CN103940611B - 一种风电机组变工况下滚动轴承自适应异常检测方法 - Google Patents

Abstract

本发明涉及一种风电机组变工况下滚动轴承自适应异常检测方法，其步骤为：1）收集机组正常运行时，不同转速、不同功率下滚动轴承的振动数据；2）选取滚动轴承敏感振动特征参数；3）建立基于Shepard曲面的滚动轴承健康模型；4）计算滚动轴承异常状态的偏离度，实现滚动轴承自适应异常检测。本发明综合考虑了有功功率、转速对滚动轴承振动特性的影响，能实时追踪风电机组滚动轴承运行状态随时间的演化过程，实现风电机组不同工况下滚动轴承异常状态的自适应检测。本发明可广泛应用于风电机组异常状态检测领域中。

Description

一种风电机组变工况下滚动轴承自适应异常检测方法

技术领域

本发明涉及一种风电机组异常状态在线检测方法，特别是关于一种基于多源监测数据的风电机组变工况下滚动轴承自适应异常检测方法。

背景技术

由于能源短缺和环境问题的日益凸显，清洁可再生能源的开发受到越来越广泛的重视。除水力发电外，风力发电是目前技术比较成熟且装机容量较大的可再生能源，进入了大规模的发展阶段。风电机组多安装在高山、荒野或者海上，经常受极端天气的影响，运行条件恶劣，机组部件会随着机组累计运行时间的增加不断老化，发生故障。为确保风电机组的安全稳定运行，需要对机组运行状态进行监测，有效地判断机组的真实运行状态，以便及时发现机组异常。

由于带齿轮箱风电机组的齿轮箱造价昂贵，且有较高的故障率，维修困难，因此无齿轮箱直驱式风电机组正成为风电场的主要装机型式。由于风轮主轴较长，且承受非常大的载荷，容易变形，因此，要求风轮主轴轴承必须有良好的调心性能。一般情况下风力发电机组风轮主轴由调心滚子轴承支承，轴承故障具有高度随机性、复杂性和非线性特征。

目前风电机组状态监测系统开发集成和故障诊断方法的相关研究已经展开，然而由于缺乏故障样本，故障诊断研究成果还不能满足现场需求。现有风电机组的状态监测系统已经实现监测信号的在线采集，但是现有系统仅仅通过简单比较监测参数的测量值与预设的单一静态阈值来实现报警功能，以此指导机组运行维护。单一静态报警阈值忽略了风电机组不同工况下的机组性能差异，缺少对机组早期潜在故障的预警能力，远不足以充分反映机组的运行状态。随着机组状态监测系统的不断完善，机组的控制和监测数据信息量越来越大，运行操作人员往往很难根据如此大量的数据了解和判断过程的运行状况，及时发现系统的异常。虽然风电机组有较少的故障样本，但随着机组状态监测系统的不断完善，机组正常运行时的在线监测数据不断获得。因此，需要根据不同机组的自身特性，建立能自适应风电机组工况变化的、精细的机组异常状态检测模型。

发明内容

针对上述问题，本发明的目的是提供一种风电机组变工况下滚动轴承自适应异常检测方法，该检测方法对故障数据缺乏的设备，能有效进行异常状态检测，并及时进行异常状态预警，提高风电机组轴承运行维护的水平，减少故障导致的停机损失。

为实现上述目的，本发明采取以下技术方案：一种风电机组变工况下滚动轴承自适应异常检测方法，其包括以下步骤：1)采集已有的风电机组滚动轴承在正常运行时不同转速、不同功率下的L个振动数据，作为健康样本；2)选取敏感振动特征参数：根据风电机组滚动轴承振动信号的特点，将所采集的振动加速度信号的频域谱按频带平均分为M个子频带，求出每个频带的能量构成M维特征向量，即敏感振动特征向量Y＝[y₁，y₂，…，y_M]；3)采用Shepard曲面插值方法，建立轴承振动健康模型：对敏感振动特征向量Y＝[y₁，y₂，…，y_M]中的每个特征参数y_j，分别建立Shepard曲面健康模型y_i＝F_j(P，S)，即建立基于功率信息和风速信息的风电机组滚动轴承振动健康模型，其中，j＝1，2，…，M，y_j为滚动轴承振动信号中第j个特征参数的健康特征值；P为健康样本对应的风电机组有功功率；S为健康样本对应的机组转速；4)计算用于检测滚动轴承异常状态的偏离度，实现滚动轴承自适应异常检测。

所述步骤2)中，选用滚动轴承振动信号不同频谱带的能量参数组成敏感特征向量Y，具体提取方法为：(1)对一个长度为2N的时序信号x＝[x₁，x₂，…，x_2N]，将该时序信号x做离散傅立叶变换后求得时序信号x的频谱；(2)令X(f_i)为时序信号x在频率f_i时的强度，其中f_i＝(i/2N)f_s，0<i≤2N，f_s为时序信号x的采样频率；(3)将频带[0，f_s/2]平均分为M个子频带，每个频带的间隔为f_s/2M，这些频带分别为[0，f_s/2M)，[f_s/2M，f_s/M)，…，[M-1)f_s/2M，f_s/2]；以各频带信号的能量为元素构造振动信号的特征向量，令第j个频带的能量y_j为：

$y_j=\underset{\mathrm{\&omega;}}{\mathrm{\&Sigma;}}X\left(\mathrm{\&omega;}\right)$ ，

式中，X(ω)表示时序信号x在频率为ω时的强度，由此构造出特征向量Y＝[y₁，y₂，…，y_M]。

所述步骤3)中，基于功率信息和风速信息的风电机组滚动轴承振动健康模型的建立方法如下：①将风电机组滚动轴承L个振动健康样本(P(k)，S(k))，y_j(k))中机组出力P(k)和机组转速S(k)构成的点(P(k)，S(k))看作健康样本点，将滚动轴承振动信号第j个敏感特征参数y_j(k)看作健康样本点(P(k)，S(k))处的响应值；采用基于试验样本点(P(k)，S(k))的Shepard曲面插值方法，计算待计算样本点(P_s，S_s)对应的第j个敏感特征参数y_j，s，使得对应第j个特征参数y_j，s欧氏距离E_j最小；其中，j＝1，2，……，M；k＝1，2，…，L；欧氏距离E_j为：

$E_j=\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{w}_k{[y_{j,s}-y_j\left(k\right)]}^2,$

式中，w_k为权重，表示第k个健康样本点(P(k)，S(k))对特征参数y_j，s的贡献大小，d_k＝[(P(k)-P_s)²+(S(k)-S_s)²]^0.5为第k个健康样本点(P(k)，S(k))与待计 算样本点(P_s，S_s)之间的距离；b为待定参数；②分别计算使第j个欧氏距离E_j最小的待计算样本点(P_s，S_s)中风电机组的机组出力P_s和机组转速S_s对应的特征参数y_j，s，即：为满足 $\min E_j=\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{w}_k{[y_{j,s}-y_j\left(k\right)]}^2$ (1)，对欧氏距离 $E_j=\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{w}_k{[y_{j,s}-y_j\left(k\right)]}^2$ 求导数并令其为0，即：

$\frac{d{E}_j}{{\mathrm{dy}}_{j,s}}=\frac{d}{{\mathrm{dy}}_{j,s}}\left(\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{w}_k{[y_{j,s}-y_j\left(k\right)]}^2\right)=0;$

对上式进行计算，得到满足式(1)的待计算样本点(P_s，S_s)中风电机组机组出力P_s和机组转速S_s与特征参数y_j，s之间的映射关系，即基于Shepard插值曲面的风电机组滚动轴承振动第j个敏感特征参数y_j的健康模型为：

$y_{j,s}=\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{w}_k{y}_j\left(k\right)/\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{w}_k.$

