CN103900816A - 一种风力发电机组轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种风力发电机组轴承故障诊断方法，包括如下步骤：获取轴承的振动信号；采用小波包分析法对振动信号进行三层分解，对各分解尺度下的高频系数进行软阈值量化处理，并根据小波分解的最底层低频系数和高频系数进行一维小波重构；对重构的振动信号进行小波包分解，提取第三层各频带的能量，并将各频带的能量构成一个故障特征输入向量作为BP神经网络的故障诊断输入向量，构建三层BP神经网络；获取历史故障数据的特征输入向量样本并将其输入三层BP神经网络进行训练；获取轴承实时运行数据的故障诊断特征向量并将其输入到训练好的BP神经网络；实现对轴承故障类型的智能诊断，本发明能够准确诊断轴承故障类型并精确确定故障位置。

Description

一种风力发电机组轴承故障诊断方法

技术领域

本发明涉及一种风力发电机组轴承故障诊断方法，特别是涉及一种基于小波包-BP神经网络的风力发电机组轴承故障诊断方法。

背景技术

随着风力发电技术的发展，风力发电机组的装机容量不断增加，而且不断朝着大型化方向发展。然而，风电行业的快速增长也导致了风电机组的运行维护成本持续增高，其中轴承在双馈风力发电机组和直驱式风力发电机组中都是重要部件，轴承的损坏将会直接影响整机的运行工况。为了减少风力发电机组的停机时间，降低机组的维护费用，对风力发电机组的重要轴承部件做精密的故障诊断非常有必要。然而传统的基于频谱分析的方法不仅不能准确诊断轴承故障类型，且不能精确确定故障位置，已经很难满足需要。因此，实有必要提出一种技术手段，以解决上述问题。

发明内容

为克服上述现有技术存在的不足，本发明之一目的在于提供一种风力发电机组轴承故障诊断方法，其能够准确诊断轴承故障类型并精确确定故障位置。

为达上述及其它目的，本发明提出一种风力发电机组轴承故障诊断方法，包括如下步骤：

步骤一，通过安装在轴承周边的振动传感器获取轴承的振动信号；

步骤二，采用小波包分析法对该振动信号进行三层分解，对各个分解尺度下的高频系数根据软阈值函数选择软阈值进行软阈值量化处理，并根据小波分解的最底层低频系数和高频系数进行一维小波重构；

步骤三，对重构的振动信号再次进行小波包分解，将振动信号分解到第三层，提取第三层各频带的能量，并将各频带的能量构成一个故障特征输入向量，将该向量作为BP神经网络的故障诊断输入向量，并于故障特征输入向量形成后，构建三层BP神经网络作为故障识别算法；

步骤四，获取历史故障数据的特征输入向量样本；

步骤五，将获取的历史故障数据的特征输入向量样本输入新构建的三层BP神经网络并进行训练，在多次反复训练并达到要求的故障诊断精度后停止训练网络，并将训练好的网络进行保存；

步骤六，获取风力发电机轴承实时运行数据的故障诊断特征向量；

步骤七，将获取的故障诊断特征向量输入到训练好的BP神经网络；

步骤八，实现对轴承故障类型的智能诊断，输出诊断结果。

进一步地，于步骤三中，提取能量的公式为：

$E_3^j={\∫\left|S_3^j\left(t\right)\right|}^2\mathrm{dt}=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\left|x_{\mathrm{jk}}\right|}^2$

其中x_jk（j=0,1,…,7,k=0,1,…,n）为重构信号

的所有离散点的幅值。

进一步地，步骤三中，该故障特征输入向量为：

$T=[E_3^0,E_3^1,E_3^2,E_3^3,E_3^4,E_3^5,E_3^6,E_3^7]$

进一步地，于步骤六中，实时数据也通过两次小波包分析，将第三层振动信号频带能量形成该故障诊断特征向量。

进一步地，在步骤二中，采用小波包分析法对该振动信号进行三层分解的步骤为：

首先，在第一层分解中将振动信号S分解为低频信号L1和高频信号H1；

然后，对第一层的低频信号L1再次进行第二层分解为相对的低频信号LL2，和高频信号HL2，对第一层的高频信号H1进行第二层分解为相对的低频信号LH2和高频信号HH2；

以此类推分解到第三层。

进一步地，小波包对振动信号进行i层分解的递推公式如下：

$\left\{\begin{array}{c}{d}^{\left(\mathrm{0,0}\right)}\left(t\right)=x\left(t\right)\\ d^{(i+\mathrm{1,2}j+1)}\left(t\right)=\mathrm{\Σh}(k-2t)d^{(i,j)}\left(t\right)\\ d^{(i+\mathrm{1,2}j)}\left(t\right)=\mathrm{\Σg}(k-2t)d^{(i,j)}\left(t\right)\end{array}\right.$

其中，d^(i,j)表示第i层中的第j个节点小波系数，x(t)表示振动原始信号。i=0,1,2,…；j=0,1,…,2i-1；t=0,1,…2n-1；n=log2N；N表示t的个数；h为低通分解滤波器函数，g为高通分解滤波器函数。

进一步地，该软阈值函数为：

${\hat{W}}_{j,k}=\left\{\begin{array}{c}\mathrm{sgn}\left(W_{j,k}\right)\left(\right|W_{j,k}|-\mathrm{\&lambda;}),\left|W_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,\left|W_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$

其中，Sgn(W_j,k)为一个返回整形函数，W_j,k表示第j层第k个阈值，λ为取值范围为0≤λ≤1的任意常数。

进一步地，最合适的软阈值选取方法为通过选取不同λ值后，最后比较重构信号的去噪效果，选定去噪效果最好所对应λ的阈值函数作为以后该振动信号的软阈值函数。

进一步地，在步骤二中，小波包重构函数为：

x(t)=∑(h(k-2t)d^(i+1,2j+1)+g(k-2t)d^(i+1,2j))

其中，d^(i,j)表示第i层中的第j个节点小波系数，x(t)表示去噪后的信号，g和h为软阈值处理后得到的高频系数和低频系数。

与现有技术相比，本发明一种风力发电机组轴承故障诊断方法通过对轴承的振动信号进行两次小波包分解，提取第三层能量构成一个故障特征输入向量后构建三层BP神经网络作为故障识别算法，并对实时数据也通过两次小波包分析，将第三层振动信号频带能量形成一个故障特征向量，利用训练后的BP神经网络对实时数据进行故障诊断，不仅能够准确诊断轴承故障类型并能精确确定故障位置。

附图说明

图1为一种风力发电机组轴承故障诊断方法的步骤流程图；

图2为本发明较佳实施例中小波包三层分解结构示意图；

图3为本发明较佳实施例之小波包-BP神经网络故障诊断流程示意图。

具体实施方式

以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。

图1为一种风力发电机组轴承故障诊断方法的步骤流程图。如图1所示，本发明一种风力发电机组轴承故障诊断方法，包括如下步骤：

步骤101，通过安装在轴承周边的振动传感器获取轴承的振动信号。

步骤102，采用小波包分析法对振动信号进行三层分解，对各个分解尺度下的高频系数根据软阈值函数选择一个合适的软阈值进行软阈值量化处理，并根据小波分解的最底层低频系数和高频系数进行一维小波重构，获得重构的信号中噪声信号将大大减少，提高了信号的信噪比。

具体地说，在步骤102中，采用小波包分析法对振动信号的分解，即小波包对时域振动信号进行i层分解递推公式可表示为：

$\left\{\begin{array}{c}{d}^{\left(\mathrm{0,0}\right)}\left(t\right)=x\left(t\right)\\ d^{(i+\mathrm{1,2}j+1)}\left(t\right)=\mathrm{\&Sigma;h}(k-2t)d^{(i,j)}\left(t\right)\\ d^{(i+\mathrm{1,2}j)}\left(t\right)=\mathrm{\&Sigma;g}(k-2t)d^{(i,j)}\left(t\right)\end{array}\right.$

式中d^(i,j)表示第i层中的第j个节点小波系数，x(t)表示振动原始信号。i=0,1,2,…;j=0,1,…,2i-1；t=0,1,…2n-1；n=log₂N；N表示t的个数；h为低通分解滤波器函数和g为高通分解滤波器函数。

图2中S表示振动信号，L表示低频带信号，H表示高频带信号，末尾的序号数表示小波分解的层数（即尺度数）。在第一层分解中将振动信号S分解为低频信号L1和高频信号H1，然后对第一层的低频信号L再次进行第二层分解为相对的低频信号LL2，和高频信号HL2。同理对第一层的高频信号H1第二层分解为相对的低频信号LH2，和高频信号HH2。以此类推分解到第三层。

