CN104897277A - 一种基于双谱熵的风力发电机组故障诊断方法 - Google Patents
一种基于双谱熵的风力发电机组故障诊断方法 Download PDFInfo
- Publication number
- CN104897277A CN104897277A CN201510295830.6A CN201510295830A CN104897277A CN 104897277 A CN104897277 A CN 104897277A CN 201510295830 A CN201510295830 A CN 201510295830A CN 104897277 A CN104897277 A CN 104897277A
- Authority
- CN
- China
- Prior art keywords
- omega
- fault
- malfunction
- generating set
- class
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Wind Motors (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于双谱熵的风力发电机组故障诊断方法,其步骤:采集风力发电机组在正常运行状态、轻度故障、中度故障以及重度故障下的振动信号;计算所有振动信号的故障特征带;建立故障疏离度检测模型;采集待检测风力发电机组的振动信号,将待检测振动信号进行故障特征带计算,得到的故障特征输入故障疏离度检测模型中,计算该故障状态与四类故障状态的故障疏离度,得到的最小疏离度即为该风机的故障状态。本发明能有效提取非平稳信号的故障特征,并进行风力发电机组的故障诊断,提高故障诊断的精度,可以广泛在风电机组设备故障诊断中应用。
Description
技术领域
本发明涉及一种设备故障诊断方法,特别是关于一种基于双谱熵的风力发电机组故障诊断方法。
背景技术
由于风力发电机组这样的大型旋转机电设备的运行都处于非平稳、非线性状态,运行中工况和负载等非故障因素的变化会造成信号能量产生变化,通常的基于能量的振动级值及功率谱的发展及变化不一定对应反映故障状态的发展及变化;另一方面,风力和风向的随机变化导致风电机组传动系统的转速在时刻变化,分析其特征频率已经变得非常困难,因此传统的基于能量变化的特征提取方法以及寻找故障特征频率的特征提取方法难以有效实现风电机组传动系统运行稳定性劣化特征的提取,不能对系统故障进行有效诊断。
发明内容
针对上述问题,本发明的目的是提供一种基于双谱熵的风力发电机组故障诊断方法,该方法能够有效的提取非平稳信号的故障特征,并进行风力发电机组的故障诊断,提高了故障诊断的精度。
为实现上述目的,本发明采取以下技术方案:一种基于双谱熵的风力发电机组故障诊断方法,其特征在于:所述方法包括以下步骤:(1)利用现有数据采集设备采集风力发电机组在正常运行状态、轻度故障、中度故障以及重度故障下的振动信号xw(n)={x1,x2,…xN},其中,N代表每组数据个数,w代表数据组别,w=1、2、3、4,w=1代表正常运行状态、w=2代表轻度故障状态、w=3代表中度故障状态、w=4代表重度故障状态;(2)计算所有振动信号xw(n)的故障特征带;(3)建立故障疏离度检测模型:(Ⅰ)第w类故障状态的第p类故障特征带的范围记为{Awp,Bwp},其中,Awp表示第w类故障状态的第p类故障特征带的下限值,Bwp表示第w类故障状态的第p类故障特征带的上限值;p表示故障特征带的类型,p=1,2,p=1时表示幅值故障特征带,p=2时表示双谱熵故障特征带;(Ⅱ)待识别故障状态F的故障特征向量记为(C1,C2);其中,Cp是待识别故障状态F的第p类故障特征值;(Ⅲ)计算待识别故障状态F与第w类故障状态的第p类故障特征带的距离dwp;(Ⅳ)计算待识别故障状态F与第w类故障状态的故障特征带距Dw;(Ⅴ)建立待识别故障状态F与第w类故障状态的疏离度计算公式:
其中,第w类故障状态的疏离度T(F,w)∈[0,1];(4)采集待检测风力发电机组的振动信号,将待检测振动信号进行步骤(2)的计算,得到的故障特征输入到步骤(3)所建立的故障疏离度检测模型中,计算该故障状态与四类故障状态的故障疏离度T(F,w),得到的最小疏离度即为该风机的故障状态。
所述步骤(2)中,所有振动信号xw(n)的故障特征带计算步骤如下:(Ⅰ)计算所有振动信号xw(n)中每组信号的时域幅值,并记录每种状态幅值的下限Mwa、上限Mwb,记为幅值带{Mwa,Mwb};(Ⅱ)计算所有振动信号xw(n)中每组信号的双谱熵带,并记录每种状态双谱熵值的下限Hwa、上限Hwb,记为双谱熵带{Hwa,Hwb}。