所述步骤4)中，所述偏离度的计算方法如下：(1)假设风电机组在t时刻的振动信号为信号x(t)，根据所述步骤2)计算该时刻信号x(t)对应的特征向量Y(t)＝[y₁(t)，y₂(t)，…，y_M(t)]，其为实测特征值；(2)将风电机组在该t时刻的监测数据中的有功功率P(t)和转速S(t)代入所述步骤3)中的Shepard曲面轴承健康模型，分别计算当前工况下所有特征参数的健康标准值y’₁(t)，y’₂(t)，…，y’_M(t)，记Y’(t)＝[y’₁(t)，y’₂(t)，…，y’_M(t)]；(3)定义第j个参数的实测值y_j(t)偏离健康标准值y’_j(t)的偏离度H_j(t)为：

$H_j\left(t\right)=\left|\frac{y_j\left(t\right)-{y^{\&prime;}}_j\left(t\right)}{{y^{\&prime;}}_j\left(t\right)}\right|\&times;100\%,$

式中，t表示机组运行时刻，y_j(t)为轴承振动信号在t时刻的第j个参数的实测值，y’_j(t)为轴承振动信号在该时刻第j个参数的健康标准值；(4)当偏离度H_j(t)高于预先设定的偏离度阈值时表示风电机组滚动轴承发生状态突变，进行报警，实现风电机组滚动轴承异常状态的检测。

本发明由于采取以上技术方案，其具有以下优点：1、本发明由于只需收集风电机组滚动轴承健康状态下的监测数据，建立基于振动-功率-转速三维曲面的轴承异常状态检测模型，能有效解决现有风电机组状态监测系统采集了大量的轴承健康状态监测数据，而异常数据及故障数据难以获得的难题。异常状态检测旨在追踪风电机组轴承运行状态随时间的演化过程，从机组轴承监测参数的异常现象中挖掘出设备状态与潜在故障的关系，将异常参数隐含信息显性化。根据轴承运行状态的变化规律，及时进行异常状态预警，能提高风电机组轴承运行维护的水平，减少故障导致的停机损失。2、本发明与传统设置静态报警阈值相比，本发明综合考虑了风电机组有功功率、转速对 轴承振动的影响，有机地实现了机组运行工况和状态参数的耦合，可以实时地、充分地考虑风电机组运行工况的变化过程，建立的功率-转速-特征参数曲面模型，提高了模型的精度。基于该模型获取的轴承状态信息更贴近实际，能实时追踪和全面地描述风电机组轴承运行状态变化过程，真实客观的自适应识别机组系统运行状态，能提早发现轴承不断发展中的异常，有很好的实用性。3、本发明由于采用基于Shepard曲面的风电机组滚动轴承健康模型y_j(k)＝F_j(P(k)，S(k))，建立了有功功率和转速对轴承振动参数的映射关系，能综合反映有功功率、转速对轴承振动特性的影响。本发明可广泛应用于风电机组检测领域中。

附图说明

图1是本发明的整体流程示意图；

图2是本发明的风电机组滚动轴承振动-功率-转速三维曲面图示意图；

图3是本发明风电机组轴承内圈出现异常时的检测结果示意图；其中，“☆”表示实测值，“·”表示标准值；“--”表示预警线；

图4是本发明风电机组轴承外圈出现异常时的检测结果示意图；其中，“☆”表示实测值，“·”表示标准值；“--”表示预警线；

图5是本发明风电机组轴承滚动体出现异常时的检测结果示意图；其中，“☆”表示实测值，“·”表示标准值；“--”表示预警线；

图6是本发明风电机组轴承没有异常时的检测结果示意图；其中，“☆”表示实测值，“·”表示标准值；“--”表示预警线。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明提供一种风电机组变工况下滚动轴承自适应异常检测方法，其包括以下步骤：

1)采集已有的风电机组滚动轴承在正常运行时不同转速、不同功率(即不同工况)下的L个振动数据，作为健康样本；所选取的振动数据要尽量覆盖风电机组可能的转速和有功功率变化区间，以作为健康标准数据建立模型，以便使振动-功率-转速三维曲面模型具有很好的异常检测性能。

