CN111721528B - 基于cms系统大数据的风力发电机组齿轮箱故障预警方法 - Google Patents

Abstract

一种基于CMS系统大数据的风力发电机组齿轮箱故障预警方法，先对原始数据进行小波去噪，对去噪后的信号振动信号进行聚合经验模态分解EEMD，提取IMF以及上下包络矩阵，随后对上下包络矩阵进行奇异值分解及归一化，最后进行故障预警。本发明准确预警齿轮箱是否发生故障，并为风机系统提供安全态势评估，保障了风机的安全运行。

Description

基于CMS系统大数据的风力发电机组齿轮箱故障预警方法

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EMD分解及奇异值分解的风力发电机组齿轮箱故障预警方法，它能准确预警齿轮箱是否发生故障，并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，叶片裂纹等故障，造成严重的经济损失。因此，对风力发电机组的故障检测/预警具有十分重要的作用。直接切入风机的故障描述，被动检测，我们强调主动故障预警。目前的针对风力机齿轮箱故障的检测方法主要有基于数据驱动的方法。基于数据驱动的故障检测方法是一类信号频域特征分析方法，主要有小波分析、傅里叶变换、以及经验模态分解(EMD)等，并在后续结合人工智能等方法进行检测。然而这些方法所需要的数据量巨大，计算缓慢，并且往往是基于历史数据进行分析，无法第一时间确定攻击信号是否发生，属于被动检测。

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EMD分解及奇异值分解的风力发电机组齿轮箱故障预警方法，是一种主动预警的方法，具体地说，先对原始数据进行小波去噪，对去噪后的信号振动信号进行聚合经验模态分解(EEMD)，提取IMF以及上下包络矩阵，随后对上下包络矩阵进行奇异值分解及归一化，最后进行故障预警。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系统大数据的风力发电机组齿轮箱故障预警方法，包括以下步骤：

步骤1)，对原始振动数据进行小波去噪，过程如下：

1.1)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

1.2)对第1层到第Lev层的每一层高频系数，选择固定阈值进行阈值量化处理,并使用软阈值方法进行量化处理，固定阈值公式如下：

其中，N是振动信号长度，σ是噪声信号均方差；

1.3)根据小波分解的第Lev层的低频系数和经过量化处理后的第1层到第Lev层的高频系数，进行信号的小波重构；

步骤2)，对去噪后的振动信号进行聚合经验模态分解EEMD，提取IMF以及上下包络矩阵，过程如下：

2.1)找出原数据序列的所有极大值点和极小值点，将其用三次样条函数分别拟合为原序列的上和下包络线；令上下包络线的均值为m₁；将原数据序列减去m₁得到一个减去低频的新序列h(t)，即h(t)＝y(t)-m₁；

2.2)用y(t)减去h(t)，得到一个去掉高频成分的新数据序列r₁；对r₁再进行上述分解，得到第二个本征模函数分量；如此重复直到最后一个数据序列r_n不可被分解；

2.3)对各个IMF分量求取上、下包络线。并将其归类，分别组成上包络矩阵和下包络矩阵，求取上下包络矩阵的奇异值来提取损伤特征量。

EEMD针对EMD方法的不足，提出了一种噪声辅助数据分析方法，EEMD分解原理为：当附加的白噪声均匀分布在整个时频空间时，该时频空间就由滤波器组分割成的不同尺度成分组成。当信号加上均匀分布的白噪声背景时，不同尺度的信号区域将自动映射到与背景白噪声相关的适当尺度上去，随着越来越多的测试，附加的噪声被消除了，唯一持久稳固的部分是信号本身；

步骤3),奇异值分解及归一化，过程如下：

3.1)选取风机正常运行时的奇异值作为训练数据，训练高斯概率模型并归一化奇异值：

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为对应的奇异值归一化结果；

步骤4),故障预警，过程如下：得到特征值对应的归一化结果之后，因为数据都是单次采样的，特征值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，采用滤波操作。具体采用指数加权移动平均(Exponential WeightedMoving Average)方法进行滤波处理：

EWMA(i+1)＝0.9*EWMA(i)+0.1*Normalized_svd(i+1) (3)

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，即发出警报。

本发明提供了一种基于CMS系统大数据结合EMD分解及奇异值分解的风力发电机组齿轮箱故障预警方法，先对原始数据进行小波去噪，对去噪后的信号振动信号进行聚合经验模态分解(EEMD)，提取IMF以及上下包络矩阵，随后对上下包络矩阵进行奇异值分解及归一化，最后进行故障预警。

与现有的一类信号频域特征分析方法，主要有小波分析、傅里叶变换、以及经验模态分解(EMD)等方法相比，本发明的有益效果表现在于：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。

附图说明

图1是原始振动信号；

图2是小波去噪后的振动信号；

图3是奇异值；

图4是故障预警图像；

图5是一种基于CMS系统大数据的风力发电机组齿轮箱故障预警方法的流程图。

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系统大数据的风力发电机组齿轮箱故障预警方法，先对原始数据进行小波去噪，对去噪后的信号振动信号进行聚合经验模态分解EEMD，提取IMF以及上下包络矩阵，随后对上下包络矩阵进行奇异值分解及归一化，最后进行故障预警。

本发明的基于CMS系统大数据结合EMD分解及奇异值分解的风力发电机组齿轮箱故障预警方法，包括以下步骤：

1)对原始振动数据进行小波去噪；

2)对去噪后的振动信号进行聚合经验模态分解(EEMD)，提取IMF以及上下包络矩阵；

3)奇异值分解及归一化；

4)故障预警。

进一步，所述步骤1)中，对原始振动数据进行小波去噪，过程如下：

1.1)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；

1.2)对第1层到第Lev层的每一层高频系数(三个方向)，选择固定阈值(sgtwolog)进行阈值量化处理,并使用软阈值方法进行量化处理，固定阈值公式如下：

其中，N＝1024是振动信号长度，σ是噪声信号均方差；

1.3)根据小波分解的第Lev层的低频系数和经过量化处理后的第1层到第Lev层的高频系数，进行信号的小波重构。

进一步，所述步骤2)中，对去噪后的振动信号进行聚合经验模态分解EEMD，提取IMF 以及上下包络矩阵，过程如下：

2.1)找出原数据序列的所有极大值点和极小值点，将其用三次样条函数分别拟合为原序列的上和下包络线；令上下包络线的均值为m₁；将原数据序列减去m₁得到一个减去低频的新序列h(t)，即h(t)＝y(t)-m₁；

2.2)用y(t)减去h(t)，得到一个去掉高频成分的新数据序列r₁；对r₁再进行上述分解，得到第二个本征模函数分量；如此重复直到最后一个数据序列r_n不可被分解；

2.3)对各个IMF分量求取上、下包络线。并将其归类，分别组成上包络矩阵和下包络矩阵，求取上下包络矩阵的奇异值来提取损伤特征量。

EEMD针对EMD方法的不足，提出了一种噪声辅助数据分析方法，EEMD分解原理为：当附加的白噪声均匀分布在整个时频空间时，该时频空间就由滤波器组分割成的不同尺度成分组成，当信号加上均匀分布的白噪声背景时，不同尺度的信号区域将自动映射到与背景白噪声相关的适当尺度上去。随着越来越多的测试，附加的噪声被消除了，唯一持久稳固的部分是信号本身。

再进一步，所述步骤3)中,奇异值分解及归一化的过程如下：

3.1)选取风机正常运行时的奇异值作为训练数据，训练高斯概率模型并归一化奇异值：

其中μ＝4.035和σ＝0.9103分别表示经正常数据段训练得到的均值和标准差，Normalized_Svd为对应的奇异值归一化结果。

所述步骤4)中,故障预警过程如下：得到特征值对应的归一化结果之后，因为数据都是单次采样的，特征值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，采用滤波操作。具体采用指数加权移动平均(ExponentialWeighted Moving Average)方法进行滤波处理：

EWMA(i+1)＝0.9*EWMA(i)+0.1*Normalized_svd(i+1) (3)

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(例如取0.95)对比，当滤波后的数值超过阈值时，即发出警报。

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，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 (1)

1.一种基于CMS系统大数据的风力发电机组齿轮箱故障预警方法，其特征在于，所述方法包括以下步骤：

1)对原始振动数据进行小波去噪，过程如下；

1.1)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；

1.2)对第1层到第Lev层的每一层高频系数，选择固定阈值进行阈值量化处理,并使用软阈值方法进行量化处理，固定阈值公式如下：

其中，N是振动信号长度，σ是噪声信号均方差；

1.3)根据小波分解的第Lev层的低频系数和经过量化处理后的第1层到第Lev层的高频系数，进行信号的小波重构；

2)对去噪后的振动信号进行聚合经验模态分解EEMD，提取IMF以及上下包络矩阵，过程如下：

2.1)找出原数据序列的所有极大值点和极小值点，将其用三次样条函数分别拟合为原序列的上和下包络线；令上下包络线的均值为m₁；将原数据序列减去m₁得到一个减去低频的新序列h(t)，即h(t)＝y(t)-m₁；

2.2)用y(t)减去h(t)，得到一个去掉高频成分的新数据序列r₁；对r₁再进行上述分解，得到第二个本征模函数分量；如此重复直到最后一个数据序列r_n不可被分解；

2.3)对各个IMF分量求取上、下包络线，并将其归类，分别组成上包络矩阵和下包络矩阵，求取上下包络矩阵的奇异值来提取损伤特征量；

3)奇异值分解及归一化，过程如下：

3.1)选取风机正常运行时的奇异值作为训练数据，训练高斯概率模型并归一化奇异值：

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为对应的奇异值归一化结果；

4)故障预警，过程如下：得到特征值对应的归一化结果之后，采用滤波操作，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) (3)

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，即发出警报。

Images