CN112484998B - 一种基于同步模态谱的风电机组轴承故障诊断方法 - Google Patents

一种基于同步模态谱的风电机组轴承故障诊断方法 Download PDF

Info

Publication number
CN112484998B
CN112484998B CN202011281606.9A CN202011281606A CN112484998B CN 112484998 B CN112484998 B CN 112484998B CN 202011281606 A CN202011281606 A CN 202011281606A CN 112484998 B CN112484998 B CN 112484998B
Authority
CN
China
Prior art keywords
wind turbine
turbine generator
frequency
synchronous
bearing
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.)
Active
Application number
CN202011281606.9A
Other languages
English (en)
Other versions
CN112484998A (zh
Inventor
王前
李巧月
江星星
李珂
祁玉梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University
Original Assignee
Suzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou University filed Critical Suzhou University
Priority to CN202011281606.9A priority Critical patent/CN112484998B/zh
Publication of CN112484998A publication Critical patent/CN112484998A/zh
Application granted granted Critical
Publication of CN112484998B publication Critical patent/CN112484998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Wind Motors (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明公开了一种基于同步模态谱的风电机组轴承故障诊断方法，其包括：采集风电机组振动数据；基于所述风电机组振动数据构建同步模式谱；通过轴旋转频率与故障特征的瞬时频率之间的关系计算得到故障特征的理论阶次值；将所述同步模式谱中检测到的故障相关特征阶次与所述理论阶次值进行对比，对所述风电机组轴承进行故障诊断。本发明通过构建同步模态谱，仅仅只需要优化得到转速信息，识别其它特征成分是不要迭代优化。同步模态谱相比于现有阶次分析方法增强了对风电机组振动信号中蕴含轴承特征的提取能力。构建同步模态谱中嵌入了优化后的带宽参数，保证了提取特征成分带宽的合理性，显著提升同步模态谱对风电机组轴承故障特征的揭示能力。

Description

一种基于同步模态谱的风电机组轴承故障诊断方法
技术领域
本发明涉及轴承故障诊断技术领域，特别涉及一种基于同步模态谱的风电机组轴承故障诊断方法。
背景技术
风电机组一般服役于极端的恶劣环境下，各部件不可避免地出现性能衰退，导致故障出现，运行维护是保证风电机组可靠运行的有效途径。对于风电产业来说，20年使用寿命的陆上风电机组的运行维护维修成本约占风电场收入的10％-15％，而海上风电机组的运行维护成本甚至高达20-25％。因此，如何减少运行维护成本，提高经济效益，是风电产业所面临的主要挑战之一。目前，开展风电机组状态监测与故障诊断被认为是降低风电机组运行风险，保障运行安全，减少机组服役期运行维护成本的有效途径，已得到众多学者的关注与研究。
风电机组轴承是其中的易损部件，对其进行状态监测与故障诊断十分有必要。然而，风电机组相比于普通传动机构有很多的特殊性，例如风电机组运行速度区间跨度大、随机性强；工作载荷波动大；风电机组各部件的运行转速差异性大；机电耦合性能显著等。这些特殊性造成风电机组振动信号相比于普通传动机构的振动信号具有更显著的非平稳性、非线性，同时干扰信号的复杂程度也明显增大。当风电机组轴承处于早期微弱故障时，面对如此复杂干扰，其故障信息的识别非常具有挑战性。
为了保证安装方便、降低成本等需求，无转速计阶次分析方法成为了风电机组轴承状态监测与故障诊断的一种有效途径，但是实现无转速计阶次分析要求依托振动声学等信号提取准确的转速。当前发展了许多依托时频表示方法识别转速的技术。然而，这类方法对时频表示方法的参数设置要求较高，而且一些高精度时频表示方法往往只是提高了时频结果的可视化，但转速信息的提取能力并没有增强。近期，发展的一些新的时频分解算法，可以在粗糙时频表示基础实现高质量的非平稳信号特征提取，但是这类时频分解算法也需要预先设置多个先验参数，而且其抗噪性能还需要进一步提升。因此，需要一种新的风电机组轴承故障诊断方法来解决上述问题。
发明内容
本发明目的在于提供一种可以对复杂运行工况下风电机组轴承进行故障诊断、准确性高、效果好的故障诊断方法。其采用如下技术方案：
为了解决上述问题，本发明提供了一种基于同步模态谱的风电机组轴承故障诊断方法，其包括：
采集风电机组振动数据；
基于所述风电机组振动数据构建同步模态谱；
通过轴旋转频率与故障特征的瞬时频率之间的关系计算得到故障特征的理论阶次值；
将所述同步模态谱中检测到的故障相关特征阶次与所述理论阶次值进行对比，对所述风电机组轴承进行故障诊断。
作为本发明的进一步改进，基于所述风电机组振动数据构建同步模态谱，具体包括：
采用时变调频-调幅信号优化模型识别风电机组的旋转轴转速以及确定识别特征成分所需的最优带宽参数；
利用识别的转速以及确定的最优带宽参数构建基于风电机组振动数据包络波形的同步模态谱。
作为本发明的进一步改进，所述采用时变调频-调幅信号优化模型识别风电机组的旋转轴转速以及确定识别特征成分所需的最优带宽参数，具体包括：
对风电机组振动数据x(t)低通滤波得到其低通滤波信号y(t)：
y(t)＝lowpass(x(t)) (1)
其中，lowpass(·)为低通滤波器；
利用常规时频分析方法对低通滤波信号y(t)进行时频表示，然后利用基于局部最大值脊线估计方法从低通滤波信号y(t)的时频表示结果中粗略估计出风电机组轴转频
Figure GDA0003901533850000031
其向量形式为
Figure GDA0003901533850000032
通过求解时变调频-调幅信号优化模型L(αv(t)，βν(t)，ωv(t))，识别出转频成分yv(t)及其对应的瞬时频率ωv(t)，以给出识别风电轴承特征成分所需的最优带宽参数η。
作为本发明的进一步改进，通过求解时变调频-调幅信号优化模型L(αv(t)，βν(t)，ωv(t))，识别出转频成分yv(t)及其对应的瞬时频率ωv(t)，以给出识别风电轴承特征成分所需的最优带宽参数η，具体包括：
所述时变调频-调幅信号优化模型L(αv(t)，βν(t)，ωv(t))为：
Figure GDA0003901533850000033
其中α″v(t)和β″v(t)分别为αv(t)和βν(t)的二阶导数结果；αv(t)和βν(t)是转频成分对应的去调频信号，分别表示为：
Figure GDA0003901533850000034
和
Figure GDA0003901533850000035
其中，
Figure GDA0003901533850000036
为初始相位，
Figure GDA0003901533850000037
为去调频瞬时频率；
将L(αv(t)，βν(t)，ωv(t))变换为矩阵形式：
Figure GDA0003901533850000038
其中
Figure GDA0003901533850000039
和
Figure GDA00039015338500000310
分别为αv(i)和βν(t)的离散形式向量，N为信号y(t)的长度；y＝[y(t0)，…，y(tN-1)]T为y(t)的离散形式向量；yv＝[yv(t0)，…，yv(tN-1)]T为yv(t)的离散形式向量；
Figure GDA00039015338500000311
D是维数为(N-2)×N的二阶差分矩阵，0是与D为维数相同的全零矩阵；ωv＝[ωv(t0)，…，ωv(tN-1)]为ωv(t)的离散形式向量；
然后，对矩阵形式的时变调频-调幅信号优化模型L(xv，ωv)进行求解，获得yv和ωv。
作为本发明的进一步改进，所述对矩阵形式的时变调频-调幅信号优化模型L(xv，ωv)进行求解，获得yv和ωv，具体包括：
依次对式(6)、(7)和(8)进行迭代计算，
Figure GDA0003901533850000041
Figure GDA0003901533850000042
Figure GDA0003901533850000043
直到
Figure GDA0003901533850000044
停止迭代计算，ε是迭代计算停止因子，并最终保存
Figure GDA0003901533850000045
η＝ηn+1；
其中，式(6)、(7)和(8)中各向量和变量的上标n表示各向量和变量在第n-1次迭代计算时的结果；
Figure GDA0003901533850000046
Figure GDA0003901533850000047
Figure GDA00039015338500000413
diag[·]为对角化函数，
Figure GDA0003901533850000048
利用
Figure GDA0003901533850000049
来初始化；I表示维数为N×N单位对角矩阵；式(.)′表示相应变量的一次导数；μ是频率波动平滑因子；式(7)中
Figure GDA00039015338500000410
和
Figure GDA00039015338500000411
通过
Figure GDA00039015338500000412
得到。
作为本发明的进一步改进，所述利用识别的转速以及确定的最优带宽参数构建基于风电机组振动数据包络波形的同步模态谱，具体包括：