软阈值的选取根据软阈值函数得到：

${\hat{W}}_{j,k}=\left\{\begin{array}{c}\mathrm{sgn}\left(W_{j,k}\right)\left(\right|W_{j,k}|-\mathrm{\&lambda;}),\left|W_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,\left|W_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$

其中，Sgn(W_j,k)为一个返回整形函数，如果W_j,k值大于0，则Sgn返回1，数值等于0，则返回0，数值小于0，则返回-1。W_j,k表示第j层第k个阈值，λ为取值范围为0≤λ≤1的任意常数。

一般地，噪声信号多包含在具有较高频率的细节中，从而，可利用软阈值函数来选取各个分解层（分解尺度）上高频信号的阈值作为高通h分解滤波器函数的门限阈值，这样便可滤去高频信号中的噪声信号得到高频信号系数d^(i+1,2j)。最合适的阈值选取方法就是通过选取不同λ值后，最后比较重构信号的去噪效果。选定去噪效果最好所对应λ的阈值函数作为以后该振动信号的软阈值函数。

在本发明较佳实施例中，小波包重构函数为：

x(t)=∑(h(k-2t)d^(i+1,2j+1)+g(k-2t)d^(i+1,2j))

小波包重构函数根据软阈值处理后得到的高频系数和低频系数重构振动信号x（t）。重构后得到的信号x（t）就是去噪后的信号。

步骤103，对重构的振动信号再次进行小波包分解，将振动信号分解到第三层，提取第三层各频段的能量，并将各频段的能量用一向量表示，将该向量作为BP神经网络的故障诊断输入向量，故障特征向量形成后，构建三层BP神经网络作为故障识别算法

步骤104，获取历史故障数据的特征输入向量样本。由于在在故障识别前需要对BP神经网络进行训练，训练的数据为历史故障数据，对历史故障振动数据经过两次小波包分析后提取第三层各频段能量作为BP神经网训练的输入向量。

步骤105，将获取的历史故障数据特征输入向量样本输入新构建的三层BP神经网络并进行训练，在多次反复训练并达到要求的故障诊断精度后停止训练网络，并将训练好的网络保存用于实时数据的故障诊断。

步骤106，获取风力发电机轴承实时运行数据的故障诊断特征向量。实时数据也通过两次小波包分析，将第三层振动信号频带能量形成一个故障诊断特征向量（如步骤103）

步骤107，将获取的故障诊断特征向量输入到训练好的BP神经网络。

步骤108，实现对轴承故障类型的智能诊断，输出诊断结果。查看故障诊断结果便可快速且准确的知道轴承当前运行状态和其故障类型，根据故障诊断结果还能精确得到轴承的故障部位。

图2为本发明较佳实施例中小波包三层分解结构示意图，图3为本发明较佳实施例之小波包-BP神经网络故障诊断流程示意图。以下将通过具体实施例来进一步说明本发明：为消除轴承振动信号中的噪声，通过步骤1小波包分解对振动信号进行三层分解，分解图如图2所示，对各个分解尺度下的高频系数根据软阈值函数选择一个合适的软阈值进行软阈值量化处理，达到消噪的目的，最后根据小波分解的最底层低频系数和高频系数进行一维小波重构。获得重构的信号中噪声信号将大大减少，提高了信号的信噪比。为获取轴承故障诊断特征参量，步骤2再次对重构的振动信号进行小波包分解，通过步骤2后提取图1中第三层振动信号各个频带LLL3、HLL3、LHL3、HHL3、LLH3、HLH3、LHH3、HHH3的能量，所用提取能量的公式为，其中x_jk（j=0,1,…,7,k=0,1,…,n）为重构信号

的所有离散点的幅值。并将八个频带的能量用向量表示为 $T=[E_3^0,E_3^1,E_3^2,E_3^3,E_3^4,E_3^5,E_3^6,E_3^7],$ 并将该向量作为BP神经网络的故障诊断输入向量。故障特征向量形成后，构建三层BP神经网络作为故障识别算法。在故障识别前要对BP神经网络进行训练，通过步骤3获取历史故障数据的特征输入向量样本，经步骤4将步骤3中提取得历史故障数据特征输入向量样本输入新构建的三层BP神经网络来训练它，在多次反复训练并达到要求的故障诊断精度后停止训练网络。将训练好的网络保存用于实时数据的故障诊断，步骤5获取风力发电机轴承实时运行数据的故障诊断特征向量。通过步骤6将其输入到训练好的BP神经网络，最后经步骤7实现对轴承故障类型的智能诊断，输出诊断结果，查看故障诊断结果便可快速且准确的知道轴承当前运行状态和其故障类型，根据故障诊断结果还能精确得到轴承的故障部位。

