CN114004091B - 一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法 - Google Patents
一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法 Download PDFInfo
- Publication number
- CN114004091B CN114004091B CN202111293434.1A CN202111293434A CN114004091B CN 114004091 B CN114004091 B CN 114004091B CN 202111293434 A CN202111293434 A CN 202111293434A CN 114004091 B CN114004091 B CN 114004091B
- Authority
- CN
- China
- Prior art keywords
- signal
- ceemdan
- bayesian network
- network
- modal
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于CEEMDAN‑BNs的风力变桨距系统故障诊断方法,包括:在故障状态的样本时间序列信号中加入白噪声,进行CEEMDAN模态分解,获取多个模态分量信号的IMF和余量信号;选取IMF信号中信噪比高且相关系数大的模态分量,通过希尔伯特变换构建能量特征矩阵;对能量特征矩阵进行区间划分;根据划分后的能量特征矩阵及专家先验知识,构建贝叶斯网络拓扑结构;通过爬山算法搜索出贝叶斯网络的最优网络拓扑结构;训练贝叶斯网络,将待诊断信号输入训练好的贝叶斯网络获得故障诊断结果。本发明结合CEEMDAN算法通过特征提取构建贝叶斯网络,在改善准确性的同时,实现贝叶斯网络结构的简化和对网络训练速度的提升。
Description
技术领域
本发明涉及故障诊断技术领域,具体涉及基于CEEMDAN-BNs的风力变桨距系统故障诊断方法。
背景技术
风力发电机组具有设备庞大,造价极高,结构复杂的特点,且一般处于戈壁荒漠、高原或海上等相对偏远的地区,因此在运行的过程中一旦某个子系统损坏出现故障无法及时进行维修,由此将引发故障程度加重,甚至可能会导致相邻系统发生故障从而造成较大的经济损失,因此风机的故障诊断和状态检测对于日常运行维护十分重要。风力变桨距系统是维持风机安全稳定运行的重要子系统,是风电机组的高频故障部件之一,通过对叶片角度的调整来保证风电机组的安全运行。因此变桨距系统对风力发电机的气动特性和机械特性有着重要的影响,维持稳定有效的变桨距系统对风电机组的可靠性和稳定性尤为重要。
变桨距系统的低转速、随机负载以及复杂运行环境导致系统在故障诊断过程中容易造成数据耦合复杂、微小故障难以发现等问题。而贝叶斯贝叶斯网络适合表达大型工业过程中的复杂因果关系,其对算法的结合能力、模型的更新能力以及可解释性的优点,在解决故障特征和故障征兆的不确定性导致的故障分类不准确的问题具有优势,因此选用贝叶斯网络解决风电机组的复杂故障问题。
贝叶斯网络(Bayesian network,BN)是基于贝叶斯理论的一种模型推理方法,它通过建立因果关系模型,利用观测值更新后验分布,实时性的对结果进行预测。贝叶斯网络具有分类精度较高,不易受冗余信息的影响的优势。建立贝叶斯网络模型,首先必须确定贝叶斯网络结构中每个节点的因果关系。然后通过数据、先验知识确立拓扑结构的条件概率分布,再应用于故障检测和分类中。此方法在故障诊断中,能够有效利用数据特征信息,消除数据耦合性对故障诊断结果准确性的影响。经典的贝叶斯网络通常由专家知识以及机械的系统结构为基础构建贝叶斯网络拓扑结构,但是大型机械系统的贝叶斯网络建立复杂,同时由于网络结构复杂导致贝叶斯网络的条件概率分布获取难度大,对贝叶斯网络在故障诊断中的应用造成限制。
因此,本发明提出了一种新的基于CEEMDAN-BNs的风力变桨距系统故障诊断方法。
发明内容
为解决上述问题,本发明针对真实环境下的变桨距系统故障诊断的准确性和贝叶斯网络结构学习的复杂性,结合CEEMDAN算法(自适应完备噪声经验模态分解算法)通过特征提取构建贝叶斯网络,在改善准确性的同时,实现贝叶斯网络结构的简化和对网络训练速度的提升。
为实现上述目的,本发明提供了如下的技术方案。
一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法,包括以下步骤:
在故障状态的样本时间序列信号中加入白噪声,进行CEEMDAN模态分解,获取多个模态分量信号的IMF和余量信号;