对风电机组振动数据进行包络分析，得到其包络信号En＝[En(t0)，…，En(tN-1)；
考虑到风机机组轴承故障特征成分的频率与风电机组轴转频ωv同步变化，利用同步特性产生一组ωi＝[ωi(t0)，…，ωi(tN-1)](i＝1，2，…，z，…)
ωi＝iΔkωv (9)
其中，Δk为同步特性的步长，进而得到相应的矩阵Qi，Qi＝[Ci，Si]，
Figure GDA0003901533850000051
Figure GDA0003901533850000052
利用矩阵Qi信息从包络信号En中恢复出其对应的成分xi
xi＝(ΩTΩ/η+(Qi)TQi)-1(Qi)TEn (10)
令αi＝xi(1：N)＝[αi(1)，…，αi(k)，…，αi(N)]，
βi＝xi(N+1：2N)＝[βi(1)，…，βi(k)，…，βi(N)]；
计算xi对应的瞬时幅值信息Eni＝[Eni(1)，…，Eni(k)，…，Eni(N)]
Figure GDA0003901533850000053
基于瞬时幅值信息Eni，定义归一化累积和Ai
Figure GDA0003901533850000054
Ai表示沿着频率ωi计算的归一化累积和，其对应的阶次Oi为
Oi＝ωi/ωv (13)
联合{A1，A2，…，Ai，…}和{O1，O2，…，Oi，…}构成同步模态谱，并对{A1，A2，…，Ai，…}进行去趋势处理。
作为本发明的进一步改进，通过所述去趋势处理去除一阶趋势成分。
作为本发明的进一步改进，所述故障特征的理论阶次值通过式(14)、(15)、(16)和(17)表示：
Figure GDA0003901533850000055
Figure GDA0003901533850000056
Figure GDA0003901533850000057
Figure GDA0003901533850000058
式中，ofi，ofo，ofb和ofc分别表示风电机组轴承分别为内圈故障特征阶次、外圈故障特征阶次、滚动元件故障特征阶次和保持架故障特征阶次；z代表风电机组轴承滚动体数目，d为风电机组轴承滚动体直径，D为风电机组轴承节径，
Figure GDA0003901533850000061
是风电机组轴承接触角。
作为本发明的进一步改进，所述采集风电机组振动数据，具体包括：
利用传感器采集风电机组振动数据。
本发明的有益效果：
1)本发明基于同步模态谱的风电机组轴承故障诊断方法通过构建同步模态谱，相比现有时频分解算法需要非常少的先验参数，仅仅只需要优化得到转速信息，识别其它特征成分是不要迭代优化。
2)同时，同步模态谱相比于现有阶次分析方法增强了对风电机组振动信号中蕴含轴承特征的提取能力，克服了现有时频分解算法必须通过多次迭代优化得到故障特征成分引起的抗干扰能力差的弊端。
3)其次，构建同步模态谱中嵌入了优化后的带宽参数，保证了提取特征成分带宽的合理性，可以显著提升同步模态谱对风电机组轴承故障特征的揭示能力。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
图1是本发明优选实施例中基于同步模态谱的风电机组轴承故障诊断方法的流程图；
图2是本发明优选实施例中采集的风电机组振动数据；
图3是图2中风电机组振动数据经过低通滤波处理得到的低通滤波信号；
图4是利用时变调频-调幅信号优化模型从图3中低通滤波信号中估计的旋转轴转速；
图5是本发明优选实施例中对风电机组振动数据进行包络分析得到的轴承故障振动数据包络波形；
图6是本发明优选实施例中利用优化的转速信号和带宽参数再对包络数据进行分析得到的同步模态谱；
图7是本发明优选实施例中去除一阶趋势的同步模态谱；
图8是现有时频分解算法的分析结果；
图9是现有基于转速计信号的重采样阶次的分析结果；
图10为带宽参数取值较大的同步模态谱；
图11为带宽参数取值较小的同步模态谱。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1所示，本发明优选实施例中的基于同步模态谱的风电机组轴承故障诊断方法，包括以下步骤：
S1、采集风电机组振动数据；
S2、基于所述风电机组振动数据构建同步模态谱；
S3、通过轴旋转频率与故障特征的瞬时频率之间的关系计算得到故障特征的理论阶次值；
S4、将所述同步模态谱中检测到的故障相关特征阶次与所述理论阶次值进行对比，对所述风电机组轴承进行故障诊断。
步骤S1具体包括：利用传感器采集风电机组振动数据。
步骤S2具体包括以下步骤：
S21、采用时变调频-调幅信号优化模型识别风电机组的旋转轴转速以及确定识别特征成分所需的最优带宽参数；
S22、利用识别的转速以及确定的最优带宽参数构建基于风电机组振动数据包络波形的同步模态谱。
进一步的，步骤S21具体包括以下步骤：
S211、用时变调频-调幅信号优化模型识别风电机组的旋转轴转速以及确定识别特征成分所需的最优带宽参数，具体包括：
对风电机组振动数据x(t)低通滤波得到其低通滤波信号y(t)：
y(t)＝lowpass(x(t)) (1)
其中，lowpass(·)为低通滤波器；
S212、利用常规时频分析方法对低通滤波信号y(t)进行时频表示，然后利用基于局部最大值脊线估计方法从低通滤波信号y(t)的时频表示结果中粗略估计出风电机组轴转频
Figure GDA0003901533850000081
