CN112816213A - 一种风力机传动系统的故障诊断方法 - Google Patents
一种风力机传动系统的故障诊断方法 Download PDFInfo
- Publication number
- CN112816213A CN112816213A CN202110015705.0A CN202110015705A CN112816213A CN 112816213 A CN112816213 A CN 112816213A CN 202110015705 A CN202110015705 A CN 202110015705A CN 112816213 A CN112816213 A CN 112816213A
- Authority
- CN
- China
- Prior art keywords
- scale
- fault
- macdiff
- signal
- wind turbine
- 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.)
- Granted
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
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于信号处理技术领域,尤其涉及一种风力机传动系统的故障诊断方法,其用于解决在复杂传递路径、复杂环境工况和强背景噪声干扰下风力机传动系统故障特征信息难以提取问题。包括:步骤1、采集风力发电机轴承的振动测试信号,随后对信号进行多尺度数学形态学处理,得到多尺度信号;步骤2、计算各个尺度下的信息熵因子和特征能量因子;计算出综合评价指标因子;步骤3、利用综合评价指标因子筛选MACDIF中的最优结构元素尺度加权区间范围;步骤4、对各个尺度下的形态学分析信号进行加权处理,获得MACDIF重构信号;步骤5、对最终的重构信号进行FFT频谱分析,从分析的结果中识别出发电机轴承的故障特征频率,完成风力发电机轴承的故障诊断。
Description
技术领域
本发明属于信号处理技术领域,尤其涉及一种风力机传动系统的故障诊断方法,具体用于复杂传递路径、复杂环境工况和强背景噪声干扰下提取风力机传动系统的故障特征信息。
背景技术
风能作为清洁的可再生能源,伴随着世界风电行业的兴起,风力发电技术也在全球迅速兴起。其中为代表的风力发电机正在逐年迅猛发展起来。但是由于风力发电机常年服役在极端的环境中,并受到低速重载的影响,其传动系统容易损坏,这通常给风机运营商带来巨大的经济损失。轴承和齿轮作为风力发电机传动系统的关键零部件,由于受到交变重载荷的影响,经常会发生故障。当这些部件发生故障时,通常产生非线性和非稳态的振动信号,然而这些故障信号通常淹没在强背景噪声干扰中,因此检测这些故障特征信息势在必行。
不同于传统的时频分析方法,形态学是一种有效的非稳态、非线性的信号处理方法。形态学可以直接提取时域信号中的故障特征信息,它有良好的滤波性能,因此现在被广泛地应用在机械故障诊断中。不同于传统的单尺度形态学分析方法,多尺度形态学分析方法可以在各个尺度上计算原始信号,从而获得更全面的故障特征信息。形态学多尺度运算的尺度区间选择问题对最终的输出结果影响巨大。虽然ACDIF是一种有效的形态学算子,但是它只应用在单尺度数学形态上。为了提取风机轴承和齿轮更丰富的故障信息,本发明提供一种时频域相结合的尺度选则策略。提供了一种多尺度形态学分析方法,实现风力发电机关键部件的故障特征提取。
发明内容
本发明就是针对现有技术存在的缺陷,提供一种风力机传动系统的故障诊断方法,其用于解决在复杂传递路径、复杂环境工况和强背景噪声干扰下风力机传动系统故障特征信息难以提取问题。
为实现上述目的,本发明采用如下技术方案,包括以下步骤:
步骤1、采集风力发电机轴承的振动测试信号f(n),随后对信号f(n)进行多尺度数学形态学处理,得到多尺度信号MACDIFfλ(n),其中λ=1,2,3…n,n代表形态学的最大尺度;
步骤2、计算各个尺度λ下的信息熵因子IE(MACDIFfλ(n))和特征能量因子FEF(MACDIFfλ(n));计算出综合评价指标因子IF(MACDIFfλ(n));
步骤3、利用综合评价指标因子IF(MACDIFfλ(n))筛选MACDIF中的最优结构元素尺度加权区间范围[1,λmax],式中λmax表示形态学运算的最大尺度;
步骤4、在确定最优尺度范围[1,λmax]后,对各个尺度下的形态学分析信号进行加权处理,从而获得最终的MACDIF重构信号F(f(n));
步骤5、对最终的重构信号F(f(n))进行FFT频谱分析,从分析的结果中识别出发电机轴承的故障特征频率(fo、2fo、3fo…nfo),最终完成风力发电机轴承的故障诊断。(当轴承发生故障时,时域图像中会产生周期振动的脉冲信号,这些脉冲信号在频谱中以轴承的故障特征频率fo、2fo、3fo…nfo的形式表现。如果从最终的分析结果中识别出轴承的故障特征频率,那么确定轴承发生故障)。
进一步地,步骤1中,通过加速度传感器采集风力发电机轴承的振动测试信号。
进一步地,步骤1中包括以下分步骤:
步骤1.1、输入的风机振动信号f(n)定义域为F=(0,1,…,n-1),结构元素g(m)定义为G=(0,1,…,m-1)(n≥m),则信号f(n)的四种基本腐蚀、膨胀、开和闭运算符定义如下:
(fΘg)(n)=min[f(n+m)-g(m)]
步骤1.2、设ε(ε=1,2,3,…,λ)是结构元素SE的尺度,那么四种多尺度形态学算子定义如下:
那么输入的风机振动信号f(n)经多尺度的MACDIF运算,运算结果如下:
其中,MACDIFfλ(n)表示风机振动信号f(n)输出的多尺度计算结果。
进一步地,所述步骤2中包括以下分步骤:
步骤2.1、一个系统包含多个事件S={S1,S2,…Sn},则S事件的概率分布为p={p1,p2,…pn},那么一个事件的信息熵为:
Ii=-pi lnpi
则所有事件的信息熵的总和为:
式中,I为信息熵;p为概率;i=1,2,3,…,n。
对于输入的多尺度信号MACDIFfλ(n),计算的多尺度信息熵结果为IE(MACDIFfλ(n));
步骤2.2、能量特征因子用来衡量故障特征频率占总频谱的能量占比,其表达式定义如下:
式中,E为故障信息的能量;E*为频谱的总能量;y(i)为故障频率对应的加速度幅值;i为故障频率的阶数(i=1,2…,m);
对于输入的多尺度信号MACDIFfλ(n),计算的多尺度能量特征因子结果为FEF(MACDIFfλ(n));
步骤2.3、结合这两种评价指标的优点,提出一种新的名为IF的时频指标因子来选则MACDIF算子的最优尺度,其表达式定义如下:
IF=IE×FEF
对于输入的多尺度信号MACDIFfλ(n),计算的多尺度IF结果为IF(MACDIFfλ(n))。
进一步地,步骤4中包括经过IF(MACDIFfλ(n))计算得到最优尺度范围[1,λmax],对各个尺度下的形态学分析信号进行加权处理,从而获得最终的MACDIF重构信信号F(f(n)),重构加权方式如下:
式中,ωλ为在不同尺度λ下的加权系数;eλ为MACDIF在不同尺度λ下的分析结果。
与现有技术相比本发明有益效果。
(1)MACDIF多尺度形态学算子继承组合算子的优秀滤波性能,MACDIF算子可以增强提取信号的故障特征信息。在与传统的单尺度ACDIF算子相比较,MACDIF包含更多的故障特征信息。可以从多角度提取风力发电机轴承和齿轮的故障特征信息。
(2)结构元素的合理选择对多尺度形态滤波的滤波性能影响巨大。结构元素SE主要有高度、形状和长度三部分组成。如何选择最优的结构元素尺度可以提升MACDIF的滤波性能。信息熵值表示信号的不确定性,如果振动信号的概率分布不杂乱,则系统具有较大的信息熵值。因此,信息熵能够较好地表明振动信号概率的均匀性分配,量特征因子用来衡量故障特征频率占总频谱的能量占比。因此IF时频指标因子可以选择最优的结构元素尺度范围。
(3)形态学分析的尺度选择过大时,会造成时域波形的失真,从而造成部分故障信息的遗失。因此,选择MACDIF的最优尺度范围为1到λmax,采用多尺度加权重构方式可以最大限度的保留故障特征信息,实现风力发电机轴承和齿轮的早期故障诊断。
附图说明
下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。
图1为本发明的方法流程图。
图2-1为本发明的风力发电机测试信号与傅里叶示例图之时域图。
图2-2为本发明的风力发电机测试信号与傅里叶示例图之频域图。
图3为MACDIF进行多尺度变换分析示意图。
图4-1为最优尺度选择图。
图4-2为最终输出结果图。
具体实施方式
本发明基于多尺度数学形态学的风力机传动系统故障诊断方法的最优结果处理与分析的具体内容:应用MACDIF对原始信号进行多尺度数学形态学分析。首先计算出各个尺度下的信息熵因子IE和特征能量因子FEF,随后计算出综合评价指标因子IF。利用综合评价指标因子IF筛选MACDIF中的最优结构元素尺度加权区间范围。在确定最优尺度范围后,对各个尺度下的形态学分析信号进行加权处理,从而获得最终的MACDIF重构信息。对最终的重构信号进行行频谱分析,实现最终的故障诊断结果。
下面将结合具体的实施方案对本发明进行进一步的解释,图1为本发明的流程图。
1.实施案例的原始数据来自山东某风场的1.5MW双馈异步发电机的轴承测试数据。实验发电机额定功率为1500Kw,环境风速6-7m/s,电机的转速为1750rpm。测试设备的采样频率为16384Hz,数据长度为1s。实验测试的振动信号示例图如图2-1、2-2所示。
2.应用MACDIF多尺度滤波对测试数据进行分析,在不同尺度下表现出不同的滤波结果。尺度越小,信号包含的故障特征信息越多,但是信号包含的噪声也越多;尺度越大,虽然消噪效果明显,但是信号的带宽变窄,故障信息容易被滤掉。获得的多尺度信号分析结果示例图如图3所示。
3.计算经MACDIF多尺度滤波后信号的IF值。IF指标值越大说明该尺度下信号包含故障特征信息越多,相反,IF指标值越小说明该尺度下信号包含故障特征信息越少。计算信号全尺度下的IF值,绘制IF-Scale曲线。找到最大的IF值对应的尺度点,确定MACDIF重构信号的加权尺度区间,获得的IF-Scale曲线示例图如图4-1、4-2所示。
4.确定最优加权区间后,对信号进行多尺度重构,并计算信号的傅里叶谱,获得的最终诊断结果示例图如图4-1、4-2所示。在图4-1、4-2中,可以清晰的看到在全尺度下评价因子IF的变化规律。从图中可以看到经过IF因子选择后的最优尺度为17。并且在图中能够清晰的检测到轴承的故障频率315Hz及其二倍故障频率632Hz,图中转动频率29Hz也能被检测到。与图2中的傅里叶谱相比,本发明提出的方法更有效,说明该方法适合大型风力发电机轴承的故障诊断。
本发明方法针对在复杂传递路径、复杂环境工况和强背景噪声干扰下风力机传动系统故障特征信息难以提取问题,提出一种多尺度数学形态学的风力机传动系统故障诊断方法。在单尺度算子研究的基础上,构建了多尺度组合平均差分算子(MACDIF)。为了准确选择MACDIF的结构元素尺度,同时为了改进峭度准则和信噪比在选择最优尺度上的不足,基于信息熵(IE)和特征能量因子(FEF)构建了名为IF的尺度选择指标因子。最终对经MACDIF分析后的信号进行多尺度加权重构输出最终的计算结果。实验结果表明提出的方法不仅可以清晰地检测轴承的故障频率315Hz和632Hz,还有较好的消噪性能和抗干扰能力。本发明可以有效地检测风力发电机轴承和齿轮的故障。
可以理解的是,以上关于本发明的具体描述,仅用于说明本发明而并非受限于本发明实施例所描述的技术方案,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换,以达到相同的技术效果;只要满足使用需要,都在本发明的保护范围之内。
Claims (5)
1.一种风力机传动系统的故障诊断方法,其特征在于,包括以下步骤:
步骤1、采集风力发电机轴承的振动测试信号f(n),随后对信号f(n)进行多尺度数学形态学处理,得到多尺度信号MACDIFfλ(n),其中λ=1,2,3…n,n代表形态学的最大尺度;
步骤2、计算各个尺度λ下的信息熵因子IE(MACDIFfλ(n))和特征能量因子FEF(MACDIFfλ(n));计算出综合评价指标因子IF(MACDIFfλ(n));
步骤3、利用综合评价指标因子IF(MACDIFfλ(n))筛选MACDIF中的最优结构元素尺度加权区间范围[1,λmax],式中λmax表示形态学运算的最大尺度;
步骤4、在确定最优尺度范围[1,λmax]后,对各个尺度下的形态学分析信号进行加权处理,从而获得最终的MACDIF重构信号F(f(n));
步骤5、对最终的重构信号F(f(n))进行FFT频谱分析,从分析的结果中识别出发电机轴承的故障特征频率(fo、2fo、3fo…nfo),最终完成风力发电机轴承的故障诊断。
2.根据权利要求1所述的一种风力机传动系统的故障诊断方法,其特征在于:步骤1中,通过加速度传感器采集风力发电机轴承的振动测试信号。
4.根据权利要求1所述的一种风力机传动系统的故障诊断方法,其特征在于:所述步骤2中包括以下分步骤:
步骤2.1、一个系统包含多个事件S={S1,S2,…Sn},则S事件的概率分布为p={p1,p2,…pn},那么一个事件的信息熵为:
Ii=-pilnpi
则所有事件的信息熵的总和为:
式中,I为信息熵;p为概率;i=1,2,3,…,n。
对于输入的多尺度信号MACDIFfλ(n),计算的多尺度信息熵结果为IE(MACDIFfλ(n));
步骤2.2、能量特征因子用来衡量故障特征频率占总频谱的能量占比,其表达式定义如下:
式中,E为故障信息的能量;E*为频谱的总能量;y(i)为故障频率对应的加速度幅值;i为故障频率的阶数(i=1,2…,m);
对于输入的多尺度信号MACDIFfλ(n),计算的多尺度能量特征因子结果为FEF(MACDIFfλ(n));
步骤2.3、结合这两种评价指标的优点,提出一种新的名为IF的时频指标因子来选则MACDIF算子的最优尺度,其表达式定义如下:
IF=IE×FEF
对于输入的多尺度信号MACDIFfλ(n),计算的多尺度IF结果为IF(MACDIFfλ(n))。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110015705.0A CN112816213B (zh) | 2021-01-06 | 2021-01-06 | 一种风力机传动系统的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110015705.0A CN112816213B (zh) | 2021-01-06 | 2021-01-06 | 一种风力机传动系统的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112816213A true CN112816213A (zh) | 2021-05-18 |
CN112816213B CN112816213B (zh) | 2022-08-12 |
Family
ID=75857995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110015705.0A Active CN112816213B (zh) | 2021-01-06 | 2021-01-06 | 一种风力机传动系统的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112816213B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108106846A (zh) * | 2017-12-21 | 2018-06-01 | 大连交通大学 | 一种滚动轴承故障损伤程度识别方法 |
CN108645620A (zh) * | 2018-07-26 | 2018-10-12 | 北京工业大学 | 一种基于信息熵和多尺度形态学的滚动轴承早期故障诊断方法 |
CN108982107A (zh) * | 2018-07-26 | 2018-12-11 | 北京工业大学 | 一种基于形态学和多尺度排列熵均值的轴承故障定量趋势诊断方法 |
CN109297712A (zh) * | 2018-11-02 | 2019-02-01 | 东南大学 | 一种基于最优尺度形态顶帽乘积滤波的轴承故障诊断方法 |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
CN111442927A (zh) * | 2020-01-20 | 2020-07-24 | 内蒙古工业大学 | 一种基于多尺度数学形态学的滚动轴承故障诊断方法 |
-
2021
- 2021-01-06 CN CN202110015705.0A patent/CN112816213B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108106846A (zh) * | 2017-12-21 | 2018-06-01 | 大连交通大学 | 一种滚动轴承故障损伤程度识别方法 |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
CN108645620A (zh) * | 2018-07-26 | 2018-10-12 | 北京工业大学 | 一种基于信息熵和多尺度形态学的滚动轴承早期故障诊断方法 |
CN108982107A (zh) * | 2018-07-26 | 2018-12-11 | 北京工业大学 | 一种基于形态学和多尺度排列熵均值的轴承故障定量趋势诊断方法 |
CN109297712A (zh) * | 2018-11-02 | 2019-02-01 | 东南大学 | 一种基于最优尺度形态顶帽乘积滤波的轴承故障诊断方法 |
CN111442927A (zh) * | 2020-01-20 | 2020-07-24 | 内蒙古工业大学 | 一种基于多尺度数学形态学的滚动轴承故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
XIAOAN YAN 等: "Fault diagnosis of rolling element bearing using a new optimal scale morphology analysis method", 《ISA TRANSACTIONS》 * |
张朋波: "多尺度形态学在振动信号处理中的应用研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
李雪: "大型风力发电机主轴承振动信号故障分析研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
王荔檬: "基于随机共振的滚动轴承故障弱信号的提取", 《西安工程大学学报》 * |
鄢小安: "基于数学形态学的滚动轴承故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112816213B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Fault diagnosis of industrial wind turbine blade bearing using acoustic emission analysis | |
Sharma et al. | Extraction of weak fault transients using variational mode decomposition for fault diagnosis of gearbox under varying speed | |
Li et al. | Application of bandwidth EMD and adaptive multiscale morphology analysis for incipient fault diagnosis of rolling bearings | |
Lei et al. | Fault diagnosis of rotating machinery using an improved HHT based on EEMD and sensitive IMFs | |
Urbanek et al. | Application of averaged instantaneous power spectrum for diagnostics of machinery operating under non-stationary operational conditions | |
Li et al. | A new strategy of using a time-varying structure element for mathematical morphological filtering | |
