CN110595778A - 一种基于mmf与igra风电机组轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于MMF与IGRA风电机组轴承故障诊断方法，本发明通过提出一种利用数学形态学多重分形的两个定义角度提取特征方法，得到轴承不同状态振动信号的广义维数和多重分形谱，从中提取了具有实际物理意义的特征参数，并从特征间灵敏度出发，选择能够有效区分轴承状态的特征参数构成标准故障特征向量，提高了特征选择的准确性。以离差最大化加权对传统的灰色关联分析进行改进，提高了灰色关联模型的可靠性与精确度。最后结合MMF和IGRA对检测信号的类型进行判别，实现故障诊断。实验诊断结果表明本发明可以准确识别信号故障类型，较传统方法更加稳定准确，计算成本更低。

Description

一种基于MMF与IGRA风电机组轴承故障诊断方法

技术领域

本发明是一种应用于风电机组滚动轴承或大型旋转机械滚动轴承的故障诊断方法，尤其针对振动信号非平稳、非线性的特性，更合理的选择能够表征信号的特征参数，快速实时分析诊断信号故障；属于基于数据驱动的故障诊断技术领域。

背景技术

随着经济的飞速发展，人类对能源要求不断加大，由于能源供应紧张，世界能源结构正在由矿物能源系统向以可再生能源为基础的可持续能源系统转变。与其他能源相比，风能在技术和成本上都表现出较强的优势，已经成为清洁能源的主要发展趋势。风力发电项目是一种投资时间很长的工程，其收益期也很长。风电场建成之后的维护成本直接决定着风电场的效益，长期运转的风力发电机组需要定期进行检修和维护，来确保运行的稳定性和安全性。当工程中风力发电机组的工作寿命为20年时，其维护成本就占了整体收益的10％～15％；风力发电机组安装在海上所需要的运行和维护成本占到整体效益的20％～25％，大量的运转和维护成本加大了工程的运营费用及降低了工程的经济收益。要使风电场的效益最大化，就需要将运维成本降到最低。滚动轴承是风力发电机中最重要也是最易受到损伤的零部件之一，如果发生故障将对整个旋转机械甚至整个风机的运行状态产生重大影响。据统计显示，机械故障中约30％的故障都是由滚动轴承引起的，电机故障也有20％的故障是由滚动轴承引起的。另外实际工程中风电机组大多数是安装在风力资源比较充足的地带，比如草原、戈壁滩和荒漠等环境，机组安装的范围很广且数量也比较多，受到恶劣的自然环境的影响，这使得滚动轴承更容易发生故障。因此，对其运行工况进行实时监测和故障诊断的研究越来越受到人们的重视，如何实时、准确区分滚动轴承运行状态非常有意义。

对采集的轴承振动信号分析是风机滚动轴承运行工况实时监测和故障诊断最常用的工具之一，但是轴承故障振动信号是一种典型的非平稳，非线性信号，不易挖掘信号中的故障信息。分形几何为表征振动信号的复杂性和非线性提供了一种分析方法，分形维数是度量分形的重要指标。但仅考虑信号的单重分形维数，分形特征不够全面，而多重分形可以更细致的刻画信号局部尺度行为，更全面地表征信号的分形特性。数学形态学的多重分形算法比传统盒覆盖法多重分形更加简捷精确，但是常规故障特征参数选择的种类与个数上，随机性较大，选择不当会后续故障诊断效果影响很大。在得到前端的信号MMF分析获得信号特征后，结合合适的后端智能识别算法来完成故障诊断。针对传统的智能诊断算法需要充足的有效数据进行训练学习，对样本量需求大，时间成本多，使用离差最大化赋权值的改进型灰色关联分析完成故障诊断。

发明内容

本发明针对传统盒覆盖法提取振动信号多重分形特征不稳定，特征参数选取不准确，传统智能识别算法学习慢，样本需求量大的问题，提出新的大型风电机组轴承故障诊断方法。算法的核心思想是：首先使用形态学计算其广义维数与多重分形谱，之后结合二者在不同状态下的实际情况，选择能够敏感区分信号故障类型的参数作为特征量，接下来使用能够定量测量不同状态特征间近似程度的改进型离差加权灰色关联分析作为滚动轴承故障诊断方法，根据加权灰色关联度的大小分布可以对轴承故障状态进行精确识别，该方法相比传统风电机组滚动轴承故障诊断方法更加精确，计算效率更高，有较好的实用价值。

本发明采用了如下的技术方案为一种基于MMF与IGRA风电机组轴承故障诊断方法，该方法的实现步骤如下：

首先采集各类故障的原始振动信号，确定结构元素g、分析尺度ε和权重因子q三个运算参数，并用形态学方法计算轴承振动信号的多重分形特征，包括多重分形谱和广义维数；之后，从曲线中提取了6个参数(即形态学多重分形谱谱宽、谱高、最大奇异指数、分形维数差和形态学广义维数波动范围、最大广义维数)，这些参数都具有明确的物理意义，根据对轴承工况刻画的敏感性，选择区分度最大的3个特征(即形态学多重分形谱谱宽、最大奇异指数和形态学广义维数波动范围)作为表征轴承状态信息的特征参数，构建故障特征矩阵；接下来，利用优选的特征构建参考数列与比较数列，对传统灰色关联度计算方法进行改进，即用离差最大化确定特征指标不同的权重；最后，计算加权灰色关联度，完成故障诊断。

A.构建故障特征矩阵：

1)数据采集：采集t组n类故障的原始振动信号，每组n类故障的原始振动信号的数据个数均为H，作为诊断算法的训练样本集合{X_i,l},i＝1,2,...,n；l＝1,2,...,t，i为数据所属故障类型，l为数据所属样本。同样采集s组n种状态的振动信号，数据个数同样为H，组成待识别样本集合{Y_i,l}i＝1,2,...,n；l＝1,2,...,s验证算法的有效性。

2)运算参数确定：在计算数学形态学多重分形之前，需要先结合轴承振动信号实际特点，对计算结果的影响以及运算时间成本确定结构元素g、分析尺度ε和权重因子q三个重要参数。

3)特征提取与选择。在这个过程中，首先对原始振动信号利用形态学操作计算其广义维数q-D_q，之后使用Legendre变换，得到信号的形态学多重分形奇异谱α-f(α)，由两种多重分形曲线提取具有实际物理意义的特征，包括多重分形谱谱宽Δα、分形维数差Δf和广义维数波动范围ΔD_q等。接下来计算t组特征的平均值，并对其进行无量纲处理，通过比较所提取特征对轴承不同状态的灵敏度区间，选择规律性强，区间间隔均匀的m个特征即为所需特征，并构建标准故障特征矩阵{feature_0,j},j＝1,2,...m。

B.进行故障诊断阶段：

对s组n种状态的振动信号按照构建故障特征矩阵步骤2)确定形态学多重分形参数，以3)相同的计算方法求取m个特征，得到待识别特征矩阵{feature_i,j,l}(i＝1,2,...,n；j＝1,2,...m；l＝1,2,...,s)。以标准故障特征矩阵中的一类故障特征向量作为参考数列，每组识别特征矩阵作为比较数列,第i个比较数列中第j个特征的灰色关联系数公式如下：

其中，B_i(j)是参考数列分量x₀(j)和比较数列分量x_i(j)之间的绝对偏差数列，B_i(j)＝|x_i(j)-x₀(j)|；ρ为分辨系数，ρ越小，分辨力越大，取值区间为(0,1)，设置为0.5。

对每组比较数列做无量纲化处理，得到矩阵P＝(b_i,j)_n×m，由每组比较数列各个特征的离差占所有特征之间总离差的比例确定关联度权重并求加权灰色关联度，对于第j个特征指标对应的权重公式为：

其中，k为所属故障类型，b_ij为第i种故障下第j个特征指标大小，b_kj为第k种故障下第j个特征指标大小。

由此计算加权灰色关联度公式为：

其中，w_j为j个特征指标对应的权重，η_i(j)为第i个比较数列中第j个特征的灰色关联系数。

根据公式(3)得到的关联度用来表示参考数列和若干个比较数列之间的相关性程度。如果两个序列完全无关，则关联度的值为0。如果两个序列一致，则关联度值为1。若比较数列中一组分量关联度比其他分量的关联度高，则这组分量与参考数列更为相似，以此判断振动信号所属类型。

与现有技术相比，本发明提出一种MMF与IGRA风电机组滚动轴承故障诊断新方法。该方法克服了盒覆盖法多重分形维数误差较大，运算时间长，形态学多重分形特征参数选取不准确，传统智能识别算法学习慢，样本需求量大的缺陷。使用灵敏度区间筛选最能刻画不同轴承状态信息的数学形态学多重分形特征，达到准确选取故障特征的目的。最后使用离差最大化赋权值灰色关联分析对比比较数列与参考数列，根据最大加权关联度对应的故障类型完成故障诊断，运算速度快，提高了准确率。

附图说明

图1为故障实验平台；

图2为算法具体流程图；

图3为轴承在四种状态下的振动信号时域波形图；

图4为形态学广义维数图；

图5为形态学多重分形谱图；

图6为多重分形谱提取的谱参数图；

图7为特征参数敏感性对比图；

图8为实验平台正常状态识别结果图；

图9为实验平台滚珠故障识别结果图；

图10为实验平台内圈故障识别结果图；

图11为实验平台外圈故障识别结果图；

图12为风场数据正常状态识别结果图；

图13为风场数据内圈故障识别结果图；

图14为风场数据外圈故障识别结果图；

图15为本方法实施的流程图。

具体实施方式

发明主要针对传统滚动轴承故障诊断方法诊断结果的准确性和稳定性不好，运算时间长，诊断效率低的问题。本发明先后使用两种数据证明算法的有效性。第一类数据使用实验室风机传动链平台采集轴承外圈、轴承内圈、轴承滚珠故障数据和正常运行数据；第二类数据采集风力发电场真实风电机组的轴承内圈、轴承外圈、正常运行数据。以下为两种数据相关介绍：

实验室平台轴承数据实验数据是通过电火花技术在轴承上加工单点故障，故障深度为0.011in，轴承类型为SKF6205。轴承数据中包含了不同转速的多组轴承不同故障类型的数据，本文选择负载为3HP，转速为1730rpm，采样频率为12khz滚动轴承驱动端振动信号进行分析，选择损伤直径为0.007in的3种故障类型，分别是滚珠故障、内圈故障、外圈故障，加上正常状态共4种类型。图1是故障实验平台。

风电场真实数据采用内蒙古翁贡乌拉风电场采集回来的风电机组传动链轴承故障振动信号(风机型号都为阳明1.5MW风机)。该数据分为3种状态：正常状态、外圈故障和内圈故障。信号采样频率为26kHz，轴承型号为6332MC3SKF深沟球轴承。详细参数如表1所示。

表1滚动轴承6332MC3 SKF基本参数

将本发明方法实现滚动轴承故障诊断，主要包括构建故障特征矩阵和进行故障诊断两个大步骤，如图2是本发明的具体流程图，具体实施过程如下：

A.构建故障特征矩阵阶段：

步骤1：对于实验平台数据的每种故障信号，选取10组4类振动加速度数据作为训练样本，数据个数为4000，组成训练样本集合；另取4种状态下各12组振动加速度数据作为待识别样本，数据长度同样为4000，组成待识别样本集合。滚动轴承在4种运行状态下一组信号的时域波形如图3所示。

步骤2：确定形态学多重分形计算过程中用到的3个参数：结构元素g、分析尺度ε和权重因子q。为消除振动信号幅值范围对计算结果的影响及减小计算量，选择扁平型结构元素g＝[0 0 0]作为单位结构元素。最大分析尺度ε_max分析范围在1≤ε≤N/2内即可，设置为1≤ε≤40。为确保形态学多重分形的精度，充分刻画故障信号的多种分形特性，尽可能降低结果的相关度，权重因子q在选取当中，因为实际计算发现若q大于一定范围后，继续增加对多重分形结果影响很小，故选定q∈(-30,30)，步长为0.5。

步骤3：使用确定的参数计算4种状态形态学广义维数q-D_q，如图4所示，可见曲线随着q的增加呈单调递减，表明信号具有多重分形特性。在发生故障时，广义维数波动范围ΔD_q大于正常状态，并且故障冲击幅值越大，ΔD_q的波动范围越大，其多重分形性越强。q取最小时对应的最大广义维数D_maxq，从小到大依次为正常状态、滚珠故障、内圈故障和外圈故障，四种状态振动信号数据的分布越来越不均匀，多重分形性越来越强。

