CN112836583B - 一种风力机故障诊断方法 - Google Patents
一种风力机故障诊断方法 Download PDFInfo
- Publication number
- CN112836583B CN112836583B CN202110008931.6A CN202110008931A CN112836583B CN 112836583 B CN112836583 B CN 112836583B CN 202110008931 A CN202110008931 A CN 202110008931A CN 112836583 B CN112836583 B CN 112836583B
- Authority
- CN
- China
- Prior art keywords
- swd
- decomposition
- fault
- wind turbine
- modulus
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 title claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims description 13
- 230000000737 periodic effect Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 241000238814 Orthoptera Species 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 230000001052 transient effect Effects 0.000 abstract description 3
- 238000010183 spectrum analysis Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种风力机故障诊断方法,该方法根据风力机齿轮箱的振动信号特性,采用蝗虫(GOA)优化群分解(SWD)的系统参数,解决了传统的SWD算法阈值K和α的人工经验选择的问题;应用最优的SWD系统参数对测试信号进行分解,计算出每个本征模式分量的峭度值,选择分解结果的最优模式分量;利用Teager能量算子(TEO)能够跟踪信号瞬态能量的特点,对最敏感模数的TEO进行频谱分析。本发明方法能够有效地解决风力机工作环境中的强背景噪声造成的故障特征信息难以提取的问题,准确识别故障类型。
Description
技术领域
本发明属于信号处理技术领域,具体涉及一种基于Teager能量算子增强自适应SWD的风力机故障诊断方法,用于在强背景噪声干扰下提取关键部件的故障特征信息。
背景技术
风力发电机的安装数目在逐年上升,且经常处于沙漠山区等环境恶劣地区,所以风力发电机的健康状况监测问题引起了广泛重视。风电机组传动系统是最重要的组成部分之一,特别是传动结构复杂,容易产生故障。在恶劣环境下测试信号往往会受到噪声的干扰,且被测振动信号具有非高斯性和非平稳性,造成故障诊断精度低。因此,在强背景噪声干扰下对风力发电机传动系统进行故障诊断已成为急需解决的问题。传统的小波变换的精确性取决于母小波的选择,这使小波受人为选择因素的影响比较严重;EMD和LMD是一种处理非线性和非平稳信号的有效的自适应方法,但是由于模态混叠和端点效应的存在,使其应用受到了严重的制约。
不同于其他分解方法,SWD方法借鉴经验模态分解迭代滤波的思想,经过迭代群滤波将原始信号自适应地分解为若干单一模态的振荡分量。群滤波相当于一个带通滤波器,通过调节群滤波参数。研究成果表明,SWD方法在机械故障诊断领域对信号的分解性能要优于EMD和LMD方法。但是,当故障信号淹没在强背景噪声以及早期机械设备故障诊断的时候,SWD方法具有一定的局限性。SWD的系统参数如果由人工选择会造成信号分解不准确,导致其很难有效的提取故障特征信息。而蝗虫GOA优化算法是一种简洁快速的优化算法,采用GOA优化SWD的系统参数是可行的。Teager能量算子(TEO)是一种有效的非线性能量算子,可以跟踪信号的瞬时能量。能量算子能够增大故障特征频率的倍数,起到放大微弱故障信息的作用。TEO通过增强信号瞬态冲击成分,使其成为一种有效的故障诊断方法。
发明内容
鉴于此,本发明的目的在于提供一种风力机故障诊断方法,以解决故障信号淹没在强背景噪声下难以提取的问题。
本发明提供的技术方案是:一种基于Teager能量算子增强自适应SWD的风力机故障诊断方法。包括:
(1)采集风力机的测试振动信号。
(2)对SWD和GOA的系统参数进行初始化,设定最大的峭度值为目标函数,迭代寻优并储存最佳系统参数。利用最优的系统参数对输入的测试信号进行SWD分解。
(3)将峭度值最大的模数定义为最敏感模数,该信号中包含表征故障的周期性脉冲信号。
(4)利用Teager能量算子从最敏感的模数中提取瞬时特征,获得最终的滤波结果。
(5)对最终的滤波结果进行傅里叶变换,从获得的频谱中检测故障的特征频率,判断是否发生故障。
所述步骤(2)包括以下步骤:
(21)在对振动信号进行SWD分解时,需确定分解阈值K和α使得分解结果中包含最多的故障周期性脉冲信号。峭度为信号的四阶中心矩,它对信号中的脉冲特征十分敏感,故而峭度被广泛地用于检测信号中的故障脉冲。因此,将峭度值作为目标函数,使用GOA算法迭代出最佳的分解阈值K和α。
(22)初始化GOA的算法参数,即初始化蝗虫数量Ngh、种群位置Wi、最大值cmax、最小值cmin和最大迭代次数L。
(23)计算种群中每只蝗虫的峭度值,并将计算最优个体局部极值继续更新。峭度的计算如下:
其中,x为测试信号经SWD分解获得的各个模数,μx与σ为x的均值和标准差,E(·)为数学期望。
(24)继续迭代过程,通过比较计算得到的蝗虫适应度值更新个体局部极值和全局极值,更新每只蝗虫的位置。
(25)达到设定的停止条件,即计算到最大迭代数时,迭代停止,输出最优的SWD参数和相对应的峭度值。
(26)利用该参数对原始信号进行SWD分解。
所述步骤(4)计算如下:
其中,x(t)为SWD分解结果中最敏感的模数,和/>分别为信号x(t)的一阶和二阶导数。
本发明的最优结果处理与分析的具体内容:利用峭度值指标,采用GOA方法获得SWD分解模型的最优参数K和α。对原始信号进行SWD分解,从分解出的分量中选择滤波效果最佳的本征模式分量。利用Teager能量算子从最敏感的模数中提取瞬时特征,获得最终的滤波结果。通过滤波结果的傅里叶变换检测故障特征频率。
有益效果如下:
(1)值得注意的是,不同阈值的SWD分解会得到不同的模态分量,而这些模态分量不一定适合用于故障识别和检测。应用GOA对SWD算法中的分解阈值K和α进行自适应优化,可以解决人工选择造成信号分解不准确,导致很难有效的提取故障特征信息。
(2)峭度可用来统计数据集峰值,能够检测相关信号的异常脉冲。由于故障脉冲通常表现为周期的冲击信号,故而峭度对信号内的故障脉冲十分敏感,采用峭度值能够有效地从分解的模式分量中选出包含故障信息最多的分量。
(3)Teager能量算子是一种有效的非线性能量算子,它可以跟踪信号的瞬时能量。能量算子能够增大故障特征频率的幅值,起到放大微弱故障信息的作用。TEO通过增强信号瞬态冲击成分,使其成为一种有效的故障诊断方法。利用TEO增强SWD的处理结果能够对信号中的弱故障特征进行有效地提取。
附图说明
下面结合附图及实施方式对本发明作进一步详细的说明:
图1为本发明的流程图;
图2为本发明的风电机组齿轮箱轴承振动信号示例图;
图3为SWD分解后的最敏感模数的包络谱;
图4为TEO增强后的滤波结果。
具体实施方式
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自制的风力发电机轴承故障模拟试验台。轴的转速为1606r/min,经过计算可得,内圈故障特征频率为95.7Hz。实验系统的测试数据为振动加速度信号,实验振动信号示例图如图2所示。
2.将峭度值作为目标函数,初始化GOA的系统参数,经过迭代,通过比较计算得到的蝗虫个体适应度值更新个体局部极值和种群全局极值,更新蝗虫的位置。达到设定的停止条件,输出最优的SWD参数和相对应的峭度。最优的参数K为0.2,α为0.4,分解模数为6个。
3.根据最优的SWD参数对原始信号进行分解,获得分解结果。为了选择SWD分解结果后含有主要故障信息的最敏感模数,计算各个模数的峭度,计算的数值结果如表1所示。
表1SWD分解结果各模数的峭度
由表1可知,最敏感的模数为u4。对模数u4进行包络谱分析,处理后的结果如图3所示。由图3可知,可检测的故障特征频率为96Hz,与滚动轴承内圈故障频率的理论计算值95.7Hz十分接近;包络谱图中亦检测到了轴承故障频率的二倍频192Hz和三倍频288Hz。故障特征频率对应的幅值比较小,其他高阶频率无法检测,故障特征频率受干扰严重比较微弱。
4.采用TEO对SWD的滤波结果进行后处理,结果如图4所示。在图4中可以清晰地看到滚动轴承内圈的故障频率96Hz及其高阶倍频,图中故障特征频率幅值较大,故障频率明显,说明TEO对故障特征的提取起到了增强的作用。由图4与图3对比可知,ASWD-TEO算法在提取轴承故障特性信息上,效果更佳,更适合滚动轴承早期弱故障信号的诊断。
本发明方法针对风力发电机的测试信号呈现出强非线性和非稳态的特点,提出了一种自适应的SWD与TEO算法相结合的综合故障诊断方法。应用GOA对SWD算法中的分解阈值K和α进行自适应优化,并通过TEO能量算子分析最敏感模数,最终达到故障特征信息增强的效果。在实施例中采用提出的方法对实际的测试信号进行了分析,试验结果表明ASWD-TEO方法不仅能够提取轴承内圈故障频率96Hz,还能够提取其高阶故障频率(96Hz,192Hz,288Hz),对弱故障信号检测效果明显。
Claims (2)
1.一种风力机故障诊断方法,其特征在于,包括以下步骤:
(1)采集风力机的测试振动信号;
(2)对SWD和GOA的系统参数进行初始化,设定最大的峭度值为目标函数,迭代寻优并储存最佳系统参数;利用最优的系统参数对输入的测试信号进行SWD分解;
(3)将峭度值最大的模数定义为最敏感模数,该信号中包含表征故障的周期性脉冲信号;
(4)利用Teager能量算子从最敏感的模数中提取瞬时特征,获得最终的滤波结果;
(5)对最终的滤波结果进行傅里叶变换,从获得的频谱中检测故障的特征频率,判断是否发生故障;
步骤(2)包括以下步骤:
(21)在对振动信号进行SWD分解时,需确定分解阈值K和α使得分解结果中包含最多的故障周期性脉冲信号;
(22)初始化蝗虫数量Ngh、种群位置Wi、最大值cmax、最小值cmin和最大迭代次数L;
(23)计算种群中每只蝗虫的峭度值,并将计算最优个体局部极值继续更新;峭度的计算如下:
其中,x为测试信号经SWD分解获得的各个模数,μx与σ为x的均值和标准差,E(·)为数学期望;
(24)继续迭代过程,通过比较计算得到的蝗虫适应度值更新个体局部极值和全局极值,更新每只蝗虫的位置;
(25)达到设定的停止条件,即计算到最大迭代数时,迭代停止,输出最优的SWD参数和相对应的峭度值;
(26)利用该参数对原始信号进行SWD分解。
2.根据权利要求1所述的一种风力机故障诊断方法,其特征在于,步骤(4)所述Teager能量算子计算如下:
其中,x(t)为SWD分解结果中最敏感的模数,和/>分别为信号x(t)的一阶和二阶导数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110008931.6A CN112836583B (zh) | 2021-01-05 | 2021-01-05 | 一种风力机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110008931.6A CN112836583B (zh) | 2021-01-05 | 2021-01-05 | 一种风力机故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836583A CN112836583A (zh) | 2021-05-25 |
CN112836583B true CN112836583B (zh) | 2024-04-12 |
Family
ID=75925925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110008931.6A Active CN112836583B (zh) | 2021-01-05 | 2021-01-05 | 一种风力机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836583B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115327302A (zh) * | 2022-09-15 | 2022-11-11 | 南方电网科学研究院有限责任公司 | 一种配电网故障行波识别方法、装置设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102745039A (zh) * | 2011-04-21 | 2012-10-24 | 株式会社电装 | 制冷剂循环装置 |
CN104636609A (zh) * | 2015-01-30 | 2015-05-20 | 电子科技大学 | 一种基于经验模态分解与小波分析的信号联合去噪方法 |
CN108520722A (zh) * | 2017-04-17 | 2018-09-11 | 友达光电股份有限公司 | 显示面板及提供显示数据至显示面板的方法 |
CN109029977A (zh) * | 2018-07-12 | 2018-12-18 | 福州大学 | 一种基于vmd-amckd的行星齿轮箱早期故障诊断方法 |
CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN112098093A (zh) * | 2020-09-15 | 2020-12-18 | 丽水市特种设备检测院 | 一种轴承故障特征识别方法及识别系统 |
-
2021
- 2021-01-05 CN CN202110008931.6A patent/CN112836583B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102745039A (zh) * | 2011-04-21 | 2012-10-24 | 株式会社电装 | 制冷剂循环装置 |
CN104636609A (zh) * | 2015-01-30 | 2015-05-20 | 电子科技大学 | 一种基于经验模态分解与小波分析的信号联合去噪方法 |
CN108520722A (zh) * | 2017-04-17 | 2018-09-11 | 友达光电股份有限公司 | 显示面板及提供显示数据至显示面板的方法 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN109029977A (zh) * | 2018-07-12 | 2018-12-18 | 福州大学 | 一种基于vmd-amckd的行星齿轮箱早期故障诊断方法 |
CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
CN112098093A (zh) * | 2020-09-15 | 2020-12-18 | 丽水市特种设备检测院 | 一种轴承故障特征识别方法及识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112836583A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | An optimized time varying filtering based empirical mode decomposition method with grey wolf optimizer for machinery fault diagnosis | |
Yu et al. | An adaptive sensitive frequency band selection method for empirical wavelet transform and its application in bearing fault diagnosis | |
Lin et al. | Rolling bearing fault diagnosis using impulse feature enhancement and nonconvex regularization | |
CN110501631B (zh) | 一种在线间歇故障检测与诊断方法 | |
Makowski et al. | New techniques of local damage detection in machinery based on stochastic modelling using adaptive Schur filter | |
Ding et al. | Sparsity-based algorithm for condition assessment of rotating machinery using internal encoder data | |
CN109238455B (zh) | 一种基于图论的旋转机械振动信号监测方法及系统 | |
CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
CN112461547A (zh) | 一种基于多岛遗传和变分模态分解的轴承故障诊断方法 | |
CN112326245B (zh) | 一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法 | |
Shi et al. | The VMD-scale space based hoyergram and its application in rolling bearing fault diagnosis | |
CN116432071A (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN112836583B (zh) | 一种风力机故障诊断方法 | |
Zhang et al. | Generalized transmissibility damage indicator with application to wind turbine component condition monitoring | |
Berntsen et al. | Enhanced demodulation band selection based on Operational Modal Analysis (OMA) for bearing diagnostics | |
CN114813123A (zh) | 一种基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 | |
Jiang et al. | 911. A quantitative diagnosis method for rolling element bearing using signal complexity and morphology filtering | |
CN110222386A (zh) | 一种行星齿轮退化状态识别方法 | |
Guo et al. | Ensemble difference mode decomposition based on transmission path elimination technology for rotating machinery fault diagnosis | |
Lv et al. | A new feature extraction technique for early degeneration detection of rolling bearings | |
Zhang et al. | A novel hybrid compound fault pattern identification method for gearbox based on NIC, MFDFA and WOASVM | |
Singh et al. | Condition monitoring of wind turbine gearbox using electrical signatures | |
CN113822565B (zh) | 一种风机监测数据时频特征分级细化分析的方法 | |
Pan et al. | Improved complete ensemble robust local mean decomposition with adaptive noise for slewing bearings performance degradation assessment | |
Guo et al. | A novel approach to bearing prognostics based on impulse-driven measures, improved morphological filter and practical health indicator construction |
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 |