一种基于多时域平均细分的风机故障诊断方法技术

本发明专利技术公开了一种基于多时域平均细分的风机故障诊断方法，包括以下步骤：获取风机正常状态的数据和不同故障状态下的故障状态数据并分别进行MTAD分解，得到MTAD分解后的数据；对MTAD分解出所有频率下的时间序列以波峰绝对值进行模糊熵特征选择，从中选择多个模糊熵较小的时间序列重构特征信号；从风机数据集中随机选取多个数据构建训练集，剩余数据组成特征集；使用训练集训练SVM，使用训练好的SVM模型对测试数据进行准确性和有效性验证，重复多次并分析诊断结果。本发明专利技术能够有效地将不同频率下的信号分解开，且可筛选出研究者感兴趣的频段信号，对指定频段外的噪音信号有很强的抑制作用，缩短了计算时间，提升了预测效率。提升了预测效率。提升了预测效率。

【技术实现步骤摘要】
一种基于多时域平均细分的风机故障诊断方法


[0001]本专利技术属于风机检测
，具体涉及一种基于多时域平均细分的风机故障诊断方法。

技术介绍

[0002]风能作为一种可再生、无污染的新能源，获得了越来越多的关注。根据2018年2月发布的《全球风电市场年度统计报告》，中国的风电市场广阔，位于新增装机第一位。风力发电机常处于交变载荷作用下的复杂工况，其组件也会受到不同程度的影响甚至损坏，因此，风力发电机的状态监测与实时故障诊断对监测预防各部件损坏、降低运营维护成本具有重大意义。
[0003]针对风力发电机的状态监测和故障诊断，基于传统状态监测系统的风力发电机各部件监测方法，如声发射技术、振动分析、油液分析等，需安装额外的传感器，导致风力发电机能源成本高居不下。而风力发电机本身内置的数据采集与监视控制(supervisory control and data acquisition，SCADA)系统已有记录其在运行过程中的相关数据，应用支持向量机、人工神经网络、深度信念网络、随机森林、梯度提升树、xgboost等机器学习方法处理分析这些数据，对于风力发电机的状态监测有很大的参考价值。
[0004]随着近几年计算机技术与智能算法的发展，机械设备的故障诊断方法也在向智能化方向发展。在机械设备故障诊断中，机械振动信号对机器故障的敏感性远高于温度和压力等参数，风机旋转机械通常在多种振源的环境中运转，其振动信号大多包含多种非线性、非平稳噪声。对其进行故障诊断时仅使用以傅里叶变换为基础的频谱分析有较大的局限性，如何对信号进行降噪、提取有效的故障信息、进行故障模式识别一直是国内外学者们的研究热点。为了在时频域更好的解析信号的特征，相关学者定义并使用了短时傅里叶变换，小波变换，希尔伯特黄变换等方法。
[0005]短时傅里叶变换需要选择合适的窗函数进行分解，分辨率的选择对结果影响较大。小波变换需要选择基函数，小波基函数构造不准确难以产生理想的结果。希尔伯特黄变换主要包括经验模态分解和希尔波特黄变换，可以将信号分解成多个具有物理意义的模态本征函数，但是存在模态混叠和端点效应等问题。变分模态分解是基于维纳滤波、希尔伯特变换分解信号的自适应方法，该方法在故障诊断领域应用取得了一定成果，如中国专利技术专利，公开号CN110765883A，专利名称为一种基于EEMD模糊熵和SVM的风机异常检测方法，公开了以下步骤：(1)利用EEMD分解振动信号得到若干个IMF分量；(2)计算相关系数剔除无效分量，将有效IMF分量组成相应的倍频成分；(3)不同倍频IMF分量的模糊熵，进行归一化计算，组成多维特征向量；(4)输入SVM中，对故障进行识别。该方法模型精度比仅采用的SVM高7％。但该方法需要预先判断信号中含有的模态个数并预设惩罚因子，不同的预设参数对结果影响较大，并且应用于电机故障诊断时无法直接分解其回转频率及倍频附近频段的信号。在风机这样较为复杂的环境中，若在故障信号频率附近存在其他变频干扰信号会对其模态造成很大的影响，且经验模态分解与变分模态分解都存在端点效应，这也是模态分解
方法的不足之一。
[0006]由于风机旋转机械的故障信息往往集中在转速的倍频附近，McFadden提出的时域平均法(Time Domain Averaging)或称时域同步平均法(Time Synchrono us Averaging，TSA)的本质恰好是一系列等距分布的带通滤波器，该方法可以有效的抑制其他频率下的噪声。但该方法由于其存在一些不足使得其在故障诊断领域并未得到广泛的应用。为此，学者们也提出了许多改进方法。刘红星等提出一种新算法，该方法解决了周期截断误差对平均结果的影响问题。HA等将时域同步平均方法与小波分析方法结合起来，提取出了振动信号中的波形特征，该方法对时域平均法在故障诊断领域运用有积极的影响。Mcfadde等提出了一种基于相位补偿的时域同步平均方法，通过对每段截取信号进行相位补偿从而消除非整数倍周期截断，该方法提高了TSA的性能。MARK等对时域同步平均方法进行了改进，并在啮合齿轮振动信号分析应用上取得了一定的成果。冯武卫等提出采用FIR多带滤波器实现时域同步平均功能的方法，该方法提高了时域平均法在实际工程中的应用性。
[0007]综上，国内外学者均从不同方面改进或提高了时域平均分析方法的效果，并在一定程度上避免了该方法的局限性，但是使用以上方法时仍然存在一些问题：
[0008]1)该方法将特定频率下和其倍频信号波形混叠起来，难以分解；
[0009]2)对信号进行时域平均处理后只能获取特定频率的信息，无法一次性提取全频域内的故障特征信息；
[0010]3)需要采集特定的键相信号。虽然随着传感器技术的发展，在风机这样复杂、条件恶劣的环境中也可以获取到键相信号，但是获取过程往往存在一定困难，并且需要键相信号在一定程度上限制了TSA的使用。
[0011]4)由于梳状滤波器的特性，相关倍频信号会被融合到一起难以分解。而且在旋转机械的振动信号中，周期不为T的其他周期信号中也存在与故障相关的信息。此方法在去除噪声的同时也会将许多有用信息一同抹除，造成某些故障特征的丢失。

技术实现思路

[0012]为解决现有技术中存在的技术问题，本专利技术的目的在于提供一种基于多时域平均细分的风机故障诊断方法。
[0013]为实现上述目的，达到上述技术效果，本专利技术采用的技术方案为：
[0014]一种基于多时域平均细分的风机故障诊断方法，包括以下步骤：
[0015]步骤1：获得包含风机运行信息的风机数据集，从中获取风机正常状态的数据和不同故障状态下的故障状态数据并分别进行MTAD分解，得到MTAD分解后的数据；
[0016]步骤2：对MTAD分解出所有频率下的时间序列以波峰绝对值进行模糊熵特征选择，从中选择多个模糊熵较小的时间序列重构特征信号；
[0017]步骤3：从风机数据集中随机选取多个数据构建训练集，剩余数据组成特征集；使用训练集训练SVM，使用训练好的SVM模型对测试数据进行准确性和有效性验证，重复多次并分析诊断结果。
[0018]进一步的，步骤1中，MTAD基于传统时域平均法，从高频开始，提取多个频率下的信号波形，将其与原信号对齐并分解，全面的分析振动信号中不同频率下的信号的特征，较为完整地保留原始信号中所有频率下的故障特征信号，信号要分解的最高频率由故障类型决
定，最高频率应大于所有可能存在故障信息的频率。
[0019]进一步的，步骤1中，MTAD分解的步骤包括：
[0020](1)设信号的时长为t，令频率对周期为的信号做时域同步平均，对于时域振动信号，其时域同步平均算法概括为时域振动信号与特定周期下的周期信号的卷积；
[0021]其中，s为步长，i为迭代次数且
[0022](2)将原始振动信号Y以周期T分割成K段信号，则得到：
[0023][0024]Y为离散信号，在信号对应坐标点使用三次样条插值；
[0025]设X是基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多时域平均细分的风机故障诊断方法，其特征在于，包括以下步骤：步骤1：获得包含风机运行信息的风机数据集，从中获取风机正常状态的数据和不同故障状态下的故障状态数据并分别进行MTAD分解，得到MTAD分解后的数据；步骤2：对MTAD分解出所有频率下的时间序列以波峰绝对值进行模糊熵特征选择，从中选择多个模糊熵较小的时间序列重构特征信号；步骤3：从风机数据集中随机选取多个数据构建训练集，剩余数据组成特征集；使用训练集训练SVM，使用训练好的SVM模型对测试数据进行准确性和有效性验证，重复多次并分析诊断结果。2.根据权利要求1所述的一种基于多时域平均细分的风机故障诊断方法，其特征在于，步骤1中，MTAD基于传统时域平均法，从高频开始，提取多个频率下的信号波形，将其与原信号对齐并分解，全面的分析振动信号中不同频率下的信号的特征，较为完整地保留原始信号中所有频率下的故障特征信号，信号要分解的最高频率由故障类型决定，最高频率应大于所有可能存在故障信息的频率。3.根据权利要求1所述的一种基于多时域平均细分的风机故障诊断方法，其特征在于，步骤1中，MTAD分解的步骤包括：(1)设信号的时长为t，令频率对周期为的信号做时域同步平均，对于时域振动信号，其时域同步平均算法概括为时域振动信号与特定周期下的周期信号的卷积；其中，s为步长，i为迭代次数且(2)将原始振动信号Y以周期T分割成K段信号，则得到：Y为离散信号，在信号对应坐标点使用三次样条插值；设X是基于的重构矩阵，则(3)基于Y的坐标对X进行重插值；(4)增加迭代次数i，对信号重复步骤(1)到(4)，直到迭代次数超过约定条件；(5)最后，得到的残差和...

【专利技术属性】
技术研发人员：张澈，王传鑫，崔源，李和星，吴大卫，曹智名，
申请(专利权)人：北京华能新锐控制技术有限公司，
类型：发明
国别省市：