步骤4：使用Legendre变换，得到信号的形态学多重分形谱α-f(α)，如图5所示，四条曲线都呈现为开口朝下的抛物线。图6清楚的标出了根据实际多重分形谱提取的谱参数。

可以看出，谱宽Δα在轴承发生故障时相较于正常状态，谱宽Δα都有不同程度的增加。在该标度区间内，外圈故障振动信号的谱宽Δα最大，波动幅度最大，而正常状态的谱宽Δα最小，多重分形则最弱。轴承发生故障时最大奇异指数α_max的值同样大于正常状态，表明正常状态信号的奇异性小，故障冲击程度加大其α_max也逐渐增大。4种状态的分形维数差Δf都小于0，说明轴承振动信号最大概率子集数都大于最小概率子集数，随着故障冲击程度的增加，其Δf的绝对值增大，大峰值所占比值也在增大，波动最剧烈子集数在增加。

步骤5：计算10组4类状态训练信号6种形态学多重分形特征，求其平均值，总结如下表2所示。可以看出Δα、α_max以及ΔDq规律明显，不同状态下处于不同区间段，区分效果好。而Δf、maxf(α)和D_maxq分布规律不突出，作为参数易导致状态混淆。图7是表2中特征参数经过归一化处理效果图，可以看出，Δα、ΔDq、Δf的绝对值、α_max和D_maxq随着故障振动幅度的增加而不断变大，与实际物理意义相符，但maxf(α)的变化规律性不强。其中，Δα和ΔDq的分布平均，灵敏度高，区分度好，对轴承不同状态变化敏感，α_max的效果次之；Δf对正常状态和滚珠故障、D_maxq对内圈和外圈故障、max f(α)对正常状态和内圈故障的区分度不理想。因此根据特征对不同状态信号描述的敏感性，只选择Δα、α_max和ΔD_q作为特征参数，构建故障特征矩阵。

表2不同状态形态学多重分形参数

B.进行故障诊断阶段：

对12组待识别信号进行步骤2～4的相同处理，获得由Δα、α_max和ΔD_q三个特征组成的待识别特征矩阵，轴承标准故障特征矩阵的每一类故障向量作为参考数列T₁～T₄，每组待识别特征矩阵作为比较数列。使用离差最大化计算每组待识别信号特征指标的权重，列出其中一组权重为ω_j＝{0.38,0.26,0.36}。计算12组待识别信号特征向量与T₁～T₄的改进的加权灰色关联度，其中关联度最大的即为诊断最终结果。

上述步骤即为本发明方法在滚动轴承故障中的具体应用。为了验证本方法的有效性，对试验台数据中的0.007外圈、0.007内圈、0.007滚珠以及正常数据进行了故障诊断实验，对之后使用风场数据中的内圈数据、外圈数据和正常状态再次进行故障诊断实验。以滚珠故障T₂为例，IGRA与平均关联度算法诊断结果进行了对比，见表3，IGRA在识别滚珠故障效果明显，比较数列中滚珠故障与T₂关联度接近于1，正常状态与T₂关联度小于0.7，关联度区间间隔大，区分更明显。使用实验平台数据得到的实验结果见图8至图11，使用真实风机数据得到的诊断结果见图12至图14。图左为利用盒覆盖法多重分形诊断结果，图右为利用形态学多重分形诊断结果，横轴为测试样本数，纵轴为加权灰色关联度，可以看到，图右较图左4种状态所有的样本都可以被准确识别，而且待识别的状态与所属类别灰色关联度较高，灰色关联度波动范围较小，诊断准确稳定，与其他类别灰色关联度低，不存在交叉误判，总体成功率为100％。而图左盒覆盖法多重分形诊断结果中，虽然轴承类型大体能被识别，但是在部分样本点存在干扰交叉，诊断稳定性较差，各状态关联度区分性不高。表4为使用两种方法计算12组样本振动信号多重分形特征的时间以及识别精度，可以发现，利用形态学计算的方法计算效率更高，并且识别精度为100％。因此本发明方法在特征提取、故障识别精度与计算效率上均有强大的优势。

表3传统GRA和IGRA识别滚珠故障结果比较

表4两种方法时间成本与识别精度

Claims (2)

1.一种基于MMF与IGRA风电机组轴承故障诊断方法，其特征在于：首先采集各类故障的原始振动信号，确定结构元素g、分析尺度ε和权重因子q三个运算参数，并用形态学方法计算轴承振动信号的多重分形特征，包括多重分形谱和广义维数；之后，从曲线中提取了6个参数即形态学多重分形谱谱宽、谱高、最大奇异指数、分形维数差和形态学广义维数波动范围、最大广义维数，这些参数都具有明确的物理意义，根据对轴承工况刻画的敏感性，选择区分度最大的3个特征即形态学多重分形谱谱宽、最大奇异指数和形态学广义维数波动范围，作为表征轴承状态信息的特征参数，构建故障特征矩阵；接下来，利用优选的特征构建参考数列与比较数列，对传统灰色关联度计算方法进行改进，即用离差最大化确定特征指标不同的权重；最后，计算加权灰色关联度，完成故障诊断。

2.根据权利要求1所述的一种基于MMF与IGRA风电机组轴承故障诊断方法，其特征在于：S1构建故障特征矩阵：

1)数据采集：采集t组n类故障的原始振动信号，每组n类故障的原始振动信号的数据个数均为H，作为诊断算法的训练样本集合{X_i,l},i＝1,2,...,n；l＝1,2,...,t，i为数据所属故障类型，l为数据所属样本；同样采集s组n种状态的振动信号，数据个数同样为H，组成待识别样本集合{Y_i,l}i＝1,2,...,n；l＝1,2,...,s验证算法的有效性；

2)运算参数确定：在计算数学形态学多重分形之前，需要先结合轴承振动信号实际特点，对计算结果的影响以及运算时间成本确定结构元素g、分析尺度ε和权重因子q三个重要参数；

3)特征提取与选择；在这个过程中，首先对原始振动信号利用形态学操作计算其广义维数q-D_q，之后使用Legendre变换，得到信号的形态学多重分形奇异谱α-f(α)，由两种多重分形曲线提取具有实际物理意义的特征，包括多重分形谱谱宽Δα、分形维数差Δf和广义维数波动范围ΔD_q等；接下来计算t组特征的平均值，并对其进行无量纲处理，通过比较所提取特征对轴承不同状态的灵敏度区间，选择规律性强，区间间隔均匀的m个特征即为所需特征，并构建标准故障特征矩阵{feature_0,j},j＝1,2,...m；

S2进行故障诊断阶段：

对s组n种状态的振动信号按照构建故障特征矩阵步骤2)确定形态学多重分形参数，以3)相同的计算方法求取m个特征，得到待识别特征矩阵{feature_i,j,l}(i＝1,2,...,n；j＝1,2,...m；l＝1,2,...,s)；以标准故障特征矩阵中的一类故障特征向量作为参考数列，每组识别特征矩阵作为比较数列,第i个比较数列中第j个特征的灰色关联系数公式如下：

其中，B_i(j)是参考数列分量x₀(j)和比较数列分量x_i(j)之间的绝对偏差数列，B_i(j)＝|x_i(j)-x₀(j)|；ρ为分辨系数，ρ越小，分辨力越大，取值区间为(0,1)，设置为0.5；

对每组比较数列做无量纲化处理，得到矩阵P＝(b_i,j)_n×m，由每组比较数列各个特征的离差占所有特征之间总离差的比例确定关联度权重并求加权灰色关联度，对于第j个特征指标对应的权重公式为：

其中，k为所属故障类型，b_ij为第i种故障下第j个特征指标大小，b_kj为第k种故障下第j个特征指标大小；

由此计算加权灰色关联度公式为：

其中，w_j为j个特征指标对应的权重，η_i(j)为第i个比较数列中第j个特征的灰色关联系数；

根据公式(3)得到的关联度用来表示参考数列和若干个比较数列之间的相关性程度；如果两个序列完全无关，则关联度的值为0；如果两个序列一致，则关联度值为1；若比较数列中一组分量关联度比其他分量的关联度高，则这组分量与参考数列更为相似，以此判断振动信号所属类型。