Xu et al. | Repetitive transient extraction for machinery fault diagnosis using multiscale fractional order entropy infogram | |
Yang et al. | Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey | |
Feng et al. | A novel order spectrum-based Vold-Kalman filter bandwidth selection scheme for fault diagnosis of gearbox in offshore wind turbines | |
CN109883703B (zh) | 一种基于振动信号相干倒谱分析的风机轴承健康监测诊断方法 | |
Lu et al. | Condition monitoring and fault diagnostics of wind turbines | |
Li et al. | Quantitative evaluation on the performance and feature enhancement of stochastic resonance for bearing fault diagnosis | |
Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
Zhang et al. | Improved local cepstrum and its applications for gearbox and rolling bearing fault detection | |
Lv et al. | Gear fault feature extraction based on fuzzy function and improved Hu invariant moments | |
Zare et al. | Convolutional neural networks for wind turbine gearbox health monitoring. | |
Zheng et al. | An adaptive group sparse feature decomposition method in frequency domain for rolling bearing fault diagnosis | |
Chen et al. | Application of reassigned wavelet scalogram in wind turbine planetary gearbox fault diagnosis under nonstationary conditions | |
CN112816213B (zh) | 一种风力机传动系统的故障诊断方法 | |
Singh et al. | Condition monitoring of wind turbine gearbox using electrical signatures | |
Liu et al. | Bispectrum analysis for feature extraction of pitting fault in wind turbine gearbox | |
Zheng et al. | Zero-Phase Filter-Based Adaptive Fourier Decomposition and Its Application to Fault Diagnosis of Rolling Bearing | |
CN113447267B (zh) | 一种基于振动信号分析的齿轮箱整机状态评估方法和系统 | |
Liu et al. | Acoustic emission analysis for wind turbine blade bearing fault detection using sparse augmented Lagrangian algorithm | |
Djemili et al. | A Wind Turbine Bearing Fault Detection Method Based on Improved CEEMDAN and AR-MEDA |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230724 Address after: No. 70 Jincheng Street, Shenfu Demonstration Zone, Shenyang City, Liaoning Province, 110000 Patentee after: SHENYANG JIDI'AN WIND POWER TECHNOLOGY Co.,Ltd. Address before: 110870, No. 111, Shen Xi Road, Shenyang economic and Technological Development Zone, Shenyang, Liaoning Patentee before: SHENYANG University OF TECHNOLOGY |