CN109187021A - 基于熵的多源风电机组轴承故障诊断方法 - Google Patents

Abstract

本发明公开了基于熵的多源风电机组轴承故障诊断方法，包括以下步骤：（1）采用加速度传感器对风电机组轴承振动信号进行数据采集，进行EMD处理、加窗Welch法功率谱分析、求取功率谱熵，获得样本数据特征物理量；（2）基于轴承故障特征矩阵，加入信息熵作为权重，求取待测样本数据灰色关联度，获取BPA值作为BPA证据；（3）基于模糊交互熵修正BPA证据组，对修正后的证据组进行融合获得轴承故障诊断结果。本发明提出的基于熵的风电机组轴承故障诊断方法可处理多个轴承加速度传感器中有传感器损坏导致部分数据失效或异常情况。

Description

基于熵的多源风电机组轴承故障诊断方法

技术领域

本发明涉及轴承故障诊断领域，尤其是适用于基于多个传感器信息识别轴承故障状态的方法。

背景技术

随着时代的进步与发展，电能在国民生活与工业生产中的地位愈发重要，风力发电由于其技术优势，以及风能资源的大规模存在，广泛普及。由于风电机组的日趋复杂化和大型化，机组发生故障的机率大大增加。而风力发电机组作为一大型旋转机械，轴承起着传递扭矩的作用，轴承的运转状态直接决定了设备能否正常工作，且轴承通常处在极端的工作环境中，极易发生故障，所以轴承的故障诊断就显得尤为重要。

风电机组轴承故障振动信号大部分是非平稳、非线性的，且不可避免的夹杂噪声信号，直接采用周期图法提取振动信号功率谱熵作为诊断依据显然不可取；基于灰色关联分析获取BPA时，采用等权灰关联系数效果也不够明显；基于单个传感器的故障判断，在自然或人为干扰条件下，更可能出现误判现象。

发明内容

本发明所要解决的技术问题是：针对非平稳、非线性的风电机组轴承故障振动信号不可直接采用传统傅里叶分析获取功率谱熵；基于灰色关联分析获取BPA时，采用等权灰关联系数效果不够明显；单一传感器对轴承故障识别风险大、不确定的问题，提出的基于熵的多源风电机组轴承故障诊断方法。

本发明为解决上述技术问题而采用的技术方案是：

本发明提出一种基于熵的多源风电机组轴承故障诊断方法，具体包括以下步骤：

(1)、采用加速度传感器对风电机组轴承振动信号进行数据采集，并进行处理、分析获得采集样本数据特征物理量；

(2)、基于轴承故障特征矩阵，加入信息熵作为权重，求取采集样本数据灰色关联度，获取BPA值作为BPA证据；

(3)、基于模糊交互熵修正BPA证据组，对修正后的证据组进行融合获得轴承故障诊断结果。

作为本发明的多源风电机组轴承故障诊断方法进一步优化方案，步骤(1)中，采用多个加速度传感器检测轴承振动从而获取故障振动信号，对信号进行EMD经验模态分解，取前5个本征模函数IMF，对各IMF进行功率谱分析，并求取功率谱熵作为样本数据特征物理量。

作为本发明的多源风电机组轴承故障诊断方法进一步优化方案，步骤(1)中，对各IMF进行功率谱分析并求取功率谱熵，具体过程如下：

A、记对采集样本数据进行EMD分解所得前5个IMF为c_q(t),q＝1,2,3,4,5，分别对其采用加汉宁窗Welch法求取功率谱，记每个IMF分量的功率谱S_q(f)；

B、每个IMF的功率谱熵为：

式中，N代表采样点数，q代表IMF序号，P_qj代表第q个IMF功率谱中采样j点处功率在整个功率谱中所占百分比。

作为本发明的多源风电机组轴承故障诊断方法进一步优化方案，步骤(2)的具体过程如下：

A、将滚动轴承故障类型：内圈故障、外圈故障及滚动体故障，顺次记为故障域{A₁,A₂,A₃}，其特征参考序列为(x_t1,x_t2,x_t3,x_t4,x_t5),t＝1,2,3，取各自故障下大量样本数据训练平均值，构成轴承故障特征矩阵：

