CN104048825B - 一种多传感器融合的风电机组齿轮箱故障定位方法 - Google Patents

Abstract

一种多传感器融合的风电机组齿轮箱故障定位方法，它有七大步骤：一、依据齿轮箱内部结构以及振动传感器的位置和数量来确定故障定位模型应用条件；二、依据现有的故障诊断技术对采集的振动信号进行分析，提取相应的故障特征值；三、借鉴节约覆盖集理论建立故障部件与特征值集合的关系；四、根据齿轮箱内窥镜的结果确定齿轮箱故障的部位、类型以及故障的程度；五、分析不同故障部件对多个测点振动信号的影响，得到振动的衰减系数；六、利用故障特征值的差异以及BP神经网络算法对得到的数据进行故障诊断，将故障定位到某类型的部件；七、求取和分析振动信号的衰减系数βˊ_k，采用对比的方法，通过求误差δ＝β′_k-β_k最小的方法来确定故障部件的位置。

Description

一种多传感器融合的风电机组齿轮箱故障定位方法

技术领域

本发明涉及一种多传感器融合的风电机组齿轮箱故障定位方法，属于风电机组齿轮箱故障诊断技术领域。

背景技术

随着风电技术的发展，风电机组的单机容量不断增加，导致设备的体积不断增加。双馈式风电机组作为主流的风电机组，其齿轮箱体积随着单机容量的增加而增加，内部器件的复杂度也随之增加，进而导致故障点产生的振动信号复杂，且传输到采集点衰减幅度较大，不利于齿轮箱状态的监测与故障的定位。伴随着风电机组在役时间的增长，齿轮箱的故障率逐渐增加，维护量也相应增加。为了更好地得到齿轮箱的运行状况，需要对齿轮箱的故障点进行精确定位，以制定可靠的维护方案。

当前齿轮箱故障的诊断和定位主要是根据单一测点的振动信息，利用振动信息中的不同特征值来判断故障的位置。齿轮箱中包含齿轮、轴和轴承等多个部件，同种部件含有相同的故障，因此单一测点的振动不利于同种部件的故障定位。离测点远的故障部件振动衰减较大，故障特征值较小，而离测点近的故障部件振动衰减小，特征值较大，同时不同故障程度也影响故障特征值的大小，因此，利用单一测点信息进行齿轮箱故障定位的难度较大。本发明提出了以多测点振动信息融合的故障定位方法，利用不同故障的不同特征来区分不同部件；对于同种部件，通过确定传播路径对多个测点特征值的影响来综合判断故障的位置，提高了故障定位的精度，对提高状态监测的可靠度具有实际的意义以及良好的经济价值。

发明内容

本发明旨在提供一种多传感器融合的风电机组齿轮箱故障定位方法。齿轮箱中不同部件的故障特征不同，依据现有的故障处理方法得到不同故障部件的特征值，借鉴节约覆盖集的分析方法来获得不同故障部件与不同特征值的对应关系，分析故障点对不同测点数据特征值大小的影响，进而利用故障部件的特征以及故障点传输到测点位置故障值的衰减程度来准确判断故障的位置。

本发明的技术解决方案如下：

本发明公开的是多传感器融合的风电机组齿轮箱故障定位方法，其特征在于：利用齿轮箱上多个测点的振动信号，根据时域、频域或时频分析方法来获得故障部件的特征值。借鉴节约覆盖集理论建立故障特征值与故障部位的对应关系，进而分析不同部位故障对特征值的大小的影响，最终利用故障特征值以及多测点振动信号特征值的衰减系数来确定故障的位置。其数据的处理过程如下：

(1)依据现有齿轮箱上振动监测系统中振动传感器的安装位置和数量来故障定位模型中信号特征值以及特征值衰减系数的个数。

(2)依据时域、频率以及时频分析等信号分析技术对齿轮箱的故障进行分析，提取相应的故障特征值。

(3)借鉴节约覆盖集的理论，建立故障部件与故障特征值的对应关系，进而确定不同故障部件的最佳故障特征集合。

(4)利用内窥镜以及振动采集仪获得的齿轮箱状态信息，分析单一故障的不同程度对故障特征值的影响以及不同部位故障对不同振动测点特征值的影响。

(5)分析故障点对不同测点振动信号特征值的影响，进而确定特征值数值的变化范围及信号衰减规律。

(6)通过信号的衰减规律以及特征信号的变化范围。通过距离测定法确定故障的位置。

综上所述，见图1，本发明一种多传感器融合的风电机组齿轮箱故障定位方法，该方法的具体实现步骤如下：

步骤一：依据齿轮箱的内部结构以及振动传感器的安装位置和数量来确定故障定位模型应用的条件。风电机组齿轮箱均由齿轮、轴承、轴及相应附件组成，由于其传动功率以及生产厂家的不同，齿轮箱内部器件的参数不同，因此故障定位的部件数量及振动特征存在着差别。不同的振动传感器安装位置和安装数量会导致故障特征值的大小及同种部件定位算法的不同。

步骤二：依据现有的故障诊断技术包括时域分析、频域分析、小波分析等现有的故障诊断方法对采集的振动信号进行分析，提取相应的故障特征值{a₁,a₂…a_n}。

步骤三：借鉴节约覆盖集理论建立故障部件与特征值集合的关系。不同部件的故障对应不同的特征值集合，借鉴节约覆盖集理论得到最佳的故障与特征值的对应关系。利用节约覆盖集理论分析过程如下：

设F代表齿轮箱可能发生的故障部件集合，|F|代表可能的故障数目，则故障发生共有2^|F|种可能性。每种可能性可以看作F的一个子集F_I。若F_I＝{f₁,f₂,…,f_n}表示故障部件{f₁,f₂,…,f_n}发生故障，而其他的故障则没有发生。解决齿轮箱中多故障诊断问题就是在所有2^|F|个可能性中寻找最可能的组合。利用符号推理—节约覆盖理论来寻找最佳的组合。

节约覆盖理论是一种利用诱导推理来阐明诊断专家系统理论。它将诊断问题描述为一个四元组P＝<F,A,R,A⁺>，其中

F＝{f₁,f₂,…,f_n}表示故障部件的有限非空集；

A＝{a₁,a₂,…,a_n}表示故障特征值的有限非空集；

表示定义在F×A上的有序关系子集；

表示已知的特征值集合。

符号R代表故障部件和故障特征值之间的直接因果关系，<f_i,a_j>∈R表示f_i能够引起a_j，它并不表示当f_i存在，a_j总是发生，而仅仅是可能发生。A⁺是A的一个特殊子集，代表了在一个特定问题下已知存在的特征，不在A⁺的特征可认为是不存在的。图2描述了故障部件与故障特征值的对应关系，图中采用的故障部件数为4，特征值数量为4，但实际应用中不限于此。

此外，可定义两个函数：对于所有a_j∈A，parts(a_j)＝{f_i|<f_i,a_j>∈R}代表特征值a_j所有可能引起的故障部件，features(f_i)＝{a_j|<f_i,a_j>∈R}代表可能被f_i引起的所有特征(图3)。同时定义和如对于图1的诊断问题，parts(a₁)＝{f₁,f₂,f₃}，features(f₁)＝{a₁,a₃}，parts({a₃,a₄})＝{f₁,f₃,f₄}。如果则称故障部件集合F_I是特征值的一个覆盖。

利用最小准则(如果A⁺的一个覆盖有最小可能数目的故障，那么它就是一个满足最小规则的解释)确定齿轮箱中每个部件故障对应最少特征值覆盖。

步骤四：根据现场齿轮箱内窥镜的结果确定齿轮箱故障的部位、类型以及故障的程度。利用与内窥镜检查相近时间内齿轮箱的振动数据来分析单一故障的不同程度对故障特征值的影响以及不同部位故障对不同振动测点特征值的影响。

步骤五：分析不同故障部件对多个测点振动信号的影响，得到振动的衰减系数。故障部件的振动信号传播到不同振动测点的衰减率不同，进而导致同一故障部件振动信号在不同测点的特征值不同。以其中的某个测点作为基准，其它测点的值可以表示为其中i为第i次测量的结果，k为第k个故障部件，m为第m个振动测点。对多次测量的数据进行结果平均得到第k故障部件振动信号传输到测点的衰减系数{β_k,1,β_k,2,β_k,3,…β_k,m}，其中其中l为重复测量的次数。则多个部件的衰减系数可以表示为：

$\mathrm{\&beta;}={\left\{\begin{array}{ccc}{\mathrm{\&beta;}}_{\mathrm{1,1}}& ...& {\mathrm{\&beta;}}_{1,M}\\ .& & .\\ .& & .\\ .& & .\\ {\mathrm{\&beta;}}_{K,1}& ...& {\mathrm{\&beta;}}_{K,M}\end{array}\right\}}_{K\&times;M}$

其中，K为齿轮箱中部件的个数，M为振动测点数，β_k＝{β_k,1…β_kM}。

步骤六：不同类型的部件具有相异的故障特征值，利用特征值的差异以及BP神经网络算法对得到的数据进行故障诊断，将故障定位到某类型的部件。

步骤七：对于同种类型的部件，求取振动信号的衰减系数β′_k，分析衰减系数，采用对比的方法，通过求误差δ＝β′_k-β_k最小的方法来确定故障部件的位置。

优点及功效：本发明一种多传感器融合的风电机组齿轮箱故障定位方法，其优点是：在齿轮箱故障诊断的基础上实现了故障特征值的分类，故障器件的定位以及故障位置的精确判断。提高了风电机组齿轮箱故障诊断的可靠性。具体优点如下：

1)根据现场的振动状态监测数据以及内窥镜的检查结果确定了齿轮箱故障部位及程度对多测点振动信号的影响；

2)利用节约覆盖集理论得到了不同类型部件故障特征的覆盖集，并利用BP神经网络将故障定位到了不同类型的部件；

3)根据测定的振动衰减衰减系数，进一步确定了部件的位置，解决了不同位置相同部件故障定位的难题。

附图说明

图1系统工作流程图

图2诊断问题的因果网络图

图3因果网络函数的图形表现形式图

图中符号说明如下：

f₁,f₂,f₃,f₄—代表故障部件1，故障部件2，故障部件3，故障部件4

a₁,a₂,a₃,a₄—代表故障部件振动信号的4个故障特征值

parts(a_j)—代表引起故障特征a_j的所有可能故障部件

features(f_i)—代表故障部件f_i引起的所有故障特征

具体实施方式

结合具体的实例及附图对本发明做进一步详细说明，但本发明的实施方式不限于此。

如图1所示，本发明是一种多传感器融合的风电机组齿轮箱故障定位方法，具体步骤如下：

步骤一：依据齿轮箱的内部结构以及振动传感器的安装位置和数量来确定故障定位模型应用的条件。风电机组齿轮箱均由齿轮、轴承、轴及相应附件组成，由于其传动功率以及生产厂家的不同，齿轮箱内部器件的参数不同，因此故障定位的部件数量及振动特征存在着差别。不同的振动传感器安装位置和安装数量会导致故障特征值的大小及同种部件定位算法的不同。

步骤二：依据现有的故障诊断技术包括时域分析、频域分析、小波分析等现有的故障诊断方法对采集的振动信号进行分析，提取相应的故障特征值{a₁,a₂…a_n}。

步骤三：借鉴节约覆盖集理论建立故障部件与特征值集合的关系。不同部件的故障对应不同的特征值集合，借鉴节约覆盖集理论得到最佳的故障与特征值的对应关系。利用节约覆盖集理论分析过程如下：

设F代表齿轮箱可能发生的故障部件集合，|F|代表可能的故障数目，则故障发生共有2^|F|种可能性。每种可能性可以看作F的一个子集F_I。若F_I＝{f₁,f₂,…,f_n}表示故障部件{f₁,f₂,…,f_n}发生故障，而其他的故障则没有发生。解决齿轮箱中多故障诊断问题就是在所有2^|F|个可能性中寻找最可能的组合。利用符号推理—节约覆盖理论来寻找最佳的组合。

节约覆盖理论是一种利用诱导推理来阐明诊断专家系统理论。它将诊断问题描述为一个四元组P＝<F,A,R,A⁺>，其中

F＝{f₁,f₂,…,f_n}表示故障部件的有限非空集；

A＝{a₁,a₂,…,a_n}表示故障特征值的有限非空集；

表示定义在F×A上的有序关系子集；

表示已知的特征值集合。

符号R代表故障部件和故障特征值之间的直接因果关系，<f_i,a_j>∈R表示f_i能够引起a_j，它并不表示当f_i存在，a_j总是发生，而仅仅是可能发生。A⁺是A的一个特殊子集，代表了在一个特定问题下已知存在的特征，不在A⁺的特征可认为是不存在的。图2描述了故障部件与故障特征值的对应关系，图中采用的故障部件数为4，特征值数量为4，但实际应用中不限于此。

此外，可定义两个函数：对于所有a_j∈A，parts(a_j)＝{f_i|<f_i,a_j>∈R}代表特征值a_j所有可能引起的故障部件，features(f_i)＝{a_j|<f_i,a_j>∈R}代表可能被f_i引起的所有特征(见图3)。同时定义和如对于图1的诊断问题，parts(a₁)＝{f₁,f₂,f₃}，features(f₁)＝{a₁,a₃}，parts({a₃,a₄})＝{f₁,f₃,f₄}。如果则称故障部件集合F_I是特征值的一个覆盖。

利用最小准则(如果A⁺的一个覆盖有最小可能数目的故障，那么它就是一个满足最小规则的解释)确定齿轮箱中每个部件故障对应最少特征值覆盖。

步骤四：根据现场齿轮箱内窥镜的结果确定齿轮箱故障的部位、类型以及故障的程度。利用与内窥镜检查相近时间内齿轮箱的振动数据来分析单一故障的不同程度对故障特征值的影响以及不同部位故障对不同振动测点特征值的影响。

步骤五：分析不同故障部件对多个测点振动信号的影响，得到振动的衰减系数。故障部件的振动信号传播到不同振动测点的衰减率不同，进而导致同一故障部件振动信号在不同测点的特征值不同。以其中的某个测点作为基准，其它测点的值可以表示为其中i为第i次测量的结果，k为第k个故障部件，m为第m个振动测点。对多次测量的数据进行结果平均得到第k故障部件振动信号传输到测点的衰减系数{β_k,1,β_k,2,β_k,3,…β_k,m}，其中其中l为重复测量的次数。则多个部件的衰减系数可以表示为：

$\mathrm{\&beta;}={\left\{\begin{array}{ccc}{\mathrm{\&beta;}}_{\mathrm{1,1}}& ...& {\mathrm{\&beta;}}_{1,M}\\ .& & .\\ .& & .\\ .& & .\\ {\mathrm{\&beta;}}_{K,1}& ...& {\mathrm{\&beta;}}_{K,M}\end{array}\right\}}_{K\&times;M}$

其中，K为齿轮箱中部件的个数，M为振动测点数，β_k＝{β_k,1…β_kM}。

步骤六：不同类型的部件具有相异的故障特征值，利用特征值的差异以及BP神经网络算法对得到的数据进行故障诊断，将故障定位到某类型的部件。

步骤七：对于同种类型的部件，求取振动信号的衰减系数β′_k，分析衰减系数，采用对比的方法，通过求误差δ＝β′_k-β_k最小的方法来确定故障部件的位置。

Claims (1)

1.一种多传感器融合的风电机组齿轮箱故障定位方法，其特征在于：该方法的具体实现步骤如下：

步骤一：依据齿轮箱的内部结构以及振动传感器的安装位置和数量来确定故障定位模型应用的条件；风电机组齿轮箱均由齿轮、轴承、轴及相应附件组成，由于其传动功率以及生产厂家的不同，齿轮箱内部器件的参数不同，因此故障定位的部件数量及振动特征存在着差别，不同的振动传感器安装位置和安装数量会导致故障特征值的大小及同种部件定位算法的不同；

步骤二：依据现有的故障诊断技术包括时域分析、频域分析、小波分析现有的故障诊断方法对采集的振动信号进行分析，提取相应的故障特征值{a₁,a₂…a_n}；

步骤三：借鉴节约覆盖集理论建立故障部件与特征值集合的关系；不同部件的故障对应不同的特征值集合，借鉴节约覆盖集理论得到最佳的故障与特征值的对应关系；利用节约覆盖集理论分析过程如下：

设F代表齿轮箱可能发生的故障部件集合，|F|代表可能的故障数目，则故障发生共有2^|F|种可能性；每种可能性看作F的一个子集F_I，若F_I＝{f₁,f₂,…,f_n}表示故障部件{f₁,f₂,…,f_n}发生故障，而其他f的故障则没有发生；解决齿轮箱中多故障诊断问题就是在所有2^|F|个可能性中寻找最可能的组合，利用符号推理—节约覆盖理论来寻找最佳的组合；

节约覆盖理论是一种利用诱导推理来阐明诊断专家系统理论，它将诊断问题描述为一个四元组P＝<F,A,R,A⁺>，其中

F＝{f₁,f₂,…,f_n}表示故障部件的有限非空集；

A＝{a₁,a₂,…,a_n}表示故障特征值的有限非空集；

表示定义在F×A上的有序关系子集；

表示已知的特征值集合；

符号R代表故障部件和故障特征值之间的直接因果关系，<f_i,a_j>∈R表示f_i能够引起a_j，它并不表示当f_i存在，a_j总是发生，而仅仅是可能发生；A⁺是A的一个特殊子集，代表了在一个特定问题下已知存在的特征，不在A⁺的特征可认为是不存在的；此外，可定义两个函数：对于所有a_j∈A，parts(a_j)＝{f_i|<f_i,a_j>∈R}代表特征值a_j所有可能引起的故障部件，features(f_i)＝{a_j|<f_i,a_j>∈R}代表可能被f_i引起的所有特征，同时定义 $\mathrm{parts}\left(A_J\right)={\&cup;}_{a_j\&Element;A_J}\mathrm{parts}\left(a_j\right)$ 和 $\mathrm{features}\left(F_I\right)={\&cup;}_{f_i\&Element;F_I}\mathrm{features}\left(f_i\right);$ 对于诊断问题，parts(a₁)＝{f₁,f₂,f₃}，features(f₁)＝{a₁,a₃}，parts({a₃,a₄})＝{f₁,f₃,f₄}，如果则称故障部件集合F_I是特征值的一个覆盖；

利用最小准则确定齿轮箱中每个部件故障对应最少特征值覆盖；

步骤四：根据现场齿轮箱内窥镜的结果确定齿轮箱故障的部位、类型以及故障的程度；利用与内窥镜检查相近时间内齿轮箱的振动数据来分析单一故障的不同程度对故障特征值的影响以及不同部位故障对不同振动测点特征值的影响；

步骤五：分析不同故障部件对多个测点振动信号的影响，得到振动的衰减系数；故障部件的振动信号传播到不同振动测点的衰减率不同，进而导致同一故障部件振动信号在不同测点的特征值不同；以其中的某个测点作为基准，其它测点的值表示为其中i为第i次测量的结果，k为第k个故障部件，m为第m个振动测点；对多次测量的数据进行结果平均得到第k故障部件振动信号传输到测点的衰减系数{β_k,1,β_k,2,β_k,3,…β_k,m}，其中其中l为重复测量的次数，则多个部件的衰减系数表示为：

$\mathrm{\&beta;}={\left\{\begin{array}{ccc}{\mathrm{\&beta;}}_{\mathrm{1,1}}& ...& {\mathrm{\&beta;}}_{1,M}\\ .& & .\\ .& & .\\ .& & .\\ {\mathrm{\&beta;}}_{K,1}& ...& {\mathrm{\&beta;}}_{K,M}\end{array}\right\}}_{K\&times;M}$

其中，K为齿轮箱中部件的个数，M为振动测点数，β_k＝{β_k,1…β_kM}；

步骤六：不同类型的部件具有相异的故障特征值，利用特征值的差异以及BP神经网络算法对得到的数据进行故障诊断，将故障定位到某类型的部件；

步骤七：对于同种类型的部件，求取振动信号的衰减系数β'_k，分析衰减系数，采用对比的方法，通过求误差δ＝β′_k-β_k最小的方法来确定故障部件的位置。