综上所述，本发明一种风力发电机组轴承故障诊断方法通过对轴承的振动信号进行两次小波包分解，提取第三层能量构成一个故障特征输入向量后构建三层BP神经网络作为故障识别算法，并对实时数据也通过两次小波包分析，将第三层振动信号频带能量形成一个故障特征向量，利用训练后的BP神经网络对实时数据进行故障诊断，不仅能够准确诊断轴承故障类型并能精确确定故障位置。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。

Claims (9)

1.一种风力发电机组轴承故障诊断方法，包括如下步骤： 

步骤一，通过安装在轴承周边的振动传感器获取轴承的振动信号； 

步骤二，采用小波包分析法对该振动信号进行三层分解，对各个分解尺度下的高频系数根据软阈值函数选择软阈值进行软阈值量化处理，并根据小波分解的最底层低频系数和高频系数进行一维小波重构； 

步骤三，对重构的振动信号再次进行小波包分解，将振动信号分解到第三层，提取第三层各频带的能量，并将各频带的能量构成一个故障特征输入向量，将该向量作为BP神经网络的故障诊断输入向量，并于故障特征输入向量形成后，构建三层BP神经网络作为故障识别算法； 

步骤四，获取历史故障数据的特征输入向量样本； 

步骤五，将获取的历史故障数据的特征输入向量样本输入新构建的三层BP神经网络并进行训练，在多次反复训练并达到要求的故障诊断精度后停止训练网络，并将训练好的网络进行保存； 

步骤六，获取风力发电机轴承实时运行数据的故障诊断特征向量； 

步骤七，将获取的故障诊断特征向量输入到训练好的BP神经网络； 

步骤八，实现对轴承故障类型的智能诊断，输出诊断结果。 

2.如权利要求1所述的一种风力发电机组轴承故障诊断方法，其特征在于，于步骤三中，提取能量的公式为： 

其中x_jk（j=0,1,…,7,k=0,1,…,n）为重构信号

的所有离散点的幅值。 

3.如权利要求2所述的一种风力发电机组轴承故障诊断方法，其特征在于，步骤三中，该故障特征输入向量为： 

。

4.如权利要求1所述的一种风力发电机组轴承故障诊断方法，其特征在 于：于步骤六中，实时数据通过两次小波包分析，将第三层振动信号频带能量形成该故障诊断特征向量。 

5.如权利要求1所述的一种风力发电机组轴承故障诊断方法，其特征在于，在步骤二中，采用小波包分析法对该振动信号进行三层分解的步骤为： 

首先，在第一层分解中将振动信号S分解为低频信号L1和高频信号H1； 

然后，对第一层的低频信号L1再次进行第二层分解为相对的低频信号LL2，和高频信号HL2，对第一层的高频信号H1进行第二层分解为相对的低频信号LH2和高频信号HH2； 

以此类推分解到第三层。 

6.如权利要求5所述的一种风力发电机组轴承故障诊断方法，其特征在于，小波包对振动信号进行i层分解的递推公式如下： 

其中，d^(i,j)表示第i层中的第j个节点小波系数，x(t)表示振动原始信号，i=0,1,2,…；j=0,1,…,2i-1；t=0,1,…2n-1；n=log₂N；N表示t的个数；h为低通分解滤波器函数，g为高通分解滤波器函数。 

7.如权利要求1所述的一种风力发电机组轴承故障诊断方法，其特征在于，该软阈值函数为： 

其中，Sgn(W_j,k)为一个返回整形函数，W_j,k表示第j层第k个阈值，λ为取值范围为0≤λ≤1的任意常数。 

8.如权利要求7所述的一种风力发电机组轴承故障诊断方法，其特征在于：最合适的软阈值选取方法为通过选取不同λ值后，最后比较重构信号的去噪 效果，选定去噪效果最好所对应λ的阈值函数作为以后该振动信号的软阈值函数。 

9.如权利要求7所述的一种风力发电机组轴承故障诊断方法，其特征在于，在步骤二中，小波包重构函数为： 

x(t)=∑(h(k-2t)d^(i+1,2j+1)+g(k-2t)d^(i+1,2j)) 

其中，d^(i,j)表示第i层中的第j个节点小波系数，x(t)表示去噪后的信号，g和h为软阈值处理后得到的高频系数和低频系数。 

Images