所述步骤(Ⅱ)中,双谱熵带计算步骤为:①计算所有振动信号xw(n)中每组信号的双谱;②计算所有振动信号xw(n)中每组振动信号的双谱熵;③根据每组振动信号xw(n)的双谱熵值,得到每种状态双谱熵值的下限Hwa、上限Hwb,记为双谱熵带{Hwa,Hwb}。
所述步骤①中,双谱计算步骤为:(a)将所有振动信号的每组数据中N个数据都分为K段,每段数据作为一个记录,每段M个数据;(b)对每一个记录去均值,得到三阶累积量估计值(c)对三阶累积量估计值做傅里叶变换,得到所有振动信号xw(n)的双谱估计值:
式中,L<M-1;ω(l,k)是二维窗函数;ω1、ω2均为频率;l、k均表示时延。
所述步骤(b)中,三阶累积量估计值求解步骤:(ⅰ)设定{ci(t),t=0,1,…,M-1}是第i(i=1,…,K)个记录,对第i个记录求其三阶累积量:
式中,M1=max(0,-l,-k);M2=min(M-1,M-1-l,M-1-k);l、k均表示时延;(ⅱ)取所有三阶累积量的平均作为整个观测值的三阶累积量估计,得到三阶累积量估计值
所述步骤②中,双谱熵计算步骤为:a)将双谱估计值B(ω1,ω2)的双频域三角形主定义域ω2≥0,ω1≥ω2,2ω1+ω2≤2π外的值全部赋值为0,得到只保留三角形主定义域内的双谱幅值B′(ω1,ω2);b)计算双频域内所有点双谱幅值的概率P(ω1,ω2):
c)求双谱熵值:
本发明由于采取以上技术方案,其具有以下优点:1、本发明采用高阶谱的双谱方法对风力发电机组的故障振动信号进行分析,有效地减少了变工况信息对故障信息的干扰,有利于故障特征的提取,进而实现故障的准确诊断。2、本发明将信息熵运用于双谱,双谱熵对齿轮箱,轴承故障比较敏感,可以以较少的测点获得准确的故障诊断结果。3、本发明提取的特征集合了时域与时-频域,能更好的反映故障状态,提高诊断的准确率。本发明可以广泛在风电机组设备故障诊断中应用。
附图说明
图1是本发明的整体结构示意图。
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,本发明提供一种基于双谱熵的风力发电机组故障诊断方法,其包括以下步骤:
(1)利用现有数据采集设备采集风力发电机组在正常运行状态、轻度故障、中度故障以及重度故障下的振动信号xw(n)={x1,x2,…xN},其中,N代表每组数据个数,w代表数据组别,w=1、2、3、4,w=1代表正常运行状态、w=2代表轻度故障状态、w=3代表中度故障状态、w=4代表重度故障状态。
(2)计算所有振动信号xw(n)的故障特征带。其步骤如下:
Ⅰ)计算所有振动信号xw(n)中每组信号的时域幅值,并记录每种状态幅值的下限Mwa、上限Mwb,记为幅值带{Mwa,Mwb}。
Ⅱ)计算所有振动信号xw(n)中每组信号的双谱熵带,并记录每种状态双谱熵值的下限Hwa、上限Hwb,记为双谱熵带{Hwa,Hwb}。其具体步骤如下:
①计算所有振动信号xw(n)中每组信号的双谱:
a)将所有振动信号的每组数据中N个数据都分为K段,每段数据作为一个记录,每段M个数据。
b)对每一个记录去均值,得到三阶累积量估计值步骤如下:
(ⅰ)设定{ci(t),t=0,1,…,M-1}是第i(i=1,…,K)个记录,对第i个记录求其三阶累积量:
式中,M1=max(0,-l,-k);M2=min(M-1,M-1-l,M-1-k);l、k均表示时延。
(ⅱ)取所有三阶累积量的平均作为整个观测值的三阶累积量估计,得到三阶累积量估计值
c)对三阶累积量估计值做傅里叶变换,得到所有振动信号xw(n)的双谱估计值,即
式中,L<M-1,ω(l,k)是二维窗函数。ω1、ω2均为频率,且
其中,N0=M/2L,fs是采样频率,0≤λ2≤λ1,λ2+λ1≤fs/2。
②计算所有振动信号xw(n)中每组振动信号的双谱熵,步骤如下:
a)将双谱估计值B(ω1,ω2)的双频域三角形主定义域ω2≥0,ω1≥ω2,2ω1+ω2≤2π外的值全部赋值为0,得到只保留三角形主定义域内的双谱幅值B′(ω1,ω2)。
b)计算双频域内所有点双谱幅值的概率P(ω1,ω2):
c)求双谱的熵值
③根据每组振动信号xw(n)的双谱熵值,得到每种状态双谱熵值的下限Hwa、上限Hwb,记为双谱熵带{Hwa,Hwb}。
(3)建立故障疏离度检测模型,步骤如下:
Ⅰ)第w类故障状态的第p类故障特征带的范围记为{Awp,Bwp}。
其中,Awp表示第w类故障状态的第p类故障特征带的下限值,Bwp表示第w类故障状态的第p类故障特征带的上限值。p表示故障特征带的类型,p=1,2,p=1时表示幅值故障特征带,p=2时表示双谱熵故障特征带。
Ⅱ)待识别故障状态F的故障特征向量记为(C1,C2);其中,Cp是待识别故障状态F的第p类故障特征值;
Ⅲ)计算待识别故障状态F与第w类故障状态的第p类故障特征带的距离dwp:
Ⅳ)计算待识别故障状态F与第w类故障状态的故障特征带距Dw:
Ⅴ)建立待识别故障状态F与第w类故障状态的疏离度计算公式:
其中,第w类故障状态的疏离度T(F,w)∈[0,1]。
(4)采集待检测风力发电机组的振动信号,将待检测振动信号进行步骤(2)的计算,得到的故障特征输入到步骤(3)所建立的故障疏离度检测模型中,计算该故障状态与四类故障状态的故障疏离度T(F,w),得到的最小疏离度即为该风机的故障状态。
上述各实施例仅用于说明本发明,各部件的结构、尺寸、设置位置及形状都是可以有所变化的,在本发明技术方案的基础上,凡根据本发明原理对个别部件进行的改进和等同变换,均不应排除在本发明的保护范围之外。
Claims (6)
1.一种基于双谱熵的风力发电机组故障诊断方法,其特征在于:所述方法包括以下步骤:
(1)利用现有数据采集设备采集风力发电机组在正常运行状态、轻度故障、中度故障以及重度故障下的振动信号xw(n)={x1,x2,…xN},其中,N代表每组数据个数,w代表数据组别,w=1、2、3、4,w=1代表正常运行状态、w=2代表轻度故障状态、w=3代表中度故障状态、w=4代表重度故障状态;
(2)计算所有振动信号xw(n)的故障特征带;
(3)建立故障疏离度检测模型:
(Ⅰ)第w类故障状态的第p类故障特征带的范围记为{Awp,Bwp},其中,Awp表示第w类故障状态的第p类故障特征带的下限值,Bwp表示第w类故障状态的第p类故障特征带的上限值;p表示故障特征带的类型,p=1,2,p=1时表示幅值故障特征带,p=2时表示双谱熵故障特征带;
(Ⅱ)待识别故障状态F的故障特征向量记为(C1,C2);其中,Cp是待识别故障状态F的第p类故障特征值;
(Ⅲ)计算待识别故障状态F与第w类故障状态的第p类故障特征带的距离dwp;
(Ⅳ)计算待识别故障状态F与第w类故障状态的故障特征带距Dw;
(Ⅴ)建立待识别故障状态F与第w类故障状态的疏离度计算公式:
其中,第w类故障状态的疏离度T(F,w)∈[0,1];
(4)采集待检测风力发电机组的振动信号,将待检测振动信号进行步骤(2)的计算,得到的故障特征输入到步骤(3)所建立的故障疏离度检测模型中,计算该故障状态与四类故障状态的故障疏离度T(F,w),得到的最小疏离度即为该风机的故障状态。
2.如权利要求1所述的一种基于双谱熵的风力发电机组故障诊断方法,其特征在于:所述步骤(2)中,所有振动信号xw(n)的故障特征带计算步骤如下:
(Ⅰ)计算所有振动信号xw(n)中每组信号的时域幅值,并记录每种状态幅值的下限Mwa、上限Mwb,记为幅值带{Mwa,Mwb};
(Ⅱ)计算所有振动信号xw(n)中每组信号的双谱熵带,并记录每种状态双谱熵值的下限Hwa、上限Hwb,记为双谱熵带{Hwa,Hwb}。
3.如权利要求2所述的一种基于双谱熵的风力发电机组故障诊断方法,其特征在于:所述步骤(Ⅱ)中,双谱熵带计算步骤为:
①计算所有振动信号xw(n)中每组信号的双谱;
②计算所有振动信号xw(n)中每组振动信号的双谱熵;
③根据每组振动信号xw(n)的双谱熵值,得到每种状态双谱熵值的下限Hwa、上限Hwb,记为双谱熵带{Hwa,Hwb}。
4.如权利要求3所述的一种基于双谱熵的风力发电机组故障诊断方法,其特征在于:所述步骤①中,双谱计算步骤为:
(a)将所有振动信号的每组数据中N个数据都分为K段,每段数据作为一个记录,每段M个数据;
(b)对每一个记录去均值,得到三阶累积量估计值
(c)对三阶累积量估计值做傅里叶变换,得到所有振动信号xw(n)的双谱估计值:
式中,L<M-1;ω(l,k)是二维窗函数;ω1、ω2均为频率;l、k均表示时延。
5.如权利要求4所述的一种基于双谱熵的风力发电机组故障诊断方法,其特征在于:所述步骤(b)中,三阶累积量估计值求解步骤:
(ⅰ)设定{ci(t),t=0,1,…,M-1}是第i(i=1,…,K)个记录,对第i个记录求其三阶累积量:
式中,M1=max(0,-l,-k);M2=min(M-1,M-1-l,M-1-k);l、k均表示时延;
(ⅱ)取所有三阶累积量的平均作为整个观测值的三阶累积量估计,得到三阶累积量估计值
6.如权利要求3所述的一种基于双谱熵的风力发电机组故障诊断方法,其特征在于:所述步骤②中,双谱熵计算步骤为:
a)将双谱估计值B(ω1,ω2)的双频域三角形主定义域ω2≥0,ω1≥ω2,2ω1+ω2≤2π外的值全部赋值为0,得到只保留三角形主定义域内的双谱幅值B′(ω1,ω2);
b)计算双频域内所有点双谱幅值的概率P(ω1,ω2):
c)求双谱熵值:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510295830.6A CN104897277B (zh) | 2015-06-02 | 2015-06-02 | 一种基于双谱熵的风力发电机组故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510295830.6A CN104897277B (zh) | 2015-06-02 | 2015-06-02 | 一种基于双谱熵的风力发电机组故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104897277A true CN104897277A (zh) | 2015-09-09 |
CN104897277B CN104897277B (zh) | 2018-05-11 |
Family
ID=54030084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510295830.6A Active CN104897277B (zh) | 2015-06-02 | 2015-06-02 | 一种基于双谱熵的风力发电机组故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104897277B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107559228A (zh) * | 2017-08-08 | 2018-01-09 | 浙江上风高科专风实业有限公司 | 基于双频谱数据检测和诊断风机故障的方法 |
CN108131321A (zh) * | 2018-02-12 | 2018-06-08 | 山东理工大学 | 一种轴流式风机失速故障监测系统及故障监测方法 |
CN111207926A (zh) * | 2019-12-27 | 2020-05-29 | 三明学院 | 一种基于滚动轴承故障诊断方法、电子装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120121621A (ko) * | 2011-04-27 | 2012-11-06 | 경희대학교 산학협력단 | 차량의 이상 진단 장치, 이상 진단 방법 및 그 진단 방법의 기록매체 |
CN104155133A (zh) * | 2014-08-06 | 2014-11-19 | 北京信息科技大学 | 一种机械故障程度的评价方法 |
CN104156591A (zh) * | 2014-08-06 | 2014-11-19 | 北京信息科技大学 | 一种马尔可夫故障趋势预测方法 |
CN104634566A (zh) * | 2015-01-21 | 2015-05-20 | 北京信息科技大学 | 一种风机传动系统故障特征提取方法 |
-
2015
- 2015-06-02 CN CN201510295830.6A patent/CN104897277B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120121621A (ko) * | 2011-04-27 | 2012-11-06 | 경희대학교 산학협력단 | 차량의 이상 진단 장치, 이상 진단 방법 및 그 진단 방법의 기록매체 |
CN104155133A (zh) * | 2014-08-06 | 2014-11-19 | 北京信息科技大学 | 一种机械故障程度的评价方法 |
CN104156591A (zh) * | 2014-08-06 | 2014-11-19 | 北京信息科技大学 | 一种马尔可夫故障趋势预测方法 |
CN104634566A (zh) * | 2015-01-21 | 2015-05-20 | 北京信息科技大学 | 一种风机传动系统故障特征提取方法 |
Non-Patent Citations (3)
Title |
---|
周雁冰: ""基于高阶统计量的齿轮传动系统故障特征提取方法研究"", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
李学军 等: ""基于双谱分布区域的齿轮聚类分析与故障诊断"", 《振动工程学报》 * |
黄晋英 等: ""基于双谱熵模型的故障模式识别"", 《兵工学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107559228A (zh) * | 2017-08-08 | 2018-01-09 | 浙江上风高科专风实业有限公司 | 基于双频谱数据检测和诊断风机故障的方法 |
CN107559228B (zh) * | 2017-08-08 | 2019-11-26 | 浙江上风高科专风实业有限公司 | 基于双频谱数据检测和诊断风机故障的方法 |
CN108131321A (zh) * | 2018-02-12 | 2018-06-08 | 山东理工大学 | 一种轴流式风机失速故障监测系统及故障监测方法 |
CN108131321B (zh) * | 2018-02-12 | 2019-06-28 | 山东理工大学 | 一种轴流式风机失速故障监测方法 |
CN111207926A (zh) * | 2019-12-27 | 2020-05-29 | 三明学院 | 一种基于滚动轴承故障诊断方法、电子装置及存储介质 |
CN111207926B (zh) * | 2019-12-27 | 2022-02-01 | 三明学院 | 一种基于滚动轴承故障诊断方法、电子装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104897277B (zh) | 2018-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Generator bearing fault diagnosis for wind turbine via empirical wavelet transform using measured vibration signals | |
CN103645052B (zh) | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 | |
CN103575523B (zh) | 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法 | |
CN103411774B (zh) | 波动工况下的风电机组在线预警方法 | |
CN109977920A (zh) | 基于时频谱图及卷积神经网络的水轮机组故障诊断方法 | |
CN103940611B (zh) | 一种风电机组变工况下滚动轴承自适应异常检测方法 | |
CN105784366A (zh) | 一种变转速下的风电机组轴承故障诊断方法 | |
Sheng et al. | Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank | |
CN104408302A (zh) | 一种基于lmd-svd和极限学习机的轴承变工况故障诊断方法 | |
CN106650122B (zh) | 一种设备变工况运行风险评估方法 | |
CN102109554B (zh) | 电网次同步振荡的模态自适应实时检测方法 | |
CN105424359A (zh) | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 | |
CN103471848A (zh) | 基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法 | |
CN104865400A (zh) | 一种风电机组转速的检测识别方法及系统 | |
CN104156591A (zh) | 一种马尔可夫故障趋势预测方法 | |
Dong et al. | Vibration source identification of offshore wind turbine structure based on optimized spectral kurtosis and ensemble empirical mode decomposition | |
CN103454537A (zh) | 基于小波分析的风力发电低电压穿越检测设备及方法 | |
CN104714075A (zh) | 一种电网电压闪变包络参数提取方法 | |
CN104897277A (zh) | 一种基于双谱熵的风力发电机组故障诊断方法 | |
CN107524572A (zh) | 一种风力发电机组在线状态监测和故障诊断方法 | |
CN110334562B (zh) | 轴承振动运行状态预测模型训练方法及预测方法、装置 | |
CN104217112A (zh) | 一种基于多类型信号的电力系统低频振荡分析方法 | |
Hong et al. | Application of spectral kurtosis and Vold-Kalman filter based order tracking in wind turbine gearbox fault diagnosis | |
Yi et al. | High-order synchrosqueezing superlets transform and its application to mechanical fault diagnosis | |
CN103175687B (zh) | 一种活齿减速器故障定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |