CN110443117B - 一种风电机组故障诊断方法 - Google Patents

Abstract

本发明公开了一种风电机组故障诊断方法，该方法根据风电机组齿轮箱的振动信号特性，通过对不同工况下的信号进行变分模态分解，得到一系列本征模函数分量并对其分别求多尺度排列熵；将多尺度排列熵与原信号时域特征组合为特征向量输入到迁移学习算法中；通过线性变换矩阵来最小化源域与目标域的协方差，通过二阶统计量对齐缩小源域与目标域信号数据的分布差异，然后将对齐的源域与目标域信号数据的特征向量输入到支持向量机中进行故障分类。本发明方法能够解决由于不同工况下振动信号数据处于不同分布造成分类效果差的问题，在变工况下风电机组故障诊断中具有更高准确率。

Description

一种风电机组故障诊断方法

技术领域

本发明属于信号处理技术领域，具体涉及一种基于VMD-MPE和二阶统计量对齐的风电机组故障诊断方法，用于多工况下的风电机组故障特征提取与分类。

背景技术

风力发电机的安装数目在逐年上升，且经常处于沙漠、山区等环境恶劣地区，所以风力发电机的健康状况监测问题引起了广泛重视。风电机组齿轮箱是最重要、最脆弱的部件之一。特别是传动结构复杂，容易产生磨损、裂纹等失效。在恶劣环境下很难获得大量的带标签的振动信号，且被测振动信号具有非高斯性和非平稳性，造成故障诊断精度低。因此，在变工况下对风力发电机组变速箱进行故障诊断已成为急需解决的问题。在变工况下，振动信号的数据分布是不同的，很难对新获得的工况数据进行标注。传统的机器学习方法大都是属于监督或半监督学习，需要在目标域中有部分数据标签信息的，以帮助优化分类模型，但在实际任务中，目标域的标签信息获取是比较困难的。如深度学习具有强大的海量数据依赖性，因为它需要大量的数据来了解数据的深层次结构特征，但大量数据采集和注释的高成本限制了它的发展。传统的机器学习方法则会把不同的任务看成是完全独立的，要针对每个目标单独训练模型，极大地浪费了资源，当用同一个模型用于不同目标任务上时，不能提供良好的分类精度，

而迁移学习方法的提出为我们解决这个问题提供了新的思路。迁移学习的主要思想是从现有源域中学到知识，再将这些知识迁移到目标域，帮助对目标域学习。所以可以通过迁移学习，通过对不同工况下的振动数据的学习，帮助新获得的工况数据进行分类。迁移学习方法不要求源域训练数据与目标域测试数据处于相同分布，而且不需要目标域数据的标签。迁移学习虽然可以对不同工况下的故障数据进行分类，但需要具备足够故障区分能力的特征。风电机组微弱故障特征的提取对最终故障的诊断率有非常大的影响。在故障信号分类中，传统风电机组故障诊断一般选择时频特征、能量等作为具有表征能力的学习样本。由于风电机组工作环境的复杂性，所以单纯的利用传统特征指标作为分类样本时并不能取得很好的效果。

发明内容

发明目的：本发明提供了一种风电机组故障诊断方法，能够解决无法挖掘不同工况间振动信号特征的深度相关性和提取故障信号具有较强表征能力的特征，并且由于不同工况下振动信号数据处于不同分布造成分类效果差的问题。

技术方案：本发明所述的一种风电机组故障诊断方法，包括以下步骤：

(1)采集不同工况下的风电机组齿轮箱故障诊断信号，并对其进行预处理；

(2)对不同工况下的辅助振动信号与目标振动信号进行变分模态分解，用中心频率观察法选择合适的本征模函数分解数量K和依据信噪比选择合适的二次惩罚因子α；

(3)求各模态分量的多尺度排列熵并提取振动信号的时域特征，分别组合构建不同工况下振动信号的特征样本集；

(4)通过对不同工况下振动信号的特征样本集进行相关度的计算，选择相关度较高的特征样本集作为可与目标域D_t进行有效迁移的源域D_s；

(5)将源域与目标域的特征向量进行协方差对齐，将已经与目标域对齐的源域特征样本集输入支持向量机中，最终得到训练模型；

(6)将目标特征样本集输入到训练模型中，获得故障诊断结果。

所述步骤(2)包括以下步骤：

(21)在对振动信号进行变分模态分解时，选择合适的分解模态数K，使用的中心频率观察法是对取不同K值时进行变分模态分解后对各IMF分量的中心频率进行观察，当取K+1时开始出现中心频率相近的模态分量，且最大中心频率不再增加，即出现过分解现象，故确定IMF分解数量为K；

(22)依据信噪比选择合适的二次惩罚因子，当选择的二次惩罚因子逐渐增大时时，振动信号的信噪比逐渐减小并趋于平稳，二次惩罚因子的选择为信噪比值大幅度下降与趋于平稳的“拐点”时对应的取值。

步骤(4)所述相关度的计算如下：

其中，C_Zi为两个变量X,Y线性相关程度，Zi为源域数据工况类型标签，cov(X,Y)表示对变量X,Y求协方差，σ_X，σ_Y分别表示变量X,Y的标准差；

当源域有多个不同工况下的变量时，求综合相关度C_w：

其中，C_w∈[0,1]，且其值越大，综合相关度越高，Z为源域工况类型数，P_Zi为源域中各工况类型数据比例。

步骤(5)所述的进行源域数据与目标域数据协方差对齐时使用Frobenius范数作为矩阵距离度量：

其中C_S,C_T分别是D_s，D_t的协方差矩阵，

是源域特征D_SA变换后的协方差，且都是对称矩阵；

表示Frobenius范数；

对上述距离度量方程求最优解：

步骤(5)所述的将源域特征样本集输入SVM中时用交叉验证对其参数进行寻优。

有益效果：与现有技术相比，本发明的有益效果：1、本发明方法引入不同工况下振动信号数据来帮助目标任务的学习，有效解决了目标数据难以大量获得且标签信息缺乏的问题；2、提取VMD-MPE与时域特征结合为迁移学习提供了具备足够故障区分能力的特征，通过不同域间特征集相关度作为可迁移度的度量参考来选择合适域之间进行迁移，有效避免了“负迁移”现象；3、利用二阶统计量来描述风力发电机组振动信号数据分布，引入协方差对齐完成不同域间的迁移学习任务，减小了不同域间特征样本分布差异，提高了故障识别精度；4、本方法能够增强了风电机组故障诊断的环境适应性，计算较为简单，降低了诊断成本。

附图说明

图1为本发明的流程图；

图2为本发明的风电机组齿轮箱轴承振动信号示例图；

图3为本发明在变分模态分解中不同惩罚参数下振动信号的信噪比图；

图4为本发明的振动信号在变分模态分解后的时频图；

图5为本发明的域间相关度与迁移效果曲线图。

具体实施方式

下面结合附图对本发明做进一步说明，图1为本发明的流程图，包括以下步骤：

1、采集不同工况下的风电机组齿轮箱故障诊断信号，并对其进行预处理；轴承系统的目标数据与辅助数据均为振动加速度信号，轴承振动信号示例图如图2所示。

2、对不同工况下的辅助振动信号与目标振动信号进行变分模态分解(VMD)，用中心频率观察法选择合适的本正模函数(IMF)分解数量K和依据信噪比(SNR)选择合适的二次惩罚因子α。

在对振动信号进行变分模态分解时，选择合适的分解模态数K，所使用的中心频率观察法是对取不同K值时进行变分模态分解后对各IMF分量的中心频率进行观察，当取K+1时开始出现中心频率相近的模态分量，且最大中心频率不再增加，即出现过分解现象，故确定IMF分解数量为K。依据信噪比选择合适的二次惩罚因子，当选择的二次惩罚因子逐渐增大时时，振动信号的信噪比逐渐减小并趋于平稳，二次惩罚因子的选择为信噪比值大幅度下降与趋于平稳的“拐点”时对应的取值。如图3所示，变分模态分解后各模态分量与原信号的还原程度需要较大的信噪比，但为了分解后能滤除噪声，分解算法有一定的噪声鲁棒性，又要求信噪比不能过大。所以综合考虑后选择二次惩罚因子的值为2000。

利用变分模态分解得到一系列模态分量，采用通过观察中心频率变化的方法确定模态数K。以内圈滚道故障为例观察，如表1所示：

表1取不同K值时变分模态分解后各模态分量中心频率

由表1可知，K≥5时开始出现中心频率相近的模态分量，且最大中心频率不再增加，即出现过分解现象，故确定K＝4。

基于同样的方法，对正常信号，内圈滚道故障信号，滚珠故障信号，外圈滚道故障信号分别确定了分解尺度与惩罚因子，如表2所示。

表2不同故障位置的振动信号的分解尺度与惩罚因子

因不同振动信号分解得到的IMF个数不同，为便于后续处理，使每个振动信号提取的特征维数一致，在每组分解的IMF中选择峭度值较大的四个分量进行多尺度排列熵的提取。分解尺度与惩罚参数被确定后，内圈滚道故障振动信号变分模态分解结果及各模态分量频谱图如图4所示。

3、求各模态分量的多尺度排列熵(MPE)并提取振动信号的时域特征，分别组合构建不同工况下振动信号的特征样本集。

构建不同工况下振动信号的特征样本集是对信号进行变分模态分解后对各IMF分量提取的MPE与原信号时域特征组合构建的特征样本集。

4、通过对不同工况下振动信号的特征样本集进行相关度的计算，选择相关度较高的特征样本集作为可与目标域D_t进行有效迁移的源域D_s。

特征样本集进行相关度C的计算，用两个变量之间的协方差和标准差的商来反映两个变量X,Y线性相关程度C_Zi：

其中，Zi为源域数据工况类型标签；cov(X,Y)表示对变量X,Y求协方差；σ_X，σ_Y分别表示变量X,Y的标准差。

当源域有多个不同工况下的变量时，求综合相关度C_w：

其中，C_w∈[0,1]，且其值越大，综合相关度越高；Z为源域工况类型数；P_Zi为源域中各工况类型数据比例。

把各工况下振动信号提取的多特征集之间的相关度作为可迁移度的评价。将四种工况下滚动轴承振动信号提取的特征集分别作为源域与目标域，计算其相互之间的相关度。特征集之间的相关度值越高，越有利于工况之间的迁移学习。表3统计了不同工况之间特征集的相关度。

表3四种工况下的特征集相关度统计

用单工况之间的诊断效果来衡量域之间相关度与可迁移度，结果如图5所示。在两种迁移学习方法下，整体趋势是随着相关度的增大，分类效果越好。

5、将源域与目标域的特征向量进行协方差对齐(COVAL)，将已经与目标域对齐的源域特征样本集输入支持向量机(SVM)中，最终得到训练模型；

将源域与目标域的特征向量进行协方差对齐，是通过线性变换矩阵A来最小化D_s与D_t的协方差。

在进行源域数据与目标域数据协方差对齐时使用Frobenius范数作为矩阵距离度量：

其中C_S,C_T分别是D_s，D_t的协方差矩阵，

是源域特征D_SA变换后的协方差，且都是对称矩阵；

表示Frobenius范数。

对上述距离度量方程求最优解：

求最优解

步骤如下：

对称矩阵C_S与C_T进行奇异值分解得到

其中，U_T＝[u₁,u₂,...,u_n1]∈R^n1×r；D_T＝diag({σ_i}1≤i≤r)，r＝min(r_S,r_T)，r_S与r_T分别是C_S与C_T的秩。设

则

即

设

其中D⁺为D的Moore-Penrose伪逆,将上述方程可以变换改写为

求得最优解

在进行最优解A^*中

的计算来消除源域的特征相关性时，在协方差矩阵中添加使其满秩的正则化参数λ，本方法的正则化参数λ取值为1。

将源域特征样本集输入SVM中时用交叉验证对其参数进行寻优。

步骤2至步骤5中所采用方法顺序为原信号的VMD-MPE与时域特征组合特征样本集，结合COVAL-SVM进行二阶统计量对齐并分类。

6、将目标特征样本集输入到训练模型中，获得故障诊断结果。

将一种基于VMD-MPE和二阶统计量对齐的风电机组故障诊断方法(COVAL)与最小二乘支持向量机(LSSVM)、主成分分析(PCA)、迁移成分分析(TCA)进行对比，表4给出四种方法在实验数据上的分类精度。

表4故障诊断正确率对比

由表4可知，不论源域或目标域是单工况数据还是多工况数据，COVAL方法的故障诊断正确率普遍高于其他方法。LSSVM具有优良的推广能力,具有训练速度较快、结果较准等优点。但当源域与目标域处于不同分布时，分类效果就比较差。PCA尽管进行了特征选择处理，但仍然没有能够很好区分不同工况下的故障。以上两种方法的正确率大约只有80％。TCA通过将源域与目标域映射到一个空间，适配了源域和目标域的边缘分布。这种方法较好的解决了不同工况数据之间的迁移问题，取得了十分有效的分类效果，平均诊断正确率超过了96％。COVAL方法没有通过特征映射来减少源域与目标域之间的差异，而是试图通过二阶统计量对齐来连接这两个域，将目标域的相关性添加到源域中。将调整后的源域输入到支持向量机中进行分类器的训练。尽管这种方法非常简单，但在变工况下故障诊断实际应用上表现的非常出色，各种工况下的迁移诊断准确率均高于94％，平均正确率超过了98％，以上结果表明在不同工况下的迁移任务中，COVAL的性能都优于其它三种方法。

本发明方法将变分模态分解后各模态分量的多尺度排列熵与振动信号的时域特征结合构建多工况特征集，多工况特征集为迁移学习提供了具备足够故障区分能力的特征。通过域间特征集相关度作为可迁移度的度量参考，选择合适域之间进行迁移，避免了“负迁移”现象。

综上所述，本发明根据风电机组的振动信号特性，通过对大量各种工况下的信号进行变分模态分解，得到一系列模态分量并对其分别求多尺度排列熵。将各模态分量的多尺度排列熵与信号时域特征组合一起作为特征向量输入到二阶统计量对齐算法中。源域辅助信号数据与目标域测试数据属于不同工况，传统机器学习方法对其进行故障分类效果并不理想。本发明引入二阶统计量对齐方法完成不同域间的迁移学习任务，减小域间特征样本分布差异。通过线性变换矩阵来最小化源域与目标域的协方差，然后将二阶统计量对齐的后的源域与目标域数据的特征向量输入到支持向量机中进行训练与测试。在实施例中将一种基于VMD-MPE和二阶统计量对齐的风电机组故障诊断方法与其它机器学习方法相比较，表明在变工况下滚动轴承多状态分类中本发明方法具有更高准确率。

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.一种风电机组故障诊断方法，其特征在于，包括以下步骤：

(1)采集不同工况下的风电机组齿轮箱故障诊断信号，并对其进行预处理；

(2)对不同工况下的辅助振动信号与目标振动信号进行变分模态分解，用中心频率观察法选择合适的本征模函数分解数量K和依据信噪比选择合适的二次惩罚因子α；

(3)求各模态分量的多尺度排列熵并提取振动信号的时域特征，分别组合构建不同工况下振动信号的特征样本集；

(4)通过对不同工况下振动信号的特征样本集进行相关度的计算，选择相关度较高的特征样本集作为可与目标域D_t进行有效迁移的源域D_s；

(5)将源域与目标域的特征向量进行协方差对齐，将已经与目标域对齐的源域特征样本集输入支持向量机中，最终得到训练模型；

(6)将目标特征样本集输入到训练模型中，获得故障诊断结果。

2.根据权利要求1所述的一种风电机组故障诊断方法，其特征在于，所述步骤(2)包括以下步骤：

(21)在对振动信号进行变分模态分解时，选择合适的分解模态数K，使用的中心频率观察法是对取不同K值时进行变分模态分解后对各IMF分量的中心频率进行观察，当取K+1时开始出现中心频率相近的模态分量，且最大中心频率不再增加，即出现过分解现象，故确定IMF分解数量为K；

(22)依据信噪比选择合适的二次惩罚因子，当选择的二次惩罚因子逐渐增大时，振动信号的信噪比逐渐减小并趋于平稳，二次惩罚因子的选择为信噪比值大幅度下降与趋于平稳的“拐点”时对应的取值。

3.根据权利要求1所述的一种风电机组故障诊断方法，其特征在于，步骤(4)所述相关度的计算如下：

其中，C_Zi为两个变量X,Y线性相关程度，Zi为源域数据工况类型标签，cov(X,Y)表示对变量X,Y求协方差，σ_X，σ_Y分别表示变量X,Y的标准差；

当源域有多个不同工况下的变量时，求综合相关度C_w：

其中，C_w∈[0,1]，且其值越大，综合相关度越高，Z为源域工况类型数，P_Zi为源域中各工况类型数据比例。

4.根据权利要求1所述的一种风电机组故障诊断方法，其特征在于，步骤(5)所述的将源域与目标域的特征向量进行协方差对齐时使用Frobenius范数作为矩阵距离度量：

其中C_S,C_T分别是D_s，D_t的协方差矩阵，

是源域特征D_SA变换后的协方差，且都是对称矩阵；

表示Frobenius范数；

对上述距离度量方程求最优解：

5.根据权利要求1所述的一种风电机组故障诊断方法，其特征在于，步骤(5)所述的将已经与目标域对齐的源域特征样本集输入支持向量机中时用交叉验证对其参数进行寻优。

Images