2)选取敏感振动特征参数：根据风电机组滚动轴承振动信号的特点，将所采集的振动加速度信号的频域谱按频带平均分为M个子频带，求出每个频带的能量构成M维特征向量，即敏感振动特征向量Y＝[y₁，y₂，…，y_M]；所选的特征向量对风电机组滚动轴承的初始异常应具有较高的敏感性，能综合反映滚动轴承运行状态及在出力、转速不同时的运行时间历程。

其中，选用滚动轴承振动加速度信号不同频谱带的能量参数组成敏感特征向量Y，具体提取方法为：

①对一个长度为2N的振动加速度时序信号x＝[x₁，x₂，…，x_2N]，将该时序信号x做离散傅立叶变换(DFT)后可求得时序信号x的频谱。

②令X(f_i)为时序信号x在频率f_i时的强度，其中f_i＝(i/2N)f_s，0<i≤2N，f_s为时序信号x的采样频率。

③将频带[0，f_s/2]平均分为M个子频带，每个频带的间隔为f_s/2M，这些频带分别为[0，f_s/2M)，[f_s/2M，f_s/M)，…，[M-1)f_s/2M，f_s/2]。以各频带信号的能量为元素构造振动信号的特征向量。令第j个频带的能量y_j为(j＝1，2，…，M)：

$y_j=\underset{\mathrm{\&omega;}}{\mathrm{\&Sigma;}}X\left(\mathrm{\&omega;}\right),$

式中，X(ω)表示振动加速度时序信号x在频率为ω时的强度，由此可构造出特征向量Y为：Y＝[y₁，y₂，…，y_M]。

其中，由于长度为2N的振动加速度时序信号x，其DFT值也有2N个，而且由于强度X(f_i)是一个对称函数，因此在计算频谱强度时只需用到一半，也就是N个值即可，即只需关注频带[0，f_s/2]。

在振动信号特征提取过程中，要适当选择子频带的数目M，如果M过小，则不能有效提取振动信号特征；如果M过大，则特征向量维数大，会影响健康标准模型的计算速度和异常检测的速度。当从待评估信号中按照相同的方式提取振动特征向量Y＝[y₁，y₂，…，y_M]时，则可通过分析待评估特征向量与所有参考特征向量平均值之间的距离判断振动是否发生异常。

3)采用Shepard曲面插值方法，建立轴承振动健康模型：对敏感振动特征向量Y＝[y₁，y₂，…，y_M]中的每个特征参数y_j(j＝1，2，…，M)，分别建立Shepard曲面健康模型y_j＝F_j(P，S)，即建立基于功率信息和风速信息的风电机组滚动轴承振动健康模型，其中，y_j为滚动轴承振动信号中第j个特征参数的健康特征值；P为健康样本对应的风电机组有功功率；S为健康样本对应的机组转速。其具体包括以下步骤：

①将风电机组滚动轴承L个振动健康样本(P(k)，S(k)，y_j(k))(其中，j＝1，2，……，M；k＝1，2，…，L)中机组出力P(k)和机组转速S(k)构成的点(P(k)，S(k))看作健康样本点，将滚动轴承振动信号第j个敏感特征参数y_j(k)看作健康样本点(P(k)，S(k))处的响应值；采用基于试验样本点(P(k)，S(k))的Shepard曲面插值方法，计算待计算样本点(P_s，S_s)对应的第j个敏感特征参数y_j，s，使得对应第j个特征参 数y_j，s欧氏距离E_j最小。其中，欧氏距离E_j为：

$E_j=\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{w}_k{[y_{j,s}-y_j\left(k\right)]}^2,---\left(1\right)$

式中，w_k为权重，表示第k个健康样本点(P(k)，S(k))对特征参数y_j，s的贡献大小，d_k＝[(P(k)-P_s)²+(S(k)-S_s)²]^0.5为第k个健康样本点(P(k)，S(k))与待计算样本点(P_s，S_s)之间的距离。b为待定参数，一般取大于1的常数，b取值越大，靠近待计算样本点(P_s，S_s)处的Shepard插值曲面越平坦，远离待计算样本点(P_s，S_s)处的Shepard插值曲面越陡峻。