其向量形式为
Figure GDA0003901533850000082
S213、通过求解时变调频-调幅信号优化模型L(αv(t)，βν(t)，ωv(t))，识别出转频成分yv(t)及其对应的瞬时频率ωv(t)，以给出识别风电轴承特征成分所需的最优带宽参数η。
进一步的，步骤S213具体包括：
通过求解时变调频-调幅信号优化模型L(αv(t)，βν(t)，ωv(t))，识别出转频成分yv(t)及其对应的瞬时频率ωv(t)，以给出识别风电轴承特征成分所需的最优带宽参数η，具体包括：
所述时变调频-调幅信号优化模型L(αv(t)，βν(t)，ωv(t))为：
Figure GDA0003901533850000083
其中α″v(t)和β″v(t)分别为αv(t)和βν(t)的二阶导数结果；αv(t)和βν(t)是转频成分对应的去调频信号，分别表示为：
Figure GDA0003901533850000084
Figure GDA0003901533850000085
其中，
Figure GDA0003901533850000086
为初始相位，
Figure GDA0003901533850000087
为去调频瞬时频率；
由于实际采集的风电机组振动数据为离散数据，因此需要将L(αv(t)，βν(t)，ωv(t))变换为矩阵形式：
Figure GDA0003901533850000091
其中
Figure GDA0003901533850000092
和
Figure GDA0003901533850000093
分别为αv(t)和βν(t)的离散形式向量，N为信号y(t)的长度；y＝[y(t0)，…，y(tN-1)]T为y(t)的离散形式向量；yv＝[yv(t0)，…，yv(tN-1)]T为yv(t)的离散形式向量；
Figure GDA0003901533850000094
D是维数为(N-2)×N的二阶差分矩阵，0是与D为维数相同的全零矩阵；ωv＝[ωv(t0)，…，ωv(tN-1)]为ωv(t)的离散形式向量；
然后，对矩阵形式的时变调频-调幅信号优化模型L(xv，ωv)进行求解，获得yv和ωv，具体包括：
依次对式(6)、(7)和(8)进行迭代计算，
Figure GDA0003901533850000095
Figure GDA0003901533850000096
Figure GDA0003901533850000097
直到
Figure GDA0003901533850000098
停止迭代计算，ε是迭代计算停止因子，并最终保存
Figure GDA0003901533850000099
η＝ηn+1；
其中，式(6)、(7)和(8)中各向量和变量的上标n表示各向量和变量在第n-1次迭代计算时的结果；
Figure GDA00039015338500000910
Figure GDA00039015338500000911
Figure GDA00039015338500000912
diag[·]为对角化函数，
Figure GDA00039015338500000913
利用
Figure GDA00039015338500000914
来初始化；I表示维数为N×N单位对角矩阵；式(.)′表示相应变量的一次导数；μ是频率波动平滑因子；式(7)中
Figure GDA00039015338500000915
和
Figure GDA00039015338500000916
通过
Figure GDA00039015338500000917
得到。
进一步的，步骤S22具体包括以下步骤：
S221、对风电机组振动数据进行包络分析，得到其包络信号En＝[En(t0)，…，En(tN-1)]；
S222、考虑到风机机组轴承故障特征成分的频率与风电机组轴转频ωv同步变化，利用同步特性产生一组ωi＝[ωi(t0)，…，ωi(tN-1)](i＝1，2，…，z，…)
ωi＝iΔkωv (9)
其中，Δk为同步特性的步长，进而得到相应的矩阵Qi，Qi＝[Ci，Si]，
Figure GDA0003901533850000101
Figure GDA0003901533850000102
S223、利用矩阵Qi信息从包络信号En中恢复出其对应的成分xi
xi＝(ΩTΩ/η+(Qi)TQi)-1(Qi)TEn (10)
令αi＝xi(1：N)＝[αi(1)，…，αi(k)，…，αi(N)]，
βi＝xi(N+1∶2N)＝[βi(1)，…，βi(k)，…，βi(N)]；
S224、计算xi对应的瞬时幅值信息Eni＝[Eni(1)，…，Eni(k)，…，Eni(N)]
Figure GDA0003901533850000103
S225、基于瞬时幅值信息Eni，定义归一化累积和Ai
Figure GDA0003901533850000104
Ai表示沿着频率ωi计算的归一化累积和，其对应的阶次Oi为
Oi＝ωi/ωv (13)
S226、联合{A1，A2，…，Ai，…}和{O1，O2，…，Oi，…}构成同步模态谱，并对{A1，A2，…，Ai，…}进行去趋势处理。其中，考虑到累积效应可能会引起同步模态谱中存在趋势成分，对{A1，A2，…，Ai，…}进行去趋势处理。在本实施例中，推荐去除一阶趋势成分。
进一步的，所述故障特征的理论阶次值通过式(14)、(15)、(16)和(17)表示：
Figure GDA0003901533850000111
Figure GDA0003901533850000112
Figure GDA0003901533850000113
Figure GDA0003901533850000114
式中，ofi，ofo，ofb和ofc分别表示风电机组轴承分别为内圈故障特征阶次、外圈故障特征阶次、滚动元件故障特征阶次和保持架故障特征阶次；z代表风电机组轴承滚动体数目，d为风电机组轴承滚动体直径，D为风电机组轴承节径，
Figure GDA0003901533850000115
是风电机组轴承接触角。
如图2所示，为其中一实施例中采集的风电机组振动数据，然后对其进行低通滤波处理得到如图3所示的低通滤波信号，再利用时变调频-调幅信号优化模型从低通滤波信号中估计旋转轴转速，结果如图4所示，可以看出本发明优化提取的转速与实际转速十分接近，可以满足后续处理要求。另外，优化转速的过程中得到最优带宽参数η＝1.3×10-6。
进一步对轴承故障振动数据进行包络分析得到如图5所示的轴承故障振动数据包络波形。利用优化的转速信号和带宽参数再对包络数据进行分析得到如图6所示的同步模态谱，去除一阶趋势结果后的同步模态谱如图7所示，从图7中可以清晰的检测到轴承外圈故障特征阶次。
图8和图9分别为现有时频分解算法和基于转速计信号的重采样阶次分析结果，可以看出这两类方法对轴承外圈故障检测效果不佳。图10和图11为未用最优带宽参数值时的同步模态谱结果，图10为带宽参数取值较大(η＝1×10-4)的同步模态谱，图11为带宽参数取值较小(η＝1×10-12)的同步模态谱，可见不用本发明中优化的带宽参数同步模态谱检测效果会显著降低。
本发明基于同步模态谱的风电机组轴承故障诊断方法通过构建同步模态谱，相比现有时频分解算法需要非常少的先验参数，仅仅只需要优化得到转速信息，识别其它特征成分是不要迭代优化。
同时，同步模态谱相比于现有阶次分析方法增强了对风电机组振动信号中蕴含轴承特征的提取能力，克服了现有时频分解算法必须通过多次迭代优化得到故障特征成分引起的抗干扰能力差的弊端。
其次，构建同步模态谱中嵌入了优化后的带宽参数，保证了提取特征成分带宽的合理性，可以显著提升同步模态谱对风电机组轴承故障特征的揭示能力。
以上实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (6)

1.一种基于同步模态谱的风电机组轴承故障诊断方法，其特征在于，包括：
采集风电机组振动数据；
基于所述风电机组振动数据构建同步模态谱；
通过风电机组传动系统主轴旋转频率与故障特征的瞬时频率之间的关系计算得到故障特征的理论阶次值；
将所述同步模态谱中检测到的故障相关特征阶次与所述理论阶次值进行对比，对所述风电机组轴承进行故障诊断；
基于所述风电机组振动数据构建同步模态谱，具体包括：
采用时变调频-调幅信号优化模型识别风电机组的旋转轴转速以及确定识别特征成分所需的最优带宽参数；
利用识别的转速以及确定的最优带宽参数构建基于风电机组振动数据包络波形的同步模态谱；
所述采用时变调频-调幅信号优化模型识别风电机组的旋转轴转速以及确定识别特征成分所需的最优带宽参数，具体包括：
对风电机组振动数据x(t)低通滤波得到其低通滤波信号y(t)：
y(t)＝lowpass(x(t)) (1)
其中，lowpass(·)为低通滤波器；
利用常规时频分析方法对低通滤波信号y(t)进行时频表示，然后利用基于局部最大值脊线估计方法从低通滤波信号y(t)的时频表示结果中粗略估计出风电机组传动系统主轴转频
Figure FDA0003911589820000011
其向量形式为
Figure FDA0003911589820000012
通过求解时变调频-调幅信号优化模型L(αν(t),βν(t),ων(t))，识别出转频成分yv(t)及其对应的瞬时频率ων(t)，以给出识别风电轴承特征成分所需的最优带宽参数η；
通过求解时变调频-调幅信号优化模型L(αν(t),βν(t),ων(t))，识别出转频成分yv(t)及其对应的瞬时频率ων(t)，以给出识别风电轴承特征成分所需的最优带宽参数η，具体包括：
所述时变调频-调幅信号优化模型L(αν(t),βν(t),ων(t))为：
Figure FDA0003911589820000021
其中α″v(t)和β″v(t)分别为αv(t)和βv(t)的二阶导数结果；αv(t)和βv(t)是转频成分对应的去调频信号，分别表示为：
Figure FDA0003911589820000022
和
Figure FDA0003911589820000023
其中，Av(t)指转频成分的瞬时幅值；
Figure FDA0003911589820000024
为初始相位，
Figure FDA0003911589820000025
为去调频瞬时频率；
将L(αν(t),βν(t),ων(t))变换为矩阵形式：
Figure FDA0003911589820000026
其中
Figure FDA0003911589820000027
和
Figure FDA0003911589820000028
分别为αv(t)和βv(t)的离散形式向量，N为信号y(t)的长度；y＝[y(t0),…,y(tN-1)]T为y(t)的离散形式向量；yv＝[yv(t0),…,yv(tN-1)]T为yv(t)的离散形式向量；
Figure FDA0003911589820000029
D是维数为(N-2)×N的二阶差分矩阵，0是与D为维数相同的全零矩阵；ωv＝[ωv(t0),…,ωv(tN-1)]为ων(t)的离散形式向量；
然后，对矩阵形式的时变调频-调幅信号优化模型L(xv,ωv)进行求解，获得yv和ωv。
2.如权利要求1所述的基于同步模态谱的风电机组轴承故障诊断方法，其特征在于，所述对矩阵形式的时变调频-调幅信号优化模型L(xv,ωv)进行求解，获得yv和ωv，具体包括：
依次对式(6)、(7)和(8)进行迭代计算，
Figure FDA00039115898200000210
Figure FDA0003911589820000031
Figure FDA0003911589820000032
直到
Figure FDA0003911589820000033
停止迭代计算，ε是迭代计算停止因子，并最终保存
Figure FDA0003911589820000034
η＝ηn+1；
其中，式(6)、(7)和(8)中各向量和变量的上标n表示各向量和变量在第n-1次迭代计算时的结果；
Figure FDA0003911589820000035
Figure FDA0003911589820000036
Figure FDA0003911589820000037
diag[·]为对角化函数，
Figure FDA0003911589820000038
利用
Figure FDA0003911589820000039
来初始化；I表示维数为N×N单位对角矩阵；式(·)′表示相应变量的一次导数；μ是频率波动平滑因子；式(7)中
Figure FDA00039115898200000310
和
Figure FDA00039115898200000311
通过
Figure FDA00039115898200000312
得到。
3.如权利要求1所述的基于同步模态谱的风电机组轴承故障诊断方法，其特征在于，所述利用识别的转速以及确定的最优带宽参数构建基于风电机组振动数据包络波形的同步模态谱，具体包括：
对风电机组振动数据进行包络分析，得到其包络信号En＝[En(t0),…,En(tN-1)]；
考虑到风机机组轴承故障特征成分的频率与风电机组传动系统主轴转频ωv同步变化，利用同步特性产生一组ωi＝[ωi(t0),…,ωi(tN-1)](i＝1，2，…，z，…)
ωi＝iΔkωv (9)
其中，Δk为同步特性的步长，进而得到相应的矩阵Qi，Qi＝[Ci,Si]，
Figure FDA00039115898200000313
Figure FDA00039115898200000314
利用矩阵Qi信息从包络信号En中恢复出其对应的成分xi
xi＝(ΩTΩ/η+(Qi)TQi)-1(Qi)TEn (10)
令αi＝xi(1:N)＝[αi(1),…,αi(k),…,αi(N)]，
βi＝xi(N+1:2N)＝[βi(1),…,βi(k),…,βi(N)]；
计算xi对应的瞬时幅值信息Eni＝[Eni(1),…,Eni(k),…,Eni(N)]
Figure FDA0003911589820000041
基于瞬时幅值信息Eni，定义归一化累积和Ai
Figure FDA0003911589820000042
Ai表示沿着频率ωi计算的归一化累积和，其对应的阶次Oi为
Oi＝ωi/ωv (13)
联合{A1,A2,…,Ai,…}和{O1,O2,…,Oi,…}构成同步模态谱，并对{A1,A2,…,Ai,…}进行去趋势处理。
4.如权利要求3所述的基于同步模态谱的风电机组轴承故障诊断方法，其特征在于，通过所述去趋势处理去除一阶趋势成分。
5.如权利要求1所述的基于同步模态谱的风电机组轴承故障诊断方法，其特征在于，所述故障特征的理论阶次值通过式(14)、(15)、(16)和(17)表示：
Figure FDA0003911589820000043
Figure FDA0003911589820000044
Figure FDA0003911589820000045
Figure FDA0003911589820000046
式中，ofi，ofo，ofb和ofc分别表示风电机组轴承分别为内圈故障特征阶次、外圈故障特征阶次、滚动元件故障特征阶次和保持架故障特征阶次；z代表风电机组轴承滚动体数目，d为风电机组轴承滚动体直径，D为风电机组轴承节径，
Figure FDA0003911589820000051
是风电机组轴承接触角。
6.如权利要求1所述的基于同步模态谱的风电机组轴承故障诊断方法，其特征在于，所述采集风电机组振动数据，具体包括：
利用传感器采集风电机组振动数据。
CN202011281606.9A 2020-11-16 2020-11-16 一种基于同步模态谱的风电机组轴承故障诊断方法 Active CN112484998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011281606.9A CN112484998B (zh) 2020-11-16 2020-11-16 一种基于同步模态谱的风电机组轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011281606.9A CN112484998B (zh) 2020-11-16 2020-11-16 一种基于同步模态谱的风电机组轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN112484998A CN112484998A (zh) 2021-03-12
CN112484998B true CN112484998B (zh) 2022-12-27

Family

ID=74931237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011281606.9A Active CN112484998B (zh) 2020-11-16 2020-11-16 一种基于同步模态谱的风电机组轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN112484998B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102175439A (zh) * 2011-01-25 2011-09-07 上海交通大学 针对旋转机械的阶次分析实现方法
CN106525427A (zh) * 2016-12-23 2017-03-22 安徽大学 一种变转速工况下的直流无刷电机轴承故障诊断方法
CN109520738A (zh) * 2018-10-25 2019-03-26 桂林电子科技大学 基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法
CN109668733A (zh) * 2018-12-21 2019-04-23 苏州大学 变分非线性模式分解变转速轴承故障诊断方法
CN110455537A (zh) * 2019-09-18 2019-11-15 合肥工业大学 一种轴承故障诊断方法及系统
CN110617964A (zh) * 2019-07-29 2019-12-27 中国铁道科学研究院集团有限公司城市轨道交通中心 用于滚动轴承故障诊断的同步压缩变换阶比分析法
CN110705525A (zh) * 2019-10-24 2020-01-17 北京建筑大学 一种诊断滚动轴承故障的方法及装置
CN111458122A (zh) * 2020-04-08 2020-07-28 苏州大学 匹配增强时频表示的旋转机械故障诊断方法
CN111665051A (zh) * 2020-07-01 2020-09-15 天津大学 基于能量权重法的强噪声变转速条件下轴承故障诊断方法
CN111797789A (zh) * 2020-07-10 2020-10-20 合肥工业大学 一种用于故障特征判读的时频脊线提取方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11002641B2 (en) * 2013-07-02 2021-05-11 Computational Systems, Inc. System for separating periodic amplitude peaks from non-periodic amplitude peaks in machine vibration data

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102175439A (zh) * 2011-01-25 2011-09-07 上海交通大学 针对旋转机械的阶次分析实现方法
CN106525427A (zh) * 2016-12-23 2017-03-22 安徽大学 一种变转速工况下的直流无刷电机轴承故障诊断方法
CN109520738A (zh) * 2018-10-25 2019-03-26 桂林电子科技大学 基于阶次谱和包络谱的旋转机械滚动轴承故障诊断方法
CN109668733A (zh) * 2018-12-21 2019-04-23 苏州大学 变分非线性模式分解变转速轴承故障诊断方法
CN110617964A (zh) * 2019-07-29 2019-12-27 中国铁道科学研究院集团有限公司城市轨道交通中心 用于滚动轴承故障诊断的同步压缩变换阶比分析法
CN110455537A (zh) * 2019-09-18 2019-11-15 合肥工业大学 一种轴承故障诊断方法及系统
CN110705525A (zh) * 2019-10-24 2020-01-17 北京建筑大学 一种诊断滚动轴承故障的方法及装置
CN111458122A (zh) * 2020-04-08 2020-07-28 苏州大学 匹配增强时频表示的旋转机械故障诊断方法
CN111665051A (zh) * 2020-07-01 2020-09-15 天津大学 基于能量权重法的强噪声变转速条件下轴承故障诊断方法
CN111797789A (zh) * 2020-07-10 2020-10-20 合肥工业大学 一种用于故障特征判读的时频脊线提取方法及装置

Also Published As

Publication number Publication date
CN112484998A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
Liu et al. Vibration analysis for large-scale wind turbine blade bearing fault detection with an empirical wavelet thresholding method
Purarjomandlangrudi et al. A data mining approach for fault diagnosis: An application of anomaly detection algorithm
CN111665051A (zh) 基于能量权重法的强噪声变转速条件下轴承故障诊断方法
Guo et al. An enhanced modulation signal bispectrum analysis for bearing fault detection based on non-Gaussian noise suppression
CN111738068B (zh) 一种转速波动工况下的传动轴故障诊断方法和系统
Mo et al. Conditional empirical wavelet transform with modified ratio of cyclic content for bearing fault diagnosis
CN110940917A (zh) 一种电动机故障预警方法及系统
Yao et al. Fault detection of complex planetary gearbox using acoustic signals
Su et al. Fault diagnosis of rotating machinery based on wavelet domain denoising and metric distance
CN109583075A (zh) 基于温度参数预测的永磁直驱风力机服役质量评价方法
Qian et al. A new health indicator for rolling bearings based on impulsiveness and periodicity of signals
CN115220396A (zh) 一种数控机床智能监控方法及系统
CN113435228A (zh) 一种基于振动信号建模的电动机轴承寿命预测与分析方法
CN112484998B (zh) 一种基于同步模态谱的风电机组轴承故障诊断方法
Xu et al. Online detection method for variable load conditions and anomalous sound of hydro turbines using correlation analysis and PCA-adaptive-K-means
CN114018573A (zh) 一种无参数齿轮箱齿轮啮合频率估算方法
CN107490477B (zh) 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法
CN110633686B (zh) 一种基于振动信号数据驱动的设备转速识别方法
CN108303250A (zh) 一种通过电信号残差向量信号识别齿轮箱故障的方法
Bulla et al. Feature extraction analysis using filter banks for faults classification in induction motors
Strączkiewicz et al. The use of a fuzzy logic approach for integration of vibration-based diagnostic features of rolling element bearings
CN114528525B (zh) 基于最大重加权峭度盲解卷积的机械故障诊断方法
Yuan et al. Fault detection of rolling bearing based on principal component analysis and empirical mode decomposition
Zhang et al. A novel weighted sparsity index based on multichannel fused graph spectra for machine health monitoring
Gu et al. A prediction method of operation trend for large axial-flow fan based on vibration-electric information fusion

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
GR01 Patent grant
GR01 Patent grant