B、第i个加速度传感器采集的轴承振动信号经步骤(1)后所获取样本数据特征物理量记为P⁽ⁱ⁾＝(y⁽ⁱ⁾ ₁,y⁽ⁱ⁾ ₂，y⁽ⁱ⁾ ₃,y⁽ⁱ⁾ ₄,y⁽ⁱ⁾ ₅)，i＝1,2,…,n，n表示传感器个数；计算P⁽ⁱ⁾对故障域{A₁,A₂,A₃}的灰关联度{γ_i1,γ_i2,γ_i3}，具体为：

B1、计算P⁽ⁱ⁾对故障A_t在q维的关联系数α_tq：

其中，t＝1,2,3，q＝1,2,3,4,5，ρ为分辨系数，在0～1之间；

B2、将P⁽ⁱ⁾对故障A_t的灰关联度定义为：

B3、计算权重ω_q：

将P⁽ⁱ⁾对故障域{A₁,A₂,A₃}的关联系数张成3×5矩阵，即：

灰关联熵定义为：

其中，

灰关联熵采用信息熵，信息熵表示信息的不确定性程度，信息熵越大，所含信息量越小，定义权重：

C、归一化灰关联度{γ_i1,γ_i2,γ_i3}，即获得第i个证据信息对故障A_t的BPA证据为m_i(A_t)：

作为本发明的多源风电机组轴承故障诊断方法进一步优化方案，步骤(3)的具体过程如下：

301、计算模糊交互熵：

设n个证据BPA为：m_i＝[m_i(A₁) m_i(A₂) m_i(A₃)],i＝1,2,…,n

记n个证据BPA平均值为：m₀＝[m₀(A₁) m₀(A₂) m₀(A₃)]

则模糊交互熵定义为：

302、修正BPA：

定义修正证据组BPA系数为：

λ_i＝1-F(m_i||m₀) (10)

则BPA修正如下：

其中，i＝1,2,…,n,t＝1,2,3,m_i ^*为修正后证据组BPA值；

303、证据融合：

记其中两个证据修正后BPA值为：

m_i ^*＝[m_i ^*(A₁) m_i ^*(A₂) m_i ^*(A₃) m_i ^*(X)],m_j ^*＝[m_j ^*(A₁) m_j ^*(A₂) m_j ^*(A₃) m_j ^*(X)]则这两个证据融合公式为：

计算时，对于n个加速度传感器获得的n个证据，首先取第1个证据m₁ ^*、第2个证据m₂ ^*按式(12)进行推理合成，再将合成结果与第3个证据m₃ ^*合成，反复执行，直至最后一个证据m_n ^*合成，得到基于各证据源即各加速度传感器信息推理出的概率分配m(A_t)，选择m(A_t)中概率最大值对应的故障A_t作为最终风电机组轴承故障诊断结果。

本发明采用以上技术手段，与现有技术相比所具有的有益效果为：

1、本发明提出的基于熵的多源风电机组轴承故障诊断方法可处理多个轴承加速度传感器中有传感器损坏导致部分数据失效或异常情况。

2、本发明考虑到轴承振动信号是非平稳、非线性的，并伴随有噪声信号，加汉宁窗Welch法分析功率谱分析，平衡了分辨率和方差性能，最大程度的减少了谱泄露，使得结果更精确。

3、本发明中新提出加权灰色关联分析，消除了局部时点对整体关联度波动的影响，进一步提高了故障识别的准确度。

4、本发明基于模糊交互熵对BPA值进行修正，并对证据组进行融合，减少了个别传感器错误数据的影响，提高故障识别的准确度，同时，对于风电机组轴承故障的诊断误判率降低。

附图说明

图1是基于熵的多源风电机组轴承故障诊断方法流程图。

图2是实施案例中传感器1所采集数据处理步骤之原始信号时域波形图。

图3是实施案例中传感器1所采集数据处理步骤之信号EMD分解。

图4是实施案例中传感器1所采集数据处理步骤之IMF1加汉宁窗Welch法功率谱图。

具体实施方式

下面结合说明书附图针对本发明的具体实施方式作进一步详细的说明。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本发明所提出的多源风电机组轴承故障诊断方法，采用多个传感器检测风电机组轴承数据，应用经EMD分解后的功率谱熵值作为故障特征量，加权灰色关联分析获取BPA，并基于模糊交互熵修正BPA值，最终将多证据组识别信号融合，从而对风电机组轴承进行故障诊断。

下面结合实施例并参考图1对本发明的步骤流程作进一步的说明。

本发明提出一种基于熵的多源风电机组轴承故障诊断方法，采用多个轴承加速度传感器采集轴承振动信号，根据对振动信号的处理诊断故障，主要包括：采集数据处理步骤、基本概率分配(Basic Probability Assignment，BPA)步骤及证据推理合成故障识别步骤三个部分。

下面以一个1.5KW的电机，被测试轴承支承电机轴为例。使用电火花加工技术在轴承上布置了单点故障，故障直径为0.1778mm，使用加速度传感器采集振动信号，振动信号通过16通道的DAT记录器采集，后期在MATLAB环境中处理。采样频率为12000Hz，轴承转速为1750r/min。

1、采集数据处理步骤：

利用Matlab对所采振动信号进行EMD经验模态分解，取前5个本征模函数IMF，对IMF采用加汉宁窗Welch法进行功率谱分析，计算功率谱熵，得待检故障特征量。

传感器所采集样本数据及EMD分解、功率谱分析(仅标注IMF1，其他同理)，如附图2-4所示。

根据式(1)计算5个本征模函数IMF的功率谱熵H_q(q＝1,2,3,4,5)分别为：H₁＝2.0779,H₂＝2.2626,H₃＝2.0051,H₄＝1.6692,H₅＝1.2835。

最终获得待检故障特征量：

P₁＝(2.0779 2.2626 2.0051 1.6692 1.2835)。

2、基本概率分配步骤：

记内圈故障、外圈故障及滚动体故障为故障域{A₁,A₂,A₃}，取各故障下样本数据各10组作为训练样本，参照上述采集数据处理步骤，获得各故障域故障特征量(x_t1,x_t2,x_t3,x_t4,x_t5),t＝1,2,3，即：

内圈故障样本特征量为：(2.3462 2.2139 2.0935 1.9269 1.6469)

外圈故障样本特征量为：(2.2075 2.3605 2.3003 2.076 1.814)

滚动体故障样本特征量为：(2.0985 2.2939 2.0332 1.7072 1.4519)

建立故障样本空间：

根据式(3)计算计算P₁对故障A_t在q维的关联系数α_tq，根据式(6)计算灰关联熵，根据式(7)计算各维权重：

ω＝(0.2477 0.1598 0.2025 0.2321 0.1579)

根据式(4)计算P₁对故障A_t的灰关联度，如表1所示：

表1P₁对A_t的灰关联度

故障序号	A<sub>1</sub>	A<sub>2</sub>	A<sub>3</sub>
				灰关联度	2.5037	1.7225	9.2356

由式(8)计算待测P₁对各故障的BPA为：

m₁(A₁)＝0.186,m₁(A₂)＝0.128,m₁(A₃)＝0.6861。

若是不加入基于灰关联熵的各维权重，而采用等权灰关联度(即上述公式(4)相应改为)，则待测P₁对各故障的BPA为：

m₁'(A₁)＝0.2036,m₁'(A₂)＝0.1317,m₁'(A₃)＝0.6648。

由此可见，基于灰关联熵改进的灰关联度所获取的BPA对于故障识别更精确。

重复以上步骤，依次其余传感器所得数据对样本空间的BPA值。

3、证据推理合成故障识别步骤：

本模块对多组证据BPA推理规则合成，实现对故障的最终识别。下面分别以多个传感器证据间较一致或存在较大冲突两种情况进行说明。

(1)若3个传感器采集数据获取的不同证据信息比较一致时，设不同传感器对应的BPA值分别如下：

m₁(A₁)＝0.186,m₁(A₂)＝0.128,m₁(A₃)＝0.6861

m₂(A₁)＝0.2704,m₂(A₂)＝0.1951,m₂(A₃)＝0.5345

m₃(A₁)＝0.1307,m₃(A₂)＝0.1038,m₃(A₃)＝0.7655

根据公式(9)(10)(11)计算模糊交互熵并对证据组BPA进行修正，修正后3组BPA值为：

m₁ ^*(A₁)＝0.1858,m₁ ^*(A₂)＝0.1279,m₁ ^*(A₃)＝0.6854,m₁ ^*(X)＝0.001

m₂ ^*(A₁)＝0.2632,m₂ ^*(A₂)＝0.1899,m₂ ^*(A₃)＝0.5202,m₂ ^*(X)＝0.0267

m₃ ^*(A₁)＝0.128,m₃ ^*(A₂)＝0.1017,m₃ ^*(A₃)＝0.7499,m₃ ^*(X)＝0.0203

根据公式(12)对3组证据进行融合，结果如表2所示：

表2对一致性证据推理识别结果

m(A<sub>1</sub>)	m(A<sub>2</sub>)	m(A<sub>3</sub>)	m(X)	识别结果
					0.0775	0.0586	0.6962	0.1677	A<sub>3</sub>

从表2看出，本发明所述方法收敛明显，对一致性证据组合很有效，轴承故障诊断结果为A₃即滚动体故障。

(2)若加入一传感器采集数据存在明显差异，不同传感器对应的BPA值分别如下：

m₁(A₁)＝0.186,m₁(A₂)＝0.128,m₁(A₃)＝0.6861

m₂(A₁)＝0.7923,m₂(A₂)＝0.0643,m₂(A₃)＝0.1434

m₃(A₁)＝0.2704,m₃(A₂)＝0.1951,m₃(A₃)＝0.5345

m₄(A₁)＝0.1307,m₄(A₂)＝0.1038,m₄(A₃)＝0.7655

根据公式(9)(10)(11)(12)对4组进行融合，结果如表3所示：

表3对冲突证据推理识别结果

m(A<sub>1</sub>)	m(A<sub>2</sub>)	m(A<sub>3</sub>)	m(X)	识别结果
					0.0753	0.0487	0.534	0.342	A<sub>3</sub>

从表3看出，本发明所述方法可以减小个别传感器差异数据对整体故障识别的错误影响，合成结果收敛明显，对冲突证据组合同样有效，轴承故障诊断结果为A₃即滚动体故障。

可见，本发明在多个传感器证据间较一致或存在较大差异识别系统运行状态都很有效。

本发明未涉及部分均有现有技术相同或可采用现有技术加以实现。

上面结合附图对本发明的实施方式作了详细地说明，但是本发明并不局限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (5)

1.基于熵的多源风电机组轴承故障诊断方法，其特征是，包括以下步骤：

(1)、采用加速度传感器对风电机组轴承振动信号进行数据采集，并进行处理、分析获得采集样本数据特征物理量；

(2)、基于轴承故障特征矩阵，加入信息熵作为权重，求取采集样本数据灰色关联度，获取BPA值作为BPA证据；

(3)、基于模糊交互熵修正BPA证据组，对修正后的证据组进行融合获得轴承故障诊断结果。

2.根据权利要求1所述基于熵的多源风电机组轴承故障诊断方法，其特征是，步骤(1)中，采用多个加速度传感器检测轴承振动从而获取故障振动信号，对信号进行EMD经验模态分解，取前5个本征模函数IMF，对各IMF进行功率谱分析，并求取功率谱熵作为样本数据特征物理量。

3.根据权利要求2所述基于熵的多源风电机组轴承故障诊断方法，其特征是，步骤(1)中，对各IMF进行功率谱分析并求取功率谱熵，具体过程如下：

A、记对采集样本数据进行EMD分解所得前5个IMF为c_q(t),q＝1,2,3,4,5，分别对其采用加汉宁窗Welch法求取功率谱，记每个IMF分量的功率谱S_q(f)；

B、每个IMF的功率谱熵为：

式中，N代表采样点数，q代表IMF序号，P_qj代表第q个IMF功率谱中采样j点处功率在整个功率谱中所占百分比。

4.根据权利要求1所述基于熵的多源风电机组轴承故障诊断方法，其特征是，步骤(2)的具体过程如下：

A、将滚动轴承故障类型：内圈故障、外圈故障及滚动体故障，顺次记为故障域{A₁,A₂,A₃}，其特征参考序列为(x_t1,x_t2,x_t3,x_t4,x_t5),t＝1,2,3，取各自故障下大量样本数据训练平均值，构成轴承故障特征矩阵：

B、将第i个加速度传感器采集的轴承振动信号经步骤(1)后所获取样本数据特征物理量记为P⁽ⁱ⁾＝(y⁽ⁱ⁾ ₁,y⁽ⁱ⁾ ₂，y⁽ⁱ⁾ ₃,y⁽ⁱ⁾ ₄,y⁽ⁱ⁾ ₅)，i＝1,2,…,n，n表示传感器个数；计算P⁽ⁱ⁾对故障域{A₁,A₂,A₃}的灰关联度{γ_i1,γ_i2,γ_i3}，具体为：

B1、计算P⁽ⁱ⁾对故障A_t在q维的关联系数α_tq：

其中，t＝1,2,3，q＝1,2,3,4,5，ρ为分辨系数，在0～1之间；

B2、将P⁽ⁱ⁾对故障A_t的灰关联度定义为：

B3、计算权重ω_q：

将P⁽ⁱ⁾对故障域{A₁,A₂,A₃}的关联系数张成3×5矩阵，即：

灰关联熵定义为：

其中，

灰关联熵采用信息熵，信息熵表示信息的不确定性程度，信息熵越大，所含信息量越小，定义权重：

C、归一化灰关联度{γ_i1,γ_i2,γ_i3}，即获得第i个证据信息对故障A_t的BPA证据为m_i(A_t)：

5.根据权利要求1所述基于熵的多源风电机组轴承故障诊断方法，其特征是，步骤(3)的具体过程如下：

301、计算模糊交互熵：

设n个证据BPA为：m_i＝[m_i(A₁) m_i(A₂) m_i(A₃)],i＝1,2,…,n

记n个证据BPA平均值为：m₀＝[m₀(A₁) m₀(A₂) m₀(A₃)]

则模糊交互熵定义为：

302、修正BPA：

定义修正证据组BPA系数为：

λ_i＝1-F(m_i||m₀) (10)

则BPA修正如下：

其中，i＝1,2,…,n,t＝1,2,3,m_i ^*为修正后证据组BPA值；

303、证据融合：

记其中两个证据修正后BPA值为：

m_i ^*＝[m_i ^*(A₁) m_i ^*(A₂) m_i ^*(A₃) m_i ^*(X)],m_j ^*＝[m_j ^*(A₁) m_j ^*(A₂) m_j ^*(A₃) m_j ^*(X)]则这两个证据融合公式为：

计算时，对于n个加速度传感器获得的n个证据，首先取第1个证据m₁ ^*、第2个证据m₂ ^*按式(12)进行推理合成，再将合成结果与第3个证据m₃ ^*合成，反复执行，直至最后一个证据m_n ^*合成，得到基于各证据源即各加速度传感器信息推理出的概率分配m(A_t)，选择m(A_t)中概率最大值对应的故障A_t作为最终风电机组轴承故障诊断结果。