②分别计算使第j个欧氏距离E_j最小的待计算样本点(P_s，S_s)中机组出力P_s和机组转速S_s对应的特征参数y_j，s，即：

为满足 $\min E_j=\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{w}_k{[y_{j,s}-y_j\left(k\right)]}^2---\left(2\right)$

对欧氏距离求导数并令其为0，即：

$\frac{d{E}_j}{{\mathrm{dy}}_{j,s}}=\frac{d}{{\mathrm{dy}}_{j,s}}\left(\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{w}_k{[y_{j,s}-y_j\left(k\right)]}^2\right)=0.---\left(3\right)$

对式(3)进行计算，得到满足式(2)的待计算样本点(P_s，S_s)中风电机组的机组出力P_s和机组转速S_s与特征参数y_j，s之间的映射关系，即基于Shepard插值曲面的风电机组滚动轴承振动第j个敏感特征参数y_j的健康模型为：

$y_{j,s}=\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{w}_k{y}_j\left(k\right)/\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{w}_k.---\left(4\right)$

4)计算用于检测滚动轴承异常状态的偏离度，实现滚动轴承自适应异常检测：

①假设风电机组在t时刻的振动信号为信号x(t)，根据步骤2)计算该时刻信号x(t)对应的特征向量Y(t)＝[y₁(t)，y₂(t)，…，y_M(t)]，其为实测特征值。

②将风电机组在该t时刻的监测数据中的有功功率P(t)和转速S(t)代入步骤3)中的Shepard曲面轴承健康模型，分别计算当前工况下所有特征参数的健康标准值y’₁(t)，y’₂(t)，…，y’_M(t)，记Y’(t)＝[y’₁(t)，y’₂(t)，…，y’_M(t)]。

③定义第j个参数的实测值y_j(t)偏离健康标准值y’_j(t)的偏离度H_j(t)为：

$H_j\left(t\right)=\left|\frac{y_j\left(t\right)-{y^{\&prime;}}_j\left(t\right)}{{y^{\&prime;}}_j\left(t\right)}\right|\&times;100\%,$

式中，t表示机组运行时刻，y_j(t)为轴承振动信号在t时刻的第j个参数的实测值，y’_j(t)为轴承振动信号在该时刻第j个参数的健康标准值。

④当风电机组运行时发生状态突变，此时的偏离度H_j(t)高于预先设定的偏离度阈值时进行报警，实现风电机组异常状态的检测。其中，对于不同轴承、不同特征参数的预设的允许偏离度阈值不同，当轴承特征参数超出允许的预设阈值时，进行报警，这样可以及时发现滚动轴承的异常状态。

下面通过具体实施例对本发明的风电机组变工况下滚动轴承自适应异常检测方法作进一步说明。

实施例：在风电机组实验台上进行了轴承故障检测，该实验台主要由风轮、主轴轴承与发电机组成，并由小型风洞提供风源。主轴轴承为调心滚子轴承，主要承受径向载荷，同时也可承受由于风对风轮作用产生的部分轴向载荷。采用联轴器连接风轮主轴和发电机。发电机输出端通过交直流转换器连接至蓄电池。采用风速传感器测量风速，光电开关转速传感器测量风轮的转速。轴承座上装有加速度传感器，用来采集轴承的振动加速度信号。本实施例中选用的采样频率为2048Hz，采样点数为4096。考虑到调心滚子轴承的局部损伤可能发生在外圈、内圈和滚动体上，分别用4个22206型的调心滚子轴承进行了实验，其中3个轴承分别被设置有内圈、外圈和滚动体局部出现异常，1个为无异常轴承。异常状态是通过线切割在内圈、外圈或滚动体上开槽来设置的，槽宽为0.2mm，槽深为0.3mm，设置的异常状态程度属较轻微的程度，异常轴承安装在靠近风轮侧。

选取调心滚子轴承运行正常时，不同转速、不同功率条件下20组振动加速度信号作为健康样本。因此只需关注频带[0，1024Hz]。将频带[0，1024Hz]平均分为16个子频带，每个频带的间隔为64Hz，这些子频带分别为[0，64Hz)，[64Hz，128Hz)，…，[960Hz，1024Hz]。以各子频带信号的能量为元素构造振动信号的特征向量。令第j个频带的能量y_j为：

其中ω＝[64·(j-1)，64·j)，

由上式可构造特征向量Y为：

$Y=[y_1,y_2,\&CenterDot;\&CenterDot;\&CenterDot;,y_{16}]=[\underset{\mathrm{\&omega;}=0}{\overset{64-0.5}{\mathrm{\&Sigma;}}}X\left(\mathrm{\&omega;}\right),\underset{\mathrm{\&omega;}=64}{\overset{64\&CenterDot;2}{\mathrm{\&Sigma;}}}X\left(\mathrm{\&omega;}\right),...,\underset{\mathrm{\&omega;}=960}{\overset{1024}{\mathrm{\&Sigma;}}}X\left(\mathrm{\&omega;}\right)].$

由于选取了调心滚子轴承运行正常时，不同转速、不同功率条件下20组振动加速度信号作为健康样本。如图2所示，给出了轴承正常时振动-功率-转速三维Shepard曲面图，由此可知机组功率P、转速S和轴承特征参数y₁₆之间的映射关系为y₁₆＝F₁₆(P，S)。其它特征参数y₁，y₂，…，y₁₅，也可以得到与图2类似的曲面图，由此分别建立轴承正常时，特征参数y₁，y₂，…，y₁₅和机组功率P、转速S的映射关系y_j＝F_j(P，S)，其中j＝1，2，…，15。

对调心滚子轴承设计3种异常类型，分别为内圈有缺口、外圈有缺口及滚动体有缺口。针对调心滚子轴承的异常，在所建立的健康模型的基础上，计算用于检测滚动轴承异常状态的偏离度，对其进行检验，3种异常类型各选11个样本进行验证。

假设机组在t时刻的振动信号为信号x(t)，计算该时刻信号x(t)对应的特征向量Y(t)＝[y₁(t)，y₂(t)，…，y₁₆(t)]。同时，将机组状态监测中实时获得的功率、转速等在线数据代入健康模型y_j＝F_j(P，S)，其中j＝1，2，…，16，分别计算当前工况下所有特征参数的健康标准值y’₁(t)，y’₂(t)，…，y’₁₆(t)，记Y’(t)＝[y’₁(t)，y’₂(t)，…，y’₁₆(t)]。

本实施例中采用允许的偏离度为30％，即调心滚子轴承在t时刻的振动信号的第j个参数的实测值y_j(t)，应该满足0.7y′_j(t)<y_j(t)<1.3y′_j(t)，式中y’_j(t)为轴承振动信号在该时刻第j个参数的健康标准值。如果轴承任一特征参数y_j(t)偏离了式0.7y′_j(t)<y_j(t)<1.3y′_j(t)所限定的范围，则说明轴承出现了异常，应及时对其进行检修排查。

调心滚子轴承内圈有缺口、外圈有缺口及滚动体有缺口3种异常的检测结果(如图3～图5所示)。由图3可知，当轴承内圈发生异常时，轴承特征向量Y(t)＝[y₁(t)，y₂(t)，…，y₁₆(t)]中，特征参数y₁(t)、y₅(t)、y₆(t)、y₇(t)、y₈(t)、y₁₁(t)、y₁₂(t)、y₁₃(t)、y₁₅(t)、y₁₆(t)的偏离度超出了允许的阈值，尤其y₁₂(t)、y₁₃(t)偏离正常状态最为明显，可以判别轴承出现了明显异常，需及时停机，对轴承进行检修维护。

由图4可知，当轴承外圈发生异常时，轴承特征向量Y(t)＝[y₁(t)，y₂(t)，…，y₁₆(t)]中，特征参数y₁(t)、y₂(t)、y₉(t)、y₁₀(t)、y₁₁(t)、y₁₂(t)、y₁₃(t)、y₁₄(t)、y₁₅(t)、y₁₆(t)的偏离度超出了允许的阈值，尤其y₁(t)、y₁₂(t)、y₁₃(t)、y₁₄(t)、y₁₅(t)偏离正常状态最为明显，可以判别轴承出现了明显异常，需及时停机，对轴承进行检修维护。

由图5可知，当轴承滚动体发生异常时，轴承特征向量Y(t)＝[y₁(t)，y₂(t)，…，y₁₆(t)]中，特征参数y₂(t)、y₃(t)、y₄(t)、y₅(t)、y₆(t)、y₇(t)、y₈(t)、y₁₁(t)、y₁₂(t)、y₁₃(t)、y₁₄(t)、y₁₅(t)、y₁₆(t)的偏离度超出了允许的阈值，尤其y₁₂(t)、y₁₃(t)、y₁₅(t)偏离正常状态最为明显，可以判别轴承出现了明显异常，需及时停机，对轴承进行检修维护。

本实施例同时给出了调心滚子轴承无异常时的11个健康样本进行异常检测，结果如图6所示，以便和3种异常状态的检测结果进行比较。由图6可知，当轴承没有发生异常时，轴承特征向量Y(t)＝[y₁(t)，y₂(t)，…，y₁₆(t)]中，所有的特征参数y₁(t)～y₁₆(t)的偏离度都没有超出允许的阈值，可以判别轴承是正常的，可以继续运行。

上述各实施例仅用于说明本发明，其中各个步骤等都是可以有所变化的，凡是在本发明技术方案的基础上对本发明的个别步骤进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (3)

1.一种风电机组变工况下滚动轴承自适应异常检测方法，其特征在于，该方法包括以下步骤：

1)采集已有的风电机组滚动轴承在正常运行时不同转速、不同功率下的L个振动数据，作为健康样本；

2)选取敏感振动特征参数：根据风电机组滚动轴承振动信号的特点，将所采集的振动加速度信号的频域谱按频带平均分为M个子频带，求出每个子频带的能量构成M维特征向量，即敏感振动特征向量Y＝[y₁，y₂，…，y_M]；选用滚动轴承振动信号不同频谱带的能量参数组成敏感振动特征向量Y，具体提取方法为：

(1)对一个长度为2N的时序信号x＝[x₁,x₂,…,x_2N]，将该时序信号x做离散傅立叶变换后求得时序信号x的频谱；

(2)令X(f_i)为时序信号x在频率f_i时的强度，其中f_i＝(i/2N)f_s，0<i≤2N，f_s为时序信号x的采样频率；

(3)将频带[0,f_s/2]平均分为M个子频带，每个子频带的间隔为f_s/2M，这些频带分别为[0,f_s/2M)，[f_s/2M,f_s/M)，…，[M-1)f_s/2M,f_s/2]；以各频带信号的能量为元素构造振动信号的特征向量，令第j个频带的能量y_j为：

$y_j=\underset{\mathrm{\&omega;}}{\&Sigma;}X\left(\mathrm{\&omega;}\right),$

式中，X(ω)表示时序信号x在频率为ω时的强度，由此构造出敏感振动特征向量Y＝[y₁，y₂，…，y_M]；

3)采用Shepard曲面插值方法，建立风电机组滚动轴承振动健康模型：对敏感振动特征向量Y＝[y₁，y₂，…，y_M]中每个频带的能量y_j，分别建立Shepard曲面健康模型Y_j＝F_j(P,S)，即建立基于功率信息和风速信息的风电机组滚动轴承振动健康模型，其中，j＝1，2，…，M，Y_j为滚动轴承振动信号中第j个特征参数的健康特征值；P为健康样本对应的风电机组有功功率；S为健康样本对应的机组转速；

