CN109238712A - 一种自回归模型增强变分模态分解的风力发电机滚动轴承故障诊断方法 - Google Patents
一种自回归模型增强变分模态分解的风力发电机滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN109238712A CN109238712A CN201811063367.2A CN201811063367A CN109238712A CN 109238712 A CN109238712 A CN 109238712A CN 201811063367 A CN201811063367 A CN 201811063367A CN 109238712 A CN109238712 A CN 109238712A
- Authority
- CN
- China
- Prior art keywords
- wind
- signal
- driven generator
- variation mode
- mode decomposition
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种自回归模型增强变分模态分解的风力发电机滚动轴承故障诊断方法,该诊断方法属于风力发电机维修领域。具体方法为:首先利用自回归模型对原始的风力发电机滚动轴承振动信号进行预处理,消除可线型预测的平稳成分,得到残余信号;接着对残余信号应用变分模态分解技术作进一步分解以消除噪声干扰,获得提纯信号;最后对提纯信号采用希尔伯特包络分析以获取故障类型。通过将本发明应用于风力发电机故障轴承的实际信号中,验证了该方法的性能。本发明能够有效的识别风力发电机滚动轴承故障,具有一定的实用性和工程应用价值。
Description
技术领域
本发明属于风力发电机维修领域,具体是指一种自回归模型增强变分模态分解的风力发电机滚动轴承故障诊断方法。
背景技术
近年来,由于资源的短缺和环境的恶化,世界各国开始重视开发和利用可再生且无污染的能源。风力资源作为一种绿色、环保的能源,已越来越得到人们的重视。风力发电是目前再生新能源利用技术中最成熟、最具开发条件、发展前景最好的发电方式。同时,风电产业的装机量也翻倍增长。由于风力发电机长期处于野外、暴晒和雷雨等的恶劣工作环境中,风速极不稳定,在交变载荷的作用下,机组部件极易损坏。
滚动轴承作为风力发电机重要组成部件之一,起着承受载荷和传递载荷的作用,是最易损伤的部件之一。由于风力机中多种零部件振动、风场气流不稳定、环境噪声等多种因素的影响,风力发电机振动信号通常表现出非线性与非平稳性,传统故障诊断方法难以处理此类复杂的时变非平稳信号。一旦风力发电机轴承故障发生漏检误检,除了降低设备的可靠性外,甚至会造成重大人员伤亡和直接经济损失。因此,及时识别风力发电机滚动轴承故障对提高其运行安全性和可靠性,防止由于轴承损伤积累而引起重大事故的发生有着重要的意义。
针对风力发电机此类非平稳振动信号难以诊断的问题,一直缺乏有效的故障诊断方法。
发明内容
本发明的目的是为了克服现有技术存在的缺点和不足,而提供一种自回归模型增强变分模态分解的风力发电机滚动轴承故障诊断方法。该方法能够有效的识别风力发电机滚动轴承故障,具有实用性和工程应用价值。
为实现上述目的,本发明的技术方案是包括:
S1、首先利用自回归模型对原始的风力发电机滚动轴承振动信号进行预处理,消除可线型预测的平稳成分,得到残余信号;
S2、接着对残余信号应用增强变分模态分解技术作进一步分解以消除噪声干扰,获得提纯信号;
S3、最后对提纯信号采用希尔伯特包络分析以获取故障类型。
进一步设置是所述的步骤S1为:
设定y是长度为N的信号序列,p是自回归模型的阶次,则信号y的自回归模型表达为:
式中:ai,i=1,2,...,p是自回归加权参数,ηk是平稳白噪声过程。
进一步设置是所述的步骤S2为:
对得到的残余信号应用变分模态分解技术得到的一系列模式分量,其分解效果是通过求解约束变分模型的最优解来实现的,即求每个分解分量带宽的最小和,该约束变分模型可以表达为:
式中:f(t)为原始信号,uk(t)为通过增强变分模态分解技术得到的一系列分解向量;wk为不同分量对应的中心频率,
在变分模态分解处理过程中,为了将约束问题转化为无约束问题,引入了二次罚项和拉格朗日乘子,转化后的无约束数学模型表达为:
式中:α和λ分别表示二次罚项与拉格朗日乘子,模型的最优解通过交替方向法求出,分解向量的公式为:
式中:f(w),λ(w),ui(w)分别对应为f(t),λ(t)和ui(t)的傅里叶变换
每个分解向量的中心频率可以通过以下公式得到:
本发明的创新机理是:本发明公开方法采用自回归模型对风力发电机故障振动信号进行预处理,实验数据表明该方案采用自回归模型的自回归参数作为特征向量来分析系统的状态变化是十分有效的。本发明采用变分模态分解方法对自回归模型预处理后得到的残余信号进行模式分解,消除噪声及其他振动源引起的干扰,实验数据表明该变分模态分解方法对风力发电机此类时变复杂信号具有较强的分解能力。
为了验证本发明公开方法的有效性,将本发明应用于实际风力发电机轴承故障信号,验证了本发明在处理风力发电机故障信号中具有明显的优势,并通过将本发明处理结果与VMD分析处理结果进行对比,进一步验证了本发明的有效性。具体详见实施例。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明的故障诊断方法流程图;
图2为VMD处理轴承内圈故障信号处理结果图;
图3为本发明轴承内圈故障信号处理结果;
图4为VMD处理轴承外圈故障信号处理结果图;
图5为本发明轴承外圈故障信号处理结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合对本发明作进一步地详细描述。
技术术语说明:
为了便于技术术语描述,本实施例部分技术特征采用英文简称方式进行说明,其技术术语和英文简称对照说明如下:
自回归(autoregressive,AR)
变分模态分解(variational mode decomposition,VMD)。
如图1所示,为本发明的技术方案包括有包括:
S1、首先利用自回归模型对原始的风力发电机滚动轴承振动信号进行预处理,消除可线型预测的平稳成分,得到残余信号;
S2、接着对残余信号应用变分模态分解技术作进一步分解以消除噪声干扰,获得提纯信号;
S3、最后对提纯信号采用希尔伯特包络分析以获取故障类型。
本发明实施例的具体步骤为:具体步骤如下为:
首先将AR模型应用于风力发电机采集得到的滚动轴承振动信号作为原始信号。假设y是长度为N的信号序列,p是AR模型的阶次,则信号y的AR模型可以表达为:
式中:ai,i=1,2,...,p是自回归加权参数,ηk是平稳白噪声过程
然后对得到的残余信号应用VMD技术得到的一系列模式分量,其分解效果是通过求解约束变分模型的最优解来实现的,即求每个分解分量带宽的最小和。该约束变分模型可以表达为:
式中:f(t)为原始信号,uk(t)为通过VMD得到的一系列分解向量;wk为不同分量对应的中心频率。
在VMD处理过程中,为了将约束问题转化为无约束问题,引入了二次罚项和拉格朗日乘子。转化后的无约束数学模型可以表达为:
式中:α和λ分别表示二次罚项与拉格朗日乘子。模型的最优解通过交替方向法求出,分解向量的公式为:
式中:f(w),λ(w),ui(w)分别对应为f(t),λ(t)和ui(t)的傅里叶变换
每个分解向量的中心频率可以通过以下公式得到:
最后将得到的分解分量进行希尔伯特包络谱分析得出轴承故障信息。具体操作流程参考如图1所示。
通过将本发明应用于采集到的风力发电机故障滚动轴承振动信号上进行处理,从而判别出设备的状况。轴承的内圈、外圈故障频率计算方法可以下列公式计算:
轴承内圈故障公式:
轴承外圈故障故障公式:
式中:fshaft为旋转频率,Nn为轴承滚动体数,α为径向方向接触角,Bd为滚动体平均直径,Pd为轴承的平均直径。
实例案例:
本案例处理风力发电机复杂工况下的故障轴承,通过公式(6)和(7)计算本实验中的轴承故障,分别包括内圈和外圈故障。根据测试轴承的数据可计算出其内圈、外圈故障频率分别为197.1Hz和112.5Hz。
(1)风力发电机内圈轴承
图2给出了应用VMD方法于风力发电机内圈轴承故障信号的结果图,从图中可以看出仅仅出现了旋转频率,内圈故障的特征频率未显示。图3给出了应用本发明于风力发电机内圈故障信号的结果图,从图中可以看出故障频率(196.9Hz)及其二倍频(393.8Hz)显示清晰。对比理论计算值(197.1Hz)相近,因此判定此滚动轴承的故障类型为轴承内圈故障。
(2)风力发电机外圈轴承
图4给出了应用VMD方法于风力发电机内圈故障信号的结果图,从图中可以看出外圈故障的特征频率未显示,包络谱被未知频率项严重干扰。图5给出了应用本发明方法于风力发电机外圈故障信号的结果图,从图中可以看出故障频率(112.5Hz)及其二倍频(225Hz)、三倍频(337.5Hz)显示清晰,与理论值符合。因此,可以判定此滚动轴承的故障类型为轴承外圈故障。此结果进一步说明本发明对于具有较好的处理效果,值得应用到实际工业诊断中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (3)
1.一种自回归模型增强变分模态分解的风力发电机滚动轴承故障诊断方法,其特征在于包括:
S1、首先利用自回归模型对原始的风力发电机滚动轴承振动信号进行预处理,消除可线型预测的平稳成分,得到残余信号;
S2、接着对残余信号应用变分模态分解技术作进一步分解以消除噪声干扰,获得提纯信号;
S3、最后对提纯信号采用希尔伯特包络分析以获取故障类型。
2.根据权利要求1所述的一种自回归模型增强变分模态分解的风力发电机滚动轴承故障诊断方法,其特征在于所述的步骤S1为:
设定y是长度为N的信号序列,p是自回归模型的阶次,则信号y的自回归模型表达为:
式中:ai,i=1,2,...,p是自回归加权参数,ηk是平稳白噪声过程。
3.根据权利要求2所述的一种自回归模型增强变分模态分解的风力发电机滚动轴承故障诊断方法,其特征在于:所述的步骤S2为:
对得到的残余信号应用变分模态分解技术得到的一系列模式分量,其分解效果是通过求解约束变分模型的最优解来实现的,即求每个分解分量带宽的最小和,该约束变分模型表达为:
式中:f(t)为原始信号,uk(t)为通过增强变分模态分解技术得到的一系列分解向量;wk为不同分量对应的中心频率,
在变分模态分解处理过程中,为了将约束问题转化为无约束问题,引入了二次罚项和拉格朗日乘子,转化后的无约束数学模型表达为:
式中:α和λ分别表示二次罚项与拉格朗日乘子,模型的最优解通过交替方向法求出,分解向量的公式为:
式中:f(w),λ(w),ui(w)分别对应为f(t),λ(t)和ui(t)的傅里叶变换
每个分解向量的中心频率通过以下公式得到:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811063367.2A CN109238712A (zh) | 2018-09-12 | 2018-09-12 | 一种自回归模型增强变分模态分解的风力发电机滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811063367.2A CN109238712A (zh) | 2018-09-12 | 2018-09-12 | 一种自回归模型增强变分模态分解的风力发电机滚动轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109238712A true CN109238712A (zh) | 2019-01-18 |
Family
ID=65058215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811063367.2A Pending CN109238712A (zh) | 2018-09-12 | 2018-09-12 | 一种自回归模型增强变分模态分解的风力发电机滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109238712A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109682561A (zh) * | 2019-02-19 | 2019-04-26 | 大连理工大学 | 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
CN106153339A (zh) * | 2016-06-29 | 2016-11-23 | 潍坊学院 | 一种基于变分模式分解滤波的包络分析方法 |
CN106596116A (zh) * | 2016-11-29 | 2017-04-26 | 西安理工大学 | 一种风力发电机组振动故障诊断方法 |
CN107944199A (zh) * | 2017-12-22 | 2018-04-20 | 浙江工业大学 | 一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法 |
-
2018
- 2018-09-12 CN CN201811063367.2A patent/CN109238712A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017926A (zh) * | 2016-05-13 | 2016-10-12 | 山东理工大学 | 基于变模态分解的滚动轴承故障诊断方法 |
CN106153339A (zh) * | 2016-06-29 | 2016-11-23 | 潍坊学院 | 一种基于变分模式分解滤波的包络分析方法 |
CN106596116A (zh) * | 2016-11-29 | 2017-04-26 | 西安理工大学 | 一种风力发电机组振动故障诊断方法 |
CN107944199A (zh) * | 2017-12-22 | 2018-04-20 | 浙江工业大学 | 一种基于频谱趋势和变分模态分解的齿轮箱故障识别方法 |
Non-Patent Citations (5)
Title |
---|
QING LI 等: "Incipient Fault Feature Extraction for Rotating Machinery Based on Improved AR-Minimum Entropy Deconvolution Combined with Variational Mode Decomposition Approach", 《ENTROPY》 * |
任学平 等: "基于自回归最小熵反褶积的滚动轴承故障诊断", 《仪表技术与传感器》 * |
吕宏强 等: "基于 AR-MCKD 的齿轮点蚀故障特征提取", 《机械传动》 * |
唐贵基 等: "变分模态分解方法及其在滚动轴承早期故障诊断中的应用", 《振动工程学报》 * |
杨宇 等: "基于LMD和AR模型的转子系统故障诊断方法", 《湖南大学学报(自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109682561A (zh) * | 2019-02-19 | 2019-04-26 | 大连理工大学 | 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Salameh et al. | Gearbox condition monitoring in wind turbines: A review | |
US11898932B2 (en) | Motor bearing failure diagnosis device | |
Ma et al. | Deep residual learning with demodulated time-frequency features for fault diagnosis of planetary gearbox under nonstationary running conditions | |
Saidi et al. | Wind turbine high-speed shaft bearings health prognosis through a spectral Kurtosis-derived indices and SVR | |
CN107192554A (zh) | 一种风电机组滚动轴承的振动故障诊断方法 | |
CN105938468A (zh) | 一种滚动轴承的故障诊断方法 | |
Li et al. | Intelligent fault identification of rotary machinery using refined composite multi-scale Lempel–Ziv complexity | |
CN106168539A (zh) | 基于卷积神经网络的滚动轴承故障诊断方法及系统 | |
Amezquita-Sanchez et al. | Fractal dimension and fuzzy logic systems for broken rotor bar detection in induction motors at start-up and steady-state regimes | |
CN106650122B (zh) | 一种设备变工况运行风险评估方法 | |
Elforjani et al. | Analysis of extremely modulated faulty wind turbine data using spectral kurtosis and signal intensity estimator | |
CN109255333A (zh) | 一种大型风电机组滚动轴承故障混合诊断方法 | |
CN104330258A (zh) | 一种基于特征参量的滚动轴承故障灰色关联度辨识方法 | |
Wang et al. | Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum | |
CN108036940A (zh) | 一种轴承故障诊断方法 | |
Lu et al. | An optimized stacked diagnosis structure for fault diagnosis of wind turbine planetary gearbox | |
Zhang et al. | Generalized transmissibility damage indicator with application to wind turbine component condition monitoring | |
CN109238712A (zh) | 一种自回归模型增强变分模态分解的风力发电机滚动轴承故障诊断方法 | |
Li et al. | Cyclogram: an effective method for selecting frequency bands for fault diagnosis of rolling element bearings | |
CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 | |
CN108491622A (zh) | 一种风电机组的故障诊断方法及系统 | |
Dabetwar et al. | Mass imbalance diagnostics in wind turbines using deep learning with data augmentation | |
Wang et al. | Data-driven fault detection of a 10 MW floating offshore wind turbine benchmark using kernel canonical variate analysis | |
Srilakshmi et al. | A Review on Fault Detection Diagnosis and Prognosis in Vibration Measurement through Wavelets on Machine Elements | |
Koukoura et al. | Wind turbine gearbox vibration signal signature and fault development through time |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |