CN111721527B - 基于cms系统大数据结合标准差及小波熵的风力发电机组齿轮箱故障定位方法 - Google Patents

Abstract

一种基于CMS系统大数据结合标准差及小波熵的风力发电机组齿轮箱故障定位方法，包括以下步骤：1)计算原始振动数据的标准差并进行滤波；2)建立正常区间的标准差的高斯模型，用该模型判断系统是否发生故障；3)计算振动数据的小波熵来判断故障类型。本发明定位有效性较好，满足实际应用的要求。

Description

基于CMS系统大数据结合标准差及小波熵的风力发电机组齿 轮箱故障定位方法

技术领域

本发明属于工控系统大数据分析领域，具体提供一种基于CMS系统大数据结合标准差及小波熵的风力发电机组齿轮箱故障定位方法，它能根据CMS振动数据，准确预警齿轮箱是否发生故障，并且区分高速轴故障和非高速轴故障，为风机系统提供安全态势评估，保障了风机的安全运行。

背景技术

风力发电机组在运行时，可能出现齿轮卡死，叶片裂纹，高速轴点蚀等故障，造成严重的经济损失。同时，单纯的故障检测已经无法满足企业和社会的的要求，对于故障定位的需求越来越大。因此，对风力发电机组的故障预警定位对于风机运维具有十分重要的作用。

目前的针对风力机组齿轮箱故障的定位方法主要有基于数据驱动的方法。基于数据驱动的故障分类方法主要通过小波分析、傅里叶变换、以及经验模态分解(EMD)等提取特征信息，并在后续利用人工智能，神经网络等方法进行分类，从而实现故障定位。然而这些方法所需要的数据量巨大，并且计算缓慢，并且往往是基于历史数据进行分析，无法第一时间确定故障是否发生。

发明内容

基于上述问题，本发明提供了一种基于CMS系统大数据结合标准差及小波熵的风力发电机组齿轮箱故障定位方法，具体地说，先计算原始振动数据的标准差并进行滤波，建立正常区间的标准差的高斯模型，用该模型判断系统是否发生故障，在发生故障的基础上，计算振动数据的小波熵来判断齿轮箱故障类型。实验结果验证了该方法的有效性。

本发明为解决上述技术问题提供了如下技术方案：

一种基于CMS系统大数据结合标准差及小波熵的风力发电机组齿轮箱故障定位方法，包括以下步骤：

步骤1)，计算原始振动数据的标准差并进行滤波；

其中σ,r分别表示标准差和平均值，N表示数据长度，再对标准差进行滤波操作，采用指数加权移动平均(Exponential Weighted Moving Average)方法进行滤波处理：

EWMA_σ(i+1)＝0.9*EWMA_σ(i)+0.1*σ(i+1) (2)

其中EWMA_σ(i)表示滤波后的标准差；

步骤2)，建立正常区间的标准差的高斯模型，用该模型判断系统是否发生故障，过程如下；

2.1)选取正常运行时的标准差作为训练数据，训练高斯概率模型并归一化：

其中μ和σ分别表示经正常数据段训练得到的均值和标准差，Normalized_Svd为对应的标准差归一化结果；

2.2)得到标准差对应的归一化结果之后，因为数据都是单次采样的，标准差会有不稳定情况或者异常情况，为了得到一段时间内的特征值趋势并消除异常值的干扰，采用指数加权移动平均方法进行滤波处理：

EWMA(i+1)＝0.9*EWMA(i)+0.1*Normalized_svd(i+1) (4)

EWMA(i)表示指数加权移动平均滤波后的值，最后根据滤波结果与阈值对比，当滤波后的数值超过阈值时，则可知风机齿轮箱出现故障；

步骤3),计算振动数据的小波熵来判断故障类型，过程如下：

3.1)选择基小波和小波分解层数Lev，对原始振动数据进行小波分解；

3.2)计算小波熵Wavelet Entropy，对每组系数能量求和，并计算占比p，小波熵的公式为：

Wavelet_Entropy＝-∑p*log(p)

3.3)得到小波熵后，对其进行指数加权移动平均滤波，得到EWMA_Wavelet_Entropy，并计算滤波后的均值Mu_Wavelet_Entropy；

3.4)判断EWMA_Wavelet_Entropy是否超过上限阈值，若超过，则判定为高速轴故障，若低于下限阈值，则判定为非高速轴故障，其余情况为正常。

所述3.4)中，上限阈值为1.05倍的Mu_Wavelet_Entropy，下限阈值为0.95倍的Mu_Wavelet_Entropy。

本发明提供了一种基于CMS系统大数据结合标准差及小波熵的风力发电机组齿轮箱故障定位方法，具体地说，先计算原始振动数据的标准差并进行滤波，建立正常区间的标准差的高斯模型，用该模型判断系统是否发生故障，在发生故障的基础上，计算振动数据的小波熵来判断齿轮箱故障类型。

本发明的有益效果为：定位有效性较好，满足实际应用的要求。

附图说明

图1是标准差及其滤波值；

图2滤波值归一化及其滤波值；

图3是小波熵及其滤波值；

图4是故障预警图像，其中‘0’代表正常；‘1’代表高速轴故障；‘-1’代表非高速轴故障。

图5是基于CMS系统大数据结合标准差及小波熵的风力发电机组齿轮箱故障定位方法的路程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清晰，下面结合附图和实际实验对本发明的技术方案作进一步描述。

参照图1～图5，一种基于CMS系统大数据结合标准差及小波熵的风力发电机组齿轮箱故障定位方法，先计算原始振动数据的标准差并进行滤波，建立正常区间的标准差的高斯模型，用该模型判断系统是否发生故障，在发生故障的基础上，计算振动数据的小波熵来判断齿轮箱故障类型。

本发明的基于CMS系统大数据结合标准差及小波熵的风力发电机组齿轮箱故障定位方法，包括以下步骤：

1)计算原始振动数据的标准差并进行滤波；

2)建立正常区间的标准差的高斯模型，用该模型判断系统是否发生故障；

3)计算振动数据的小波熵来判断故障类型。

进一步，所述步骤1)中，计算原始振动数据的标准差并进行滤波：

其中σ，r分别表示标准差和平均值，N＝4096表示数据长度，再对标准差进行滤波操作，采用指数加权移动平均(Exponential Weighted Moving Average)方法进行滤波处理：

EWMA_σ(i+1)＝0.9*EWMA_σ(i)+0.1*σ(i+1) (2)

其中EWMA_σ(i)表示滤波后的标准差。

再进一步，所述步骤2)中，建立正常区间的标准差的高斯模型，用该模型判断系统是否发生故障，过程如下；

2.1)选取正常运行时的标准差作为训练数据，训练高斯概率模型并归一化：

其中μ＝0.6679和σ＝0.1317分别表示经正常数据段训练得到的均值和标准差，Normalized_Svd为对应的标准差归一化结果；

2.2)得到标准差对应的归一化结果之后，因为数据都是单次采样的，标准差会有不稳定情况或者异常情况，为了得到一段时间内的特征值趋势并消除异常值的干扰，采用指数加权移动平均方法进行滤波处理：

EWMA(i+1)＝0.9*EWMA(i)+0.1*Normalized_svd(i+1) (4)

EWMA(i)表示指数加权移动平均滤波后的值，最后根据滤波结果与阈值对比，当滤波后的数值超过阈值时，则可知风机齿轮箱出现故障。

更进一步，所述步骤3)中,计算振动数据的小波熵来判断故障类型，过程如下：

3.1)选择基小波db3和小波分解层数Lev＝3，对原始振动数据进行小波分解；

3.2)计算小波熵Wavelet Entropy，对每组系数能量求和，并计算占比p，小波熵的公式为：

Wavelet_Entropy＝-∑p*log(p)

3.3)得到小波熵后，对其进行指数加权移动平均滤波，得到EWMA_Wavelet_Entropy，并计算滤波后的均值Mu_Wavelet_Entropy；

3.4)判断EWMA_Wavelet_Entropy是否超过1.05倍的Mu_Wavelet_Entropy(也可以是其他上限阈值)，若超过，则判定为高速轴故障，若低于0.95倍的(也可以是其他下限阈值)Mu_Wavelet_Entropy，则判定为非高速轴故障，其余情况为正常。

从实验结果(图1-4)可以看出，本发明的预警性能可以满足实际应用的要求，能提前100天左右预报故障，并且能够区分高速轴故障和非高速轴故障，为风力发电机组提供安全态势评估，保障了风机的安全运行，并且所需的数据均可利用现有的传感器测得，无需再增加新的传感器并实时发出警报。

以上结合附图详细说明和陈述了本发明的实施方式，但并不局限于上述方式。在本领域的技术人员所具备的知识范围内，只要以本发明的构思为基础，还可以做出多种变化和改进。

Claims (2)

1.一种基于CMS系统大数据结合标准差及小波熵的风力发电机组齿轮箱故障定位方法,其特征在于，所述方法包括以下步骤：

1)计算原始振动数据的标准差并进行滤波；

其中σ,r分别表示标准差和平均值，N表示数据长度，再对标准差进行滤波操作，采用指数加权移动平均方法进行滤波处理：

EWMA_σ(i+1)＝0.9*EWMA_σ(i)+0.1*σ(i+1) (2)

其中EWMA_σ(i)表示滤波后的标准差；

2)建立正常区间的标准差的高斯模型，用该模型判断系统是否发生故障，过程如下：

2.1)选取正常运行时的标准差作为训练数据，训练高斯概率模型并归一化：

其中μ和σ分别表示经正常数据段训练得到的均值和标准差，Normalized_Svd为对应的标准差归一化结果；

2.2)得到标准差对应的归一化结果之后，采用指数加权移动平均方法进行滤波处理：

EWMA(i+1)＝0.9*EWMA(i)+0.1*Normalized_svd(i+1) (4)

EWMA(i)表示指数加权移动平均滤波后的值，最后根据滤波结果与阈值对比，当滤波后的数值超过阈值时，则可知风机齿轮箱出现故障；

3)计算振动数据的小波熵来判断故障类型，过程如下：

3.1)选择基小波和小波分解层数Lev，对原始振动数据进行小波分解；

3.2)计算小波熵Wavelet Entropy，对每组系数能量求和，并计算占比p，小波熵的公式为：

Wavelet_Entropy＝-∑p*log(p)

3.3)得到小波熵后，对其进行指数加权移动平均滤波，得到EWMA_Wavelet_Entropy，并计算滤波后的均值Mu_Wavelet_Entropy；

3.4)判断EWMA_Wavelet_Entropy是否超过上限阈值，若超过，则判定为高速轴故障，若低于下限阈值，则判定为非高速轴故障，其余情况为正常。

2.如权利要求1所述的一种基于CMS系统大数据结合标准差及小波熵的风力发电机组齿轮箱故障定位方法,其特征在于，所述3.4)中，上限阈值为1.05倍的Mu_Wavelet_Entropy，下限阈值为0.95倍的Mu_Wavelet_Entropy。

Images