CN108399385B - 一种风力发电机组振动监测信号降噪方法 - Google Patents
一种风力发电机组振动监测信号降噪方法 Download PDFInfo
- Publication number
- CN108399385B CN108399385B CN201810155354.1A CN201810155354A CN108399385B CN 108399385 B CN108399385 B CN 108399385B CN 201810155354 A CN201810155354 A CN 201810155354A CN 108399385 B CN108399385 B CN 108399385B
- Authority
- CN
- China
- Prior art keywords
- monitoring signal
- vibration monitoring
- generating set
- wind generating
- order
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations
- G01H1/14—Frequency
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
Description
技术领域
本发明涉及风力发电技术领域,尤其涉及一种风力发电机组振动监测信号降噪方法。
背景技术
对风力发电机组的运行状态进行监测,是保证风力发电机组稳定运行,降低机组维护成本的有效方式。其中,风电机组的齿轮箱、轴系、发电机、叶片、电气系统、控制系统、偏航系统和变浆系统是重点监测对象。
目前常用的状态监测方法,除了控制系统自身带有的若干传感器监测自身的工作状态之外,还有振动信号监测、润滑油监测、温度监测等方法。其中利用振动信号进行状态监测是最为成熟、应用最为广泛的方法。振动信号主要由安装在风电机组不同部位处的振动传感器,如加速度传感器等采集得到。
现有的振动监测方法通常直接采用实测振动信号进行频谱分析、模态参数识别等处理,从而判断风机运行状态是否正常。然而,由于环境噪声的影响,实际采集的振动信号往往信噪比比较低,这会影响频谱分析、模态参数识别等的精度,从而影响风电机组运行状态判断的准确性。
发明内容
为了克服现有技术的不足,本发明提供了一种风力发电机组振动监测信号降噪方法,克服实际采集的振动信号信噪比较低的问题,具有能够提高对风电机组运行状态判断的准确性的效果。
本发明采用下述技术方案:
一种风力发电机组振动监测信号降噪方法,包括以下步骤:
步骤(1)基于传感器实测的包含l个数据点的振动监测信号构建Hankel矩阵Hm×n,基于Hankel矩阵Hm×n得到一系列线性空间的基矩阵Hs;
步骤(2)对Hankel矩阵Hm×n进行奇异值分解,得到正交矩阵U=[u1,...,um]∈Rm×m、正交矩阵V=[v1,...,vn]∈Rn×n和按降序排列的奇异值向量σi;
其中,R表示实数矩阵;
步骤(3)定义定阶指标MOC,求定阶指标最大值,并将该最大值对应的阶次g作为模型的阶次;
步骤(4)构建新的奇异值向量σk,构建方程Pi,s=Hsvi,pi=σkui;
其中,i=1,...,n;s=1,...,m+n-1;k=1,...,n;k=i;
进一步的,所述步骤(1)中,s=1,2,...,m+n-1,即:
进一步的,所述步骤(2)中,按降序排列的奇异值向量σi,i=1,2,…,n,且σ1>σ2>σ3…>σn。
进一步的,Hm×nvi=σiui,Hm×n Tui=σiνi,其中,T代表矩阵的转置。
进一步的,所述步骤(4)中,σk={σ1,…,σg,σg+1,…,σn},其中σ1≥…≥σg>σg+1=…=σn=0。
进一步的,所述步骤(5)中,Pi,s,Qi,s,pi,qi均为已知。
与现有技术相比,本发明的有益效果是:
(1)本发明解决了现有技术中实际采集的振动信号信噪比较低、影响频谱分析、模态参数识别等精度的问题,提高对风电机组运行状态判断的准确性;
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明的实施例含噪信号与精确信号对比;
图2为本发明的实施例的定阶指标;
图3为本发明的实施例降噪信号与精确信号对比。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的,现有技术中存在实际采集的振动信号信噪比较低,影响频谱分析、模态参数识别等精度的不足,为了解决如上的技术问题,本申请提出了一种风力发电机组振动监测信号降噪方法。
本申请的一种典型的实施方式中,提供了一种风力发电机组振动监测信号降噪方法,包括以下步骤:
步骤1:基于传感器实测的包含l个数据点的振动监测信号构建Hankel矩阵Hm×n,其中,m≥n;
步骤2:基于Hankel矩阵Hm×n,可得到一系列线性空间的基矩阵Hs,s=1,2,...,m+n-1,即:
因此,Hankel矩阵Hm×n可表示为:
其中,xs为系数向量,也即振动监测信号。
步骤3:对Hankel矩阵Hm×n进行奇异值分解,得到正交矩阵U=[u1,...,um]∈Rm×m、V=[v1,...,vn]∈Rn×n,其中R代表实数矩阵,以及按降序排列的奇异值向量σi,i=1,2,…,n,且σ1>σ2>σ3…>σn;
并有以下关系式:Hm×nvi=σiui,Hm×n Tui=σiνi;
其中,T表示矩阵的转置。
步骤4:定义定阶指标MOC,其函数表达式为
其中,j表示阶次,j=1,2,…,n-1;
步骤5:构建新的奇异值向量σk={σ1,…,σg,σg+1,…,σn},
其中σ1≥…≥σg>σg+1=…=σn=0。
本申请的另一实施方式中,由于风电机组各部位振动频率不尽相同,有高频,如发电机、齿轮箱等;有中频,如转子轴等;有低频,如风电机组的叶片、主轴等;因此,本申请通过数值模拟风电机组的振动监测信号,其中包含不同的频率成分及环境噪声;
模拟振动监测信号如下:
Y(t)=S1(t)+S2(t)+S3(t)+S4(t)
其中,S1(t)=sin(4πt);S2(t)=5sin(30πt);S3(t)=2sin(120πt);S4(t)表示噪声水平为15%的高斯白噪声。
S1、S2、S3一起组成不含噪声的精确信号,S4的噪声水平定义为高斯白噪声的标准差与精确信号的标准差之比。
采样频率200Hz,采样点数1024,图1为本实施方式中含噪信号与精确信号对比。
步骤1:以1024个数据点构建Hankel矩阵H513×512。
步骤2:基于H513×512得到一系列线性空间的基矩阵Hs,s=1,2,...,1024;
其中,xs即振动监测信号Y(t)。
步骤3:对H513×512进行奇异值分解,得到正交矩阵U=[u1,...,u513]∈R513×513、V=[v1,...,v512]∈R512×512,其中R代表实数矩阵,以及按降序排列的奇异值向量σi,i=1,2,…,512,且σ1>σ2>σ3…>σ512。
求定阶指标最大值,如图2所示,最大值对应的阶次为6,即信号中包含的振动频率阶数为3。
步骤5:构建新的奇异值向量σk={σ1,…,σ6,σ7,…,σ512},
其中σ1≥…≥σ6>σ7=…=σ512=0。
步骤6:构建方程Pi,s=Hsvi,pi=σkui,其中,i=1,...,512;s=1,...,1024;k=1,...,512;k=i;
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种风力发电机组振动监测信号降噪方法,其特征在于,包括以下步骤:
步骤(1)以包含l个数据点的振动监测信号构建Hankel矩阵Hm×n,基于Hankel矩阵Hm×n得到一系列线性空间的基矩阵Hs;
步骤(2)对Hankel矩阵Hm×n进行奇异值分解,得到正交矩阵U、正交矩阵V和按降序排列的奇异值向量σi;其中,U=[u1,...,um]∈Rm×m,V=[v1,...,vn]∈Rn×n,R表示实数矩阵;
步骤(3)定义定阶指标MOC,求定阶指标最大值,并将该最大值对应的阶次g作为模型的阶次;
其中,i=1,...,n;s=1,...,m+n-1;k=1,...,n;k=i;
4.根据权利要求1所述的一种风力发电机组振动监测信号降噪方法,其特征在于,所述步骤(2)中,按降序排列的奇异值向量σi,i=1,2,…,n,且σ1>σ2>σ3…>σn。
5.根据权利要求4所述的一种风力发电机组振动监测信号降噪方法,其特征在于,Hm× nvi=σiui,Hm×n Tui=σiνi,其中,T代表矩阵的转置。
7.根据权利要求1所述的一种风力发电机组振动监测信号降噪方法,其特征在于,所述步骤(4)中,σk={σ1,…,σg,σg+1,…,σn},其中σ1≥…≥σg>σg+1=…=σn=0。
8.根据权利要求1所述的一种风力发电机组振动监测信号降噪方法,其特征在于,所述步骤(5)中,Pi,s,Qi,s,pi,qi均为已知。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810155354.1A CN108399385B (zh) | 2018-02-23 | 2018-02-23 | 一种风力发电机组振动监测信号降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810155354.1A CN108399385B (zh) | 2018-02-23 | 2018-02-23 | 一种风力发电机组振动监测信号降噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108399385A CN108399385A (zh) | 2018-08-14 |
CN108399385B true CN108399385B (zh) | 2021-10-15 |
Family
ID=63095411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810155354.1A Active CN108399385B (zh) | 2018-02-23 | 2018-02-23 | 一种风力发电机组振动监测信号降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108399385B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964050A (zh) * | 2010-09-06 | 2011-02-02 | 中国海洋大学 | 一种基于模型定阶和信号消噪的模态参数识别方法 |
CA2803557A1 (en) * | 2012-01-31 | 2013-07-31 | Cggveritas Services Sa | Method and apparatus for processing seismic data |
CN103246890A (zh) * | 2013-05-15 | 2013-08-14 | 中国石油大学(华东) | 基于多输入多输出信号降噪的模态参数识别方法 |
CN103810394A (zh) * | 2014-02-28 | 2014-05-21 | 东北电力大学 | 旋转设备故障信号奇异值分解降噪的设计方法 |
CN105205461A (zh) * | 2015-09-18 | 2015-12-30 | 中国石油大学(华东) | 一种用于模态参数识别的信号降噪方法 |
CN105353305A (zh) * | 2015-11-17 | 2016-02-24 | 浙江大学 | 基于完全自适应矩阵束的电机转子偏心故障诊断方法 |
CN105651526A (zh) * | 2015-12-29 | 2016-06-08 | 哈尔滨工业大学 | 基于振动信号分析的车辆工况识别方法 |
CN105807241A (zh) * | 2016-03-23 | 2016-07-27 | 厦门大学 | 一种利用先验信息的指数信号去噪方法 |
CN106127300A (zh) * | 2016-07-04 | 2016-11-16 | 哈尔滨理工大学 | 一种旋转机械健康状态预测方法 |
CN106446829A (zh) * | 2016-09-22 | 2017-02-22 | 三峡大学 | 一种基于svd与vmd模态自相关分析的水电机组振动信号降噪方法 |
CN107704831A (zh) * | 2017-10-11 | 2018-02-16 | 山东科技大学 | 一种基于奇异值分解中值法的瓦斯浓度数据降噪方法 |
-
2018
- 2018-02-23 CN CN201810155354.1A patent/CN108399385B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964050A (zh) * | 2010-09-06 | 2011-02-02 | 中国海洋大学 | 一种基于模型定阶和信号消噪的模态参数识别方法 |
CA2803557A1 (en) * | 2012-01-31 | 2013-07-31 | Cggveritas Services Sa | Method and apparatus for processing seismic data |
CN103246890A (zh) * | 2013-05-15 | 2013-08-14 | 中国石油大学(华东) | 基于多输入多输出信号降噪的模态参数识别方法 |
CN103810394A (zh) * | 2014-02-28 | 2014-05-21 | 东北电力大学 | 旋转设备故障信号奇异值分解降噪的设计方法 |
CN105205461A (zh) * | 2015-09-18 | 2015-12-30 | 中国石油大学(华东) | 一种用于模态参数识别的信号降噪方法 |
CN105353305A (zh) * | 2015-11-17 | 2016-02-24 | 浙江大学 | 基于完全自适应矩阵束的电机转子偏心故障诊断方法 |
CN105651526A (zh) * | 2015-12-29 | 2016-06-08 | 哈尔滨工业大学 | 基于振动信号分析的车辆工况识别方法 |
CN105807241A (zh) * | 2016-03-23 | 2016-07-27 | 厦门大学 | 一种利用先验信息的指数信号去噪方法 |
CN106127300A (zh) * | 2016-07-04 | 2016-11-16 | 哈尔滨理工大学 | 一种旋转机械健康状态预测方法 |
CN106446829A (zh) * | 2016-09-22 | 2017-02-22 | 三峡大学 | 一种基于svd与vmd模态自相关分析的水电机组振动信号降噪方法 |
CN107704831A (zh) * | 2017-10-11 | 2018-02-16 | 山东科技大学 | 一种基于奇异值分解中值法的瓦斯浓度数据降噪方法 |
Non-Patent Citations (6)
Title |
---|
Similarity of signal processing effect between Hankel matrix-based SVD and wavelet transform and its mechanism analysis;Xuezhi Zhao等;《Mechanical Systems and Signal Processing》;20091231;第1062-1075页 * |
Study on Hankel matrix-based SVD and its application in rolling element bearing fault diagnosis;Huiming Jiang等;《Mechanical Systems and Signal Processing》;20150208;第338–359页 * |
加速度计信号奇异值分解滤波与参数辨识;李强等;《自动化仪表》;20141231;第35卷(第9期);第16-20页 * |
基于Hankel矩阵与奇异值分解降噪方法的齿轮故障诊断研究;刘佳音等;《机床与液压》;20180131;第46卷(第1期);第158-162页 * |
基于MIMO信号降噪的模态参数识别研究;包兴先;《振动与冲击》;20151231;第34卷(第19期);第157-162页 * |
基于低秩Hankel矩阵逼近的模态参数识别方法;包兴先;《振动与冲击》;20141231;第33卷(第20期);第57-62页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108399385A (zh) | 2018-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256204B (zh) | 基于传递函数的多点振动响应频域预测的实验装置及方法 | |
CN109973325B (zh) | 识别异常振动的方法和设备 | |
CN109238455B (zh) | 一种基于图论的旋转机械振动信号监测方法及系统 | |
CN111044902B (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
US11003738B2 (en) | Dynamically non-gaussian anomaly identification method for structural monitoring data | |
CN106202977B (zh) | 一种基于盲源分离算法的低频振荡模式分析方法 | |
CN104620248A (zh) | 使用遗传编程估计剩余使用寿命 | |
CN111144009B (zh) | 一种风机的运行状态评估方法、装置、设备和存储介质 | |
CN115688288B (zh) | 飞行器气动参数辨识方法、装置、计算机设备及存储介质 | |
CN113029559A (zh) | 一种齿轮箱故障诊断方法及系统 | |
CN111024214A (zh) | 一种实时获取声共振混合机运行过程中固有频率的方法 | |
Jiang et al. | Fault detection of rolling element bearing based on principal component analysis | |
CN108399385B (zh) | 一种风力发电机组振动监测信号降噪方法 | |
CN112632862A (zh) | 风场稳定性的确定方法、装置、电子设备及存储介质 | |
Velázquez et al. | A generic model for sensor simulation at system level | |
Rao et al. | System identification and H∞ observer design for TRMS | |
CN112747773B (zh) | 基于Allan方差和随机多项式提高陀螺仪精度的方法 | |
Mendel | Gradient estimation algorithms for equation error formulations | |
CN109100103B (zh) | 基于连续监测的风机1p信号识别方法、装置、终端与计算机可读存储介质 | |
CN112284737A (zh) | 一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法 | |
CN112765771B (zh) | 一种航空发动机在过渡态下振动数据的实时监视算法 | |
CN111125626A (zh) | 一种基于s型函数随机子空间识别的模型定阶方法 | |
CN111289275A (zh) | 旋转机械稳定性辨识方法、装置、计算机设备及存储介质 | |
CN117118087B (zh) | 一种电力设备监控预警系统及方法 | |
CN117824922B (zh) | 一种超精密减速器的动平衡性能测试方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |