动信号的故障特征进行提取；特征层初步诊断模块，进行优化迭代，建立目标函数，输出优化后的结果，所述决策层信息融合模块用于进行信息融合比对，并进行故障类型区分和故障定位。本发明专利技术将信息融合技术引入风力发电机组滚动轴承故障诊断中，通过收集风力发电机组滚动轴承工作时的振动频率数据，利用多种智能算法的优势排除冗余信息、交叉信息、互补信息，从而提高风力发电机组滚动轴承故障诊断的准确率并能更好的定位故障位置。障位置。障位置。

Wind turbine rolling bearing fault diagnosis system based on Information Fusion Technology

【技术实现步骤摘要】
基于信息融合技术的风力发电机组滚动轴承故障诊断系统


[0001]本专利技术涉及信息融合领域，具体涉及基于信息融合技术的风力发电机组滚动轴承故障诊断系统。

技术介绍

[0002]风能作为绿色、可再生能源，以其丰富、可再生性，并在提供能源的同时不会对环境造成污染，使之成为当今社会解决低碳问题所不可或缺的力量。电动机作为一种机械传动设备，其轴承是电机的主要部件，对于风力发电机机组中涉及到电机的部分，其功能对设备的安全运行起着决定性的作用。在风力发电机组的发电机运行时，一旦其轴承出现缺陷或故障，将造成一系列设备不能正常运行，严重影响设备的运行性能，因此风力发电机机组电机运行时，若发电机组的滚动轴承出现故障则会影响风电机组的正常运行。
[0003]诊断风力机滚动轴承的方法和缺点主要有：(1)传统的诊断系统，如噪声检测、红外测温等。方法(1)虽然诊断结果直观、准确度较高，但早期故障不能有效地检测出微弱的故障，而主要依靠经验判断；(2)智能诊断系统如神经网络、遗传算法等。方法(2)可以节省时间，同时对故障进行更精确的判断，尽管通常需要大量的数据来支持诊断的准确性，但由于发电机轴承故障并不常见，这就意味着能够采集到的故障数据较少，无法保证这种方法诊断的准确性；(3)数学诊断系统：例如SVM、混沌分析等。方法(3)可以依靠少量的数据准确判断故障，而且方法(3)可以随着计算机技术和数学理论的不断发展而不断改进，但是方法(3)中的前期数据处理部分会严重影响最终的诊断结果的准确性。
[0004]选择合适的数据处理方法尤为重要，但是，这些方法仍存在着故障样本数据少、诊断结果准确度低等问题。

技术实现思路

[0005]本专利技术实施例的目的在于提供基于信息融合技术的风力发电机组滚动轴承故障诊断系统，旨在解决
技术介绍
第三部分中提出的问题。
[0006]本专利技术实施例是这样实现的，基于信息融合技术的风力发电机组滚动轴承故障诊断系统，其特征在于，包括：
[0007]信号采集模块，所述信号采集模块用于对风力发电机组滚动轴承的运行状态进行采集，采用振动传感器来检测轴承的振动状态，将所采集到的振动信号转换成电信号，再通过A/D转换成数字量进行计算机处理，将处理后的滚动轴承振动信号通过小波包分解和重构进行信号去噪处理，所述运行状态包括发电机组滚动轴承正常运行、发电机组滚动轴承内圈故障、发电机组滚动轴承外圈故障和发电机组滚动轴承滚动体故障；
[0008]多角度特征提取模块，所述多角度特征提取模块用于利用EEMD对发电机振动信号的故障特征进行提取，将所提取的各IMF分量进行数据规范化与数据集划分，其中所提取的正常运行状态的滚动轴承的IMF分量为后续的故障辨别提供对比依据，各类故障的IMF 分量用于辨别故障种类及故障部位，将上述数据集排列为二维数据图像，并将其划分为训练
集和测试集，建立CNN模型，将CNN模型中的全连接层改进为仅调整特征图形状的1
×
1 的卷积层叠加一个全局均值化层，使用CNN模型的数值型参数初始化BP神经网络，其中数值型参数包括C1中的卷积核个数、卷积核尺寸以及卷积步长和C2中的卷积核个数、卷积核尺寸以及卷积步长，还包括CNN模型的学习率；
[0009]特征层初步诊断模块，特征层初步诊断模块利用BP神经网络进行优化迭代，建立目标函数，输出优化后的结果，所述结果用于区分故障与非故障；
[0010]决策层信息融合模块，所述决策层信息融合模块用于根据所采集的运行状态来进行信息融合比对，并进行故障类型区分和故障定位。
[0011]优选的，所述BP神经网络中的传输函数为：
[0012]优选的，BP神经网络学习过程中目标函数通过梯度下降法得到，其中系统平均误差为：
[0013][0014]其中期望输出为y
k
，k为期望输出的数量，O
k
为实际输出，E为目标函数。
[0015]优选的，所述多角度特征提取模块中，选择3层BP神经网络作为故障诊断模型，需确定隐层节点数，根据以下经验公式确定：
[0016][0017]式中：n0为输入节点数，n1为隐含层节点数，n2为输出节点数，a为1～10之间的数，所述隐含层节点数为5～14之间。
[0018]优选的，所述梯度下降法采用有动量的梯度下降法，具体为：
[0019]w
ji
(k+1)＝w
ji
(k)+η[(1
‑
α)D(k)+αD(k
‑
1)][0020]式中：D(k)表示k时刻的负梯度，D(k
‑
1)表示k
‑
1时刻的负梯度，η为学习率，α∈(0,1)是动量因子。
[0021]优选的，所述决策层信息融合模块采用模糊K
‑
均值聚类方法对融合结果进行诊断决策；
[0022]对于样本I＝{i1,i2,...,i
n
}，设定类及每个样本对各类的初始隶属度建立初始隶属度矩阵U(0)，其中i为类别编号、矩阵的行号，j为样本编号、矩阵的列号，μ
ij
表示第j 个元素对第i个类的隶属度，然后求得各类的聚类中心Z
i
(L)，L为迭代次数，并计算新的隶属度矩阵U(L+1)，通过迭代，不断调整隶属度至收敛。
[0023]优选的，所述小波包分解中，选取Haar函数作为正弦畸变信号的小波基函数，Harr 小波函数公式为：
[0024][0025]根据信息熵的基本理论，小波包Shannon能量熵公式为：
[0026][0027]式中：N为采样信号长度；H
jk
为信号的第j层第k个小波包能量熵；ε
jk
(i)为各信号点功率与总功率之比。
[0028]优选的，采用三层小波包分解，运用Shannon能量熵提取信号的故障特征向量，具体步骤如下：
[0029]对采集到的网侧电流进行三层小波包分解，得到最后分解层中8个频带内的分解系数；对故障信号8个频带内的分解系数进行小波包重构，得到8个小波包重构信号W
3i
，其中i＝0～7；
[0030]设各频段信号W
3i
对应的能量为E
3i
，则有：
[0031]E
3i
＝∫|W
3i
(t)|2dt
[0032]当信号特征能量值E
3i
较大时，在分析时需要对特征向量进行归一化处理，T即为归一化的小波包特征向量；
[0033][0034](5)选取除W
30
外的7个节点的能量作为故障诊断的特征向量。
[0035]本专利技术将来自轴承或多源的信息进行协调优化和综合处理，产生新的有价值的信息，以得出更为准确、可信的结论，将信息融合技术引入风力发电机组滚动轴承故障诊断中，通过收集风力发电机组滚动轴承工作时的振动频率数据，利用多种智能算法的优势排除冗余信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于信息融合技术的风力发电机组滚动轴承故障诊断系统，其特征在于，包括：信号采集模块，所述信号采集模块用于对风力发电机组滚动轴承的运行状态进行采集，采用振动传感器来检测轴承的振动状态，将所采集到的振动信号转换成电信号，再通过A/D转换成数字量进行计算机处理，将处理后的滚动轴承振动信号通过小波包分解和重构进行信号去噪处理，所述运行状态包括发电机组滚动轴承正常运行、发电机组滚动轴承内圈故障、发电机组滚动轴承外圈故障和发电机组滚动轴承滚动体故障；多角度特征提取模块，所述多角度特征提取模块用于利用EEMD对发电机振动信号的故障特征进行提取，将所提取的各IMF分量进行数据规范化与数据集划分，其中所提取的正常运行状态的滚动轴承的IMF分量为后续的故障辨别提供对比依据，各类故障的IMF分量用于辨别故障种类及故障部位，将上述数据集排列为二维数据图像，并将其划分为训练集和测试集，建立CNN模型，将CNN模型中的全连接层改进为仅调整特征图形状的1
×
1的卷积层叠加一个全局均值化层，使用CNN模型的数值型参数初始化BP神经网络，其中数值型参数包括C1中的卷积核个数、卷积核尺寸以及卷积步长和C2中的卷积核个数、卷积核尺寸以及卷积步长，还包括CNN模型的学习率；特征层初步诊断模块，特征层初步诊断模块利用BP神经网络进行优化迭代，建立目标函数，输出优化后的结果，所述结果用于区分故障与非故障；决策层信息融合模块，所述决策层信息融合模块用于根据所采集的运行状态来进行信息融合比对，并进行故障类型区分和故障定位。2.根据权利要求1所述的基于信息融合技术的风力发电机组滚动轴承故障诊断系统，其特征在于，所述BP神经网络中的传输函数为：3.根据权利要求1所述的基于信息融合技术的风力发电机组滚动轴承故障诊断系统，其特征在于，BP神经网络学习过程中目标函数通过梯度下降法得到，其中系统平均误差为：其中期望输出为y
k
，k为期望输出的数量，O
k
为实际输出，E为目标函数。4.根据权利要求1所述的基于信息融合技术的风力发电机组滚动轴承故障诊断系统，其特征在于，所述多角度特征提取模块中，选择3层BP神经网络作为故障诊断模型，需确定隐层节点数，根据以下经验公式确定：式中：n0为输入节点数，n1为隐含层节点数，n2为输出节点数，a为1～10之间的数，所述隐含层节点数为5～14之间。5.根据权利要求3所述的基于信息融合技术的风力发电机组滚动轴承故障诊断系统，其特征在于，所述梯度下降法采用有...

【专利技术属性】
技术研发人员：徐东升，边杰，王新居，李强，王兴良，朱新军，侯清民，张臣冬，王照阳，朱锋，朱辰泽，刘川，刘思君，王腾，
申请(专利权)人：南京华盾电力信息安全测评有限公司，
类型：发明
国别省市：