4)计算用于检测滚动轴承异常状态的偏离度，实现滚动轴承自适应异常检测。

2.如权利要求1所述的一种风电机组变工况下滚动轴承自适应异常检测方法，其特征在于：所述步骤3)中，基于功率信息和风速信息的风电机组滚动轴承振动健康模型的建立方法如下：

①将风电机组滚动轴承L个振动健康样本(P(k),S(k),y_j(k))中风电机组有功功率P(k)和机组转速S(k)构成的点(P(k),S(k))看作健康样本点，将滚动轴承振动信号第j个敏感特征参数y_j(k)看作健康样本点(P(k),S(k))处的响应值；采用基于试验样本点(P(k),S(k))的Shepard曲面插值方法，计算待计算样本点(P_s,S_s)对应的第j个敏感特征参数y_j,s，使得对应第j个敏感特征参数y_j,s欧氏距离E_j最小；其中，j＝1，2，……，M；k＝1,2,…,L；欧氏距离E_j为：

$E_j=\underset{k=1}{\overset{L}{\&Sigma;}}{w}_k{\&lsqb;y_{j,s}-y_j\left(k\right)\&rsqb;}^2,$

式中，w_k为权重，表示第k个健康样本点(P(k),S(k))对特征参数y_j,s的贡献大小，d_k＝[(P(k)-P_s)²+(S(k)-S_s)²]^0.5为第k个健康样本点(P(k),S(k))与待计算样本点(P_s,S_s)之间的距离；b为待定参数；

②分别计算使第j个欧氏距离E_j最小的待计算样本点(P_s,S_s)中风电机组有功功率P_s和机组转速S_s对应的特征参数y_j,s，即：

为满足

对欧氏距离求导数并令其为0，即：

$\frac{{\mathrm{dE}}_j}{{\mathrm{dy}}_{j,s}}=\frac{d}{{\mathrm{dy}}_{j,s}}\left(\underset{k=1}{\overset{L}{\&Sigma;}}{w}_k{\&lsqb;y_{j,s}-y_j\left(k\right)\&rsqb;}^2\right)=0;---\left(2\right)$

对式(2)进行计算，得到满足式(1)的待计算样本点(P_s,S_s)中风电机组有功功率P_s和机组转速S_s与特征参数y_j,s之间的映射关系，即基于Shepard插值曲面的风电机组滚动轴承振动第j个敏感特征参数y_j,s的健康模型为：

$y_{j,s}=\underset{k=1}{\overset{L}{\&Sigma;}}{w}_k{y}_j\left(k\right)/\underset{k=1}{\overset{L}{\&Sigma;}}{w}_k.$

3.如权利要求1或2所述的一种风电机组变工况下滚动轴承自适应异常检测方法，其特征在于：所述步骤4)中，所述偏离度的计算方法如下：

(1)假设风电机组在t时刻的振动信号为信号x(t)，根据所述步骤2)计算该时刻信号x(t)对应的特征向量Y(t)＝[y₁(t)，y₂(t)，…，y_M(t)]，其为实测特征值；

(2)将风电机组在该t时刻的监测数据中的有功功率P(t)和转速S(t)代入所述步骤3)中的Shepard曲面健康模型，分别计算当前工况下所有特征参数的健康标准值y’₁(t)，y’₂(t)，…，y’_M(t)，记Y’(t)＝[y’₁(t)，y’₂(t)，…，y’_M(t)]；

(3)定义第j个参数的实测值y_j(t)偏离健康标准值y’_j(t)的偏离度H_j(t)为：

$H_j\left(t\right)=\left|\frac{y_j\left(t\right)-{y^{\&prime;}}_j\left(t\right)}{{y^{\&prime;}}_j\left(t\right)}\right|\&times;100\%,$

式中，t表示机组运行时刻，y_j(t)为轴承振动信号在t时刻的第j个参数的实测值，y’_j(t)为轴承振动信号在该时刻第j个参数的健康标准值；

(4)当偏离度H_j(t)高于预先设定的偏离度阈值时表示风电机组滚动轴承发生状态突变，进行报警，实现风电机组滚动轴承异常状态的检测。