CN106596116A - 一种风力发电机组振动故障诊断方法 - Google Patents

Abstract

本发明公开了一种风力发电机组振动故障诊断方法。在本发明中，首先，采用振动传感器采集风力发电机组振动故障信号；继而利用变分模态方法提取故障特征信息，并经归一化处理提取故障特征向量；最后将其输入到所建立的遗传算法优化支持向量机的模型中，实现故障的识别与诊断。本发明适应于风力发电机组振动故障的诊断与识别，且诊断精度较高，能够为机组维护人员提供及时与可靠的维修建议，减少不必要的经济损失。

Description

一种风力发电机组振动故障诊断方法

技术领域

本发明属于故障诊断技术领域，具体涉及一种风力发电机组振动故障诊断方法。

背景技术

近年来，能源短缺与环境问题日益突出，世界各国对于新能源的发展日益重视，风力发电作为一种可再生清洁能源，在世界各国得到了快速的发展。但是，风力发电机组工作环境恶劣、结构复杂，极易发生各种故障故障。对其进行早期状态检测与故障诊断，能够有效避免事故的发生，减少经济损失。因此，开展风力发电机组故障诊断技术的研究对于促进风电技术的发展意义重大。

风力发电机组故障诊断一般分为四个步骤，分别为信号采集、信号处理与特征提取、故障识别和诊断决策。目前，风力发电机组故障的研究主要集中于在线监测系统的开发、信号的处理与分析、典型故障特征提取、设备故障机理研究、故障诊断方法研究和人工智能应用等几个方面。

在进行风力发电机组故障诊断中，常采用的分析方法有傅里叶变换、奇异值分解、高阶统计量理论、小波变换和经验模态分解等。傅里叶变换只适用于平稳信号的检测与处理，而对于非平稳信号无能为力；奇异值分解只是在时域内对信号进行分析处理，而与频域分析无关；高阶统计量的计算量较大，不太实用；小波变换对于基函数的选择还没有一个基本的标准或通用的方法；经验模态分解能够适用于非平稳、非线性信号的检测与处理，但是其存在端点效应和模态混叠现象，且没有理论基础。因此，这几种方法对于处理非线性、非平稳的振动信号都存在一定的缺点和不足，不能充分凸显信号特征。

随着人工智能技术的发展，为风力发电机组的故障诊断提供了一定的理论支持，如专家系统、模糊诊断方法、神经网络和支持向量机等。专家系统在知识的获取、维护以及推理等方面还不成熟；模糊理论在处理比较复杂的诊断系统时，其隶属度函数和模糊规则很难建立；神经网络需要在大量的训练样本下，才能获得准确的诊断结果，而实际运行中难以获取大量的数据样本；支持向量机具有结构简单、学习速度快、全局最优和泛化性好等优点，在小样本情况下也可以达到较高的诊断精度。

发明内容

本发明的目的是提供一种风力发电机组振动故障诊断方法，解决了现有技术在风力发电机组故障诊断过程中不能有效处理非线性、非平稳振动信号的问题。

本发明所采用的技术方案是，一种风力发电机组振动故障诊断方法，包括以下步骤：

步骤1，采用振动传感器采集风力发电机组振动故障信号；

步骤2，利用变分模态分解方法对振动信号进行分解，得到包含不同频段信息的IMF分量；

步骤3，计算振动信号经变分模态分解得到的各个IMF分量的能量，并经归一化处理，得到该信号的故障特征向量；

步骤4，利用遗传算法优化支持向量机，构建基于遗传算法优化的支持向量机故障诊断模型；

步骤5，将提取的故障特征向量输入到步骤4建立的诊断模型中进行故障的识别与诊断。

上述方法的特点还在于：

步骤2具体包括以下子步骤：

步骤2.1，估计IMF分量频率带宽的目标，

(1)对每个模态函数u_k进行Hibert变换，得到每个模态函数u_k的解析信号；

(2)利用指数修正，将每个模态函数的频谱调制到各自估算的中心频率；

(3)计算以上解调信号的梯度的平方L²范数，估算出各模态函数的带宽，得到其对应的约束变分问题：

式中，u_k＝{u₁,u₂,…u_K}为各模态函数集；w_k＝{w₁,w₂,…w_K}为各模态中心频率；为对函数求时间t的偏导数；δ_t为单位脉冲函数；j为虚数单位；*表示卷积；

步骤2.2，将上述约束变分问题转化为非约束变分问题，引入增广拉格朗日函数L，如下式所示：

式中，α为带宽参数；λ(t)为拉格朗日乘子；

步骤2.3，采用交替方向乘子算法求取式(4)扩展的拉格朗日函数，

(1)初始化n；

(2)执行循环n＝n+1；

(3)对所有的w≥0，更新泛函

更新泛函w_k：

(4)更新λ：

式中，τ为噪声容限参数。

(5)重复(2)～(4)，直到满足迭代约束条件：

结束迭代，得到K个IMF分量。

步骤3具体包括以下子步骤：

步骤3.1，计算各个IMF分量的能量；

步骤3.2，构建IMF能量的特征向量，并经归一化处理，令：

从而，得到表征信号的特征向量如下式所示：

步骤4具体包括以下子步骤：

步骤4.1，对参数惩罚因子C和径向基核函数的宽度σ²进行编码，产生两个参数的初始化种群，并设置初始参数；

步骤4.2，计算适应度函数值，采用3折交叉验证方法评估粒子的适应度；

步骤4.3，根据适应度函数值，进行复制、交叉和变异遗传操作，产生新的一代种群；

步骤4.4、检验是否满足结束条件，若满足，则结束寻优过程，否则转至第4.2步重复运行，结束条件为寻优过程达到最大进化代数。

步骤5具体包括以下子步骤：

步骤5.1，将多组故障特征向量平均分成两组，分别作为遗传算法优化支持向量机的诊断模型的训练样本和测试样本；

步骤5.2，利用训练样本对故障诊断模型进行训练，然后再对测试样本进行诊断，从而实现故障的识别与分类。

本发明的有益效果是，本发明主要针对风力发电机组故障信号非线性、非平稳性的特点，将变分模态分解与支持向量机相结合，提出了一种变分模态分解和基于遗传算法优化支持向量机相结合的故障诊断方法，能够充分凸显信号特征。本发明适合于风力发电机组的故障诊断，且诊断结果精度较高，为机组运行维护人员提供了可靠地诊断结果，方便其及时快速的处理故障，保障了机组运行的安全性与经济性。

附图说明

图1为滚动轴承滚动体剥落、内圈剥落和外圈剥落的原始信号；

图2为滚动轴承滚动体剥落第一段信号的时域与频域图；

图3为滚动体剥落信号变分模态分解的时域与频域图；

图4为基于遗传算法优化支持向量机的流程图；

图5为滚动轴承的故障诊断结果图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步的详细说明，但本发明并不限于这些实施方式。

将本发明风力发电机组振动故障诊断方法应用于实验室模拟的风力发电机组主轴轴承故障诊断中。首先，采用振动传感器采集风力发电机组振动故障信号；继而利用变分模态分解对原始振动信号进行分解，得到包含不同频段信息的IMF分量；然后，采用能量特征法提取IMF的能量，并经归一化处理，得到故障诊断模型输入的特征向量；最后，将特征向量输入到诊断模型中，进行故障的识别与诊断，从而完成故障的诊断。

具体按照以下步骤实施：

步骤1，利用振动传感器分别采集滚动轴承在内圈剥落、外圈剥落和滚动体剥落三种典型故障下的4组数据，共采集12组数据，每组数据采集8196个点，采样频率为20KHz。图1为实验采集的滚动轴承在内圈剥落、外圈剥落和滚动体剥落时的第一组信号。

步骤2，将滚动轴承在内圈剥落、外圈剥落和滚动体剥落三种故障下的各组数据分别分成8段，每段1024个点，每种故障信号共分为32段，共96段。

步骤3，以滚动轴承滚动体剥落信号为例，利用变分模态分解方法对滚动轴承在三种典型故障下的各段振动信号进行分解，得到包含不同频段信息的IMF分量。图2为滚动体剥落时第一段信号的时域与频域图，图3为滚动体剥落时第一段信号变分模态分解的时域与频域图。

具体步骤如下：

步骤3.1，估计IMF分量频率带宽的目标。在利用变分模态分解求解每个IMF分量时，将信号的分解引入到变分模型中进行求解，通过搜索约束变分模型最优解来实现信号的分解，在此过程中，每个IMF分量的中心频率和带宽不断更新，最后自适应的分解为K个带宽之和最小的IMF分量，且K个IMF分量之和为输入信号f。通过以下方法估计IMF分量频率带宽的目标：

(1)对每个模态函数u_k(t)进行Hibert变换，得到每个模态函数u_k(t)的解析信号，如式(1)所示：

(2)利用指数修正，将每个模态函数的频谱调制到各自估算的中心频率，如式(2)所示：

(3)计算以上解调信号的梯度的平方L²范数，估算出各模态函数的带宽。

对应的约束变分问题为：

式中，u_k＝{u₁,u₂,…u_K}为各模态函数集；w_k＝{w₁,w₂,…w_K}为各模态中心频率；为对函数求时间t的偏导数；δ_t为单位脉冲函数；j为虚数单位；*表示卷积。

步骤3.2，将上述约束变分问题转化为非约束变分问题，引入增广拉格朗日函数L，如下式所示：

式中，α为带宽参数；λ(t)为拉格朗日乘子。

步骤3.3，采用交替方向乘子算法求取式(4)扩展的拉格朗日函数，具体的实现步骤如下：

(1)初始化n；

(2)执行循环n＝n+1；

(3)对所有的w≥0，更新泛函

更新泛函w_k：

(4)更新λ：

式中，τ为噪声容限参数。

(6)重复(2)～(4)，直到满足迭代约束条件：

结束迭代，得到K个IMF分量。

步骤4，计算振动信号经变分模态分解得到的各个IMF分量的能量，并经归一化处理，得到该信号的故障特征向量。

具体步骤如下：

步骤4.1，计算各个IMF分量的能量，计算公式如下：

步骤4.2，构建IMF能量的特征向量，并经归一化处理，令：

从而，得到表征信号的特征向量如下式所示：

采用上述能量特征法提取的滚动轴承故障信号特征向量结果见表1。

表1 滚动轴承故障信号的特征向量

步骤5，利用遗传算法优化支持向量机，构建基于遗传算法优化的支持向量机的故障诊断模型。

支持向量机故障诊断模型的建立需要的主要参数为惩罚因子C和径向基核函数的宽度σ²，该诊断技术利用遗传算法的全局随机搜索能力对其参数C和σ²进行优化调整。其主要思路是先对SVM的两个参数C和σ²编码生成染色体，继而对染色体根据适用度函数值进行复制、交叉和变异操作，使其不断进化，最后得到使SVM分类精度达到最优的染色体。具体步骤参照图4，如下：

步骤5.1，对参数惩罚因子C和径向基核函数的宽度σ²进行编码，产生两个参数的初始化种群，并设置初始参数；

步骤5.2，计算适应度函数值，采用3折交叉验证方法评估粒子的适应度，适应度函数如下式所示：

式中，CV(c,σ²)表示校验分类精度，ξ_t，ξ_f分别表示正确分类与错误分类的个数；

在3-CV折交叉验证中，训练样本集被随机分为三个互不重叠的子集，其中两个子集作为训练集，剩下一个子集作为测试集，上述过程重复三次，以使每个子集被校验；

步骤5.3，根据适应度函数值，进行复制、交叉和变异遗传操作，产生新的一代种群；

步骤5.4、检验是否满足结束条件，若满足，则结束寻优过程，否则转至第5.2步重复运行，结束条件为寻优过程达到最大进化代数。

步骤6，将表1中的特征向量输入到遗传算法优化支持向量机的诊断模型中进行训练。

具体步骤如下：

步骤6.1，从表1中的特征向量中随机选取16组作为训练样本，剩余16组作为测试样本，

步骤6.2，利用训练样本对故障诊断模型进行训练，然后再对测试样本进行故障识别与诊断。

图5中(a)、(b)和(c)分别为滚动轴承在滚动体剥落、内圈剥落和外圈剥落三种故障下的诊断结果，图中的纵坐标样本类别0、1、2分别代表滚动体剥落、内圈剥落和外圈剥落故障。从图中可以看出，在滚动轴承滚动体剥落故障情况下，16组测试样本均诊断正确，故障诊断的正确率达到了100％，在滚动轴承内圈剥落和外圈剥落两种故障情况下，各有一组数据发生了误判，故障诊断的正确率达到了93.75％，平均诊断正确率达到了95.83％。

仿真结果表明本发明的诊断精度较高，在风力发电机组中的应用效果较好，为风力发电机组的振动故障诊断提供了一种新思路，方便机组维护人员及时解决机组的故障问题，提高了机组运行的安全性与经济型。同时，该故障诊断方法同样适用于风力发电机组以外的其它机械振动故障的识别与诊断，具有一定的推广性。

Claims (5)

1.一种风力发电机组振动故障诊断方法，其特征在于，包括以下步骤：

步骤1，采用振动传感器采集风力发电机组振动故障信号；

步骤2，利用变分模态分解方法对振动信号进行分解，得到包含不同频段信息的IMF分量；

步骤3，计算振动信号经变分模态分解得到的各个IMF分量的能量，并经归一化处理，得到该信号的故障特征向量；

步骤4，利用遗传算法优化支持向量机，构建基于遗传算法优化的支持向量机故障诊断模型；

步骤5，将提取的故障特征向量输入到步骤4建立的诊断模型中进行故障的识别与诊断。

2.根据权利要求1所述的风力发电机组振动故障诊断方法，其特征在于，所述步骤2具体包括以下子步骤：

步骤2.1，估计IMF分量频率带宽的目标，

(1)对每个模态函数u_k(t)进行Hibert变换，得到每个模态函数u_k(t)的解析信号，如式(1)所示：

$\[\mathrm{\δ}\left(t\right)+\frac{j}{\mathrm{\π}t}\]*u_k\left(t\right)---\left(1\right)$

(2)利用指数修正，将每个模态函数的频谱调制到各自估算的中心频率，如式(2)所示：

$\[(\mathrm{\δ}\left(t\right)+\frac{j}{n})*u_k\left(t\right)\]e^{-{\mathrm{jw}}_{k}t}---\left(2\right)$

(3)计算以上解调信号的梯度的平方L²范数，估算出各模态函数的带宽，得到其对应的约束变分问题：

$\underset{\left\{u_k\right\},\left\{w_k\right\}}{\min }\left\{\underset{k=1}{\overset{K}{\Σ}}\right|\left|{\∂}_t\right\{(\mathrm{\δ}\left(t\right)+\frac{j}{\mathrm{\π}t})*u_k\left(t\right)\left\}{e}^{-{\mathrm{jw}}_{k}t}\right|{|}_2^2\}$

$\begin{array}{cc}s.t& \underset{k=1}{\overset{K}{\Σ}}{u}_k\left(t\right)=f\end{array}$

式中，u_k＝{u₁,u₂,…u_K}为各模态函数集；w_k＝{w₁,w₂,…w_K}为各模态中心频率；为对函数求时间t的偏导数；δ_t为单位脉冲函数；j为虚数单位；*表示卷积；

步骤2.2，将上述约束变分问题转化为非约束变分问题，引入增广拉格朗日函数L，如下式所示：

$\begin{array}{c}L\left(\right\{u_k\},\{w_k\},\mathrm{\&lambda;})=\mathrm{\&alpha;}\underset{k=1}{\overset{K}{\&Sigma;}}\left|\right|{\&part;}_t\left\{\right(\mathrm{\&delta;}\left(t\right)+\frac{j}{\mathrm{\&pi;}t})*u_k\left(t\right)\}{e}^{-{\mathrm{jw}}_{k}t}|{|}_2^2+||f\left(t\right)-\underset{k=1}{\overset{K}{\&Sigma;}}{u}_k\left(t\right)|{|}_2^2\\ +<\mathrm{\&lambda;}\left(t\right),\underset{k=1}{\overset{K}{\&Sigma;}}{u}_k\left(t\right)>\end{array}$

式中，α为带宽参数；λ(t)为拉格朗日乘子；

步骤2.3，采用交替方向乘子算法求取式(2)扩展的拉格朗日函数，得到K个IMF分量。

3.根据权利要求1所述的风力发电机组振动故障诊断方法，其特征在于，所述步骤3具体包括以下子步骤：

步骤3.1，计算各个IMF分量的能量；

$\begin{array}{cc}{E}_i={\&Integral;}_{-\mathrm{\&infin;}}^{+\mathrm{\&infin;}}|u_i\left(t\right){|}^{2}dt& i=1,2,\mathrm{...},K\end{array}$

步骤3.2，构建IMF能量的特征向量，并经归一化处理，令：

$E={\left(\underset{i=1}{\overset{K}{\&Sigma;}}\right|E_i{|}^2)}^{1/2}$

从而，得到表征信号的特征向量如下式所示：

$T=\&lsqb;\frac{E_1}{E},\frac{E_2}{E},\mathrm{...},\frac{E_K}{E}\&rsqb;.$

4.根据权利要求1所述的风力发电机组振动故障诊断方法，其特征在于，所述步骤4具体包括以下子步骤：

步骤4.1，对参数惩罚因子C和径向基核函数的宽度σ²进行编码，产生两个参数的初始化种群，并设置初始参数；

步骤4.2，计算适应度函数值，采用3折交叉验证方法评估粒子的适应度；

步骤4.3，根据适应度函数值，进行复制、交叉和变异遗传操作，产生新的一代种群；

步骤4.4、检验是否满足结束条件，若满足，则结束寻优过程，否则转至第4.2步重复运行，结束条件为寻优过程达到最大进化代数。

5.根据权利要求1所述的风力发电机组振动故障诊断方法，其特征在于，所述步骤5具体包括以下子步骤：

步骤5.1，将多组故障特征向量平均分成两组，分别作为遗传算法优化支持向量机的诊断模型的训练样本和测试样本；

步骤5.2，利用训练样本对故障诊断模型进行训练，然后再对测试样本进行诊断，从而实现故障的识别与分类。