选取IMF信号中信噪比高且相关系数大的模态分量,通过希尔伯特变换对模态分量的瞬时频率和幅值进行计算,构建希尔伯特边际谱,通过希尔伯特边际谱构建能量特征矩阵;
对能量特征矩阵进行区间划分,将连续的特征值空间划分为有限个区域,并形成有限个状态;
根据划分后的能量特征矩阵及专家先验知识,构建贝叶斯网络拓扑结构;通过爬山算法搜索出贝叶斯网络的最优网络拓扑结构;
训练贝叶斯网络,将待诊断信号输入训练好的贝叶斯网络获得故障诊断结果。
优选地,所述样本时间序列信号的获取,包括:
对风电机组的仿真模型进行监测,采集故障状态下的振动信号,对采集的信号进行数据分割和预处理,获得故障状态的样本时间序列信号。
优选地,所述CEEMDAN模态分解包括以下步骤:
确定样本时间序列信号为x(n),加入高斯白噪声ωi(n)得到新的加噪信号:
xi(n)=x(n)+σ0ωi(n)
式中,σ为白噪声标准差;
对新的噪声信号xi(n)进行m次分解,得到第一阶的模态函数:
在第一阶段分解之后得到一阶余量信号:
对一阶余量信号r1(n)加入白噪声进行重构得到新的余量信号:
r1(n)+σ1M1(ωi(n))
进行经验模态分解,得到第一个模态函数时停止,计算获得CEEMDAN的第二个模态函数:
以上步骤类推,当k=2,3,…,K,则第k个余量信号为:
如上对第k个余量信号rk(n)继续进行经验模态分解,得到第一个模态函数时停止,获得CEEMDAN的第k+1模态函数:
循环执行,直至余量信号无法分解,最终余量满足:
式中:K为CEEMDAN算法分解到的模态个数;样本时间序列信号x(n)最终表示为:
优选地,所述通过希尔伯特边际谱构建能量特征矩阵,包括以下步骤:
通过峭度准则对模态分量进行筛选,选取模态分量中故障信息最多的分量,峭度准则公式如下:
式中:x为原始信号;α为信号均值;δ为信号的标准差;
对模态分量进行提取边际谱能量特征,将其均分为K个分解序列,并计算能量特征,构建能量特征矩阵,如下表达式:
式中:K为边际谱带宽;m为模态分量带宽;gi(ω)为第i个子频带。
优选地,所述对能量特征矩阵进行区间划分,具体包括:
将取值范围划分为数个空间,最后用不同的符号对特征值所处的状态进行表示,划分方法如下:
式中:An为划分的区间符号,xn为样本信号的空间划分点。
优选地,所述通过爬山法搜索出贝叶斯网络的最优网络拓扑结构,具体包括以下步骤:
从训练集中识别节点集,并构建初始结构和结构参数的最大似然估计;
对初始网络结构及结构参数进行评分;再对网络进行加减或删除有向边重构网络结构及结构参数并进行评分;
比较两个网络的评分并对评分高的网络再进行加减或删除边的操作;
循环直至评分函数不再更新,输出网络拓扑结构。
优选地,还包括:通过最大似然估计对贝叶斯网络的参数进行训练。
本发明有益效果:
本发明提出一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法,其中:
(1)整个方法降低了数据维度,减少了噪声对后续分析的影响;
(2)CEEMDAN作为改进的经验模态分解方法,能够有效改善端点效应和模态混叠;
(3)以能量特征值为节点,有效简化了贝叶斯网络结构的学习;
(4)在贝叶斯网络拓扑结构的建立中,考虑以能量特征值、负载、故障类型作为网络节点学习得出评分最优的网络结构,有效缩减了网络训练时长。
附图说明
图1是本发明实施例的方法流程图;
图2是本发明实施例的风机变桨距故障诊断贝叶斯网络模型图;
图3是本发明实施例的变桨距系统仿真图;
图4是本发明实施例的数据展示图;
图5是本发明实施例的时域波形图;
图6是本发明实施例的CEEMDAN频域图;
图7是本发明实施例的样本信号CEEMMDAN模态分解图;
图8是本发明实施例的贝叶斯网络诊断模型图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
如图1所示,本发明的一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法,包括以下步骤:
S1、在故障状态的样本时间序列信号中加入白噪声,进行CEEMDAN模态分解,获取多个模态分量信号的IMF和余量信号。
对风电机组的仿真模型进行监测,采集故障状态下的振动信号,对采集的信号进行数据分割和预处理,获得故障状态的样本时间序列信号。
自适应噪声完备经验模态分解(CEEMDAN)作为一种自适应、完全非递归的时频分析方法,能够将多分量信号一次性分解为多个单分量信号,利用迭代搜索在求解时自适应匹配每个单分量信号的中心频率和有效带宽,有效抑制了经验模态分解(EMD)方法容易出现的端点效应和模态混叠现象。
CEEMDAN能够增强非线性和复杂度较高的时序信号的平稳性,分解获得的不同频率的子序列,适用于非平稳性的序列,具体的:
确定样本时间序列信号为x(n),加入高斯白噪声ωi(n)得到新的加噪信号:
xi(n)=x(n)+σ0ωi(n)
式中,σ为白噪声标准差;
对新的噪声信号xi(n)进行m次分解,得到第一阶的模态函数:
在第一阶段分解之后可得到一阶余量信号:
对一阶余量信号r1(n)加入白噪声进行重构得到新的余量信号:
r1(n)+σ1M1(ωi(n))
对其进行经验模态分解,得到第一个模态函数时停止,计算获得CEEMDAN的第二个模态函数:
以上步骤类推,当k=2,3,…,K,则第k个余量信号为:
如上对第k个余量信号rk(n)继续进行经验模态分解,得到第一个模态函数时停止,获得CEEMDAN的第k+1模态函数:
循环执行,直至余量信号无法分解,最终余量满足:
式中:K为CEEMDAN算法分解到的模态个数。样本时间序列信号x(n)最终表示为:
S2、选取IMF信号中信噪比高且相关系数大的模态分量,通过希尔伯特变换对模态分量的瞬时频率和幅值进行计算,构建希尔伯特边际谱,通过希尔伯特边际谱构建能量特征矩阵。具体的:
本发明所使用的Hilbret边际谱(Marginal Spectrum)通过在时间轴上对Hilbret谱进行积分,将幅值、时间、频率三者的关系通过积分体现在幅值、频率两者上。对幅值在频率轴上分布的描述,对模态分量求希尔伯特变换如下式:
式中:ci(t)为第i个模态分量。
对模态分量的瞬时幅值和频率进行计算:
在希尔伯特边际谱中,如果在某一个频率上能量出现的越高,则表示该频率的波在信号时间内出现的概率较高。因此认为在一定程度上,Hibert边际谱具有概率属性。从希尔伯特谱积分得到的边际谱,是对幅值-频率-时间分布的一种加权,权重则为每个时间-频率单元的幅值。
进一步的,通过峭度准则对模态分量进行筛选,选取模态分量中故障信息最多的分量,峭度准则公式如下:
式中:x为原始信号;α为信号均值;δ为信号的标准差;
对模态分量进行提取边际谱能量特征,将其均分为K个分解序列,并计算能量特征,构建能量特征矩阵,如下表达式:
式中:K为边际谱带宽;m为模态分量带宽;gi(ω)为第i个子频带。
S3、对能量特征矩阵进行区间划分,将连续的特征值空间划分为有限个区域,并形成有限个状态;
本发明采用贝叶斯网络进行分类,因此需要对连续的特征值空间进行离散化,设定数个离散的划分点,将取值范围划分为数个空间,最后用不同的符号对特征值所处的状态进行表示,划分方法如下:
式中:An为划分的区间符号,xn为样本信号的空间划分点。
S4、根据划分后的能量特征矩阵及专家先验知识,构建贝叶斯网络拓扑结构;通过爬山算法搜索出贝叶斯网络的最优网络拓扑结构,具体的:
从训练集中识别节点集,并构建初始结构和结构参数的最大似然估计;
对初始网络结构及结构参数进行评分;再对网络进行加减或删除有向边重构网络结构及结构参数并进行评分;
比较两个网络的评分并对评分高的网络再进行加减或删除边的操作;
循环直至评分函数不再更新,输出网络拓扑结构。
本实施例共使用2000组风机变桨距故障数据作为训练集进行特征提取用于对网络拓扑结构的学习,采用爬山搜索算法得出的贝叶斯网络结构如图2所示。
贝叶斯网络由七个子频带特征值和负载作为贝叶斯网络的子节点,故障类别作为贝叶斯网络的父节点组成。图1中故障类别为风机的十种故障状态;将七个子频带的频率空间状态分别划分为:
0~50Hz={S0,S1,S2,S3};
50Hz~100Hz={S0,S1,S2,S3};
100Hz~150Hz={S0,S1,S2,};
150Hz~200Hz={S0,S1,S2};
200Hz~250Hz={S0,S1,S2};
250Hz~300Hz={S0,S1,S2};
300Hz~350Hz={S0,S1}。
S5、通过最大似然估计对贝叶斯网络的参数进行训练,将待诊断信号输入训练好的贝叶斯网络获得故障诊断结果。
本实施例中,
为了在真实数据集中验证本方法的可行性和有效性,采用了CWRU公开的滚动轴承故障数据,该数据由轴承传动系统试验台获取,采用电火花技术(EDM)对电机轴承(SKF轴承)进行故障播种。在2hp载荷下采用48kHz的频率采集实验产生的轴承驱动端数据。该类数据包含正常状态和外圈、内圈、滚动体三种故障状态。外圈故障是在六点钟放置损伤点。每种故障状态分为宽度为0.007英寸、0.014英寸、0.021英寸的故障程度。因此,本实施例使用九种故障和正常状态共10种轴承状态。对原始数据选取样本长度为2048,步长为480,通过重采样进行分割,每种状态共获取1000组样本。因此实验中共使用10000组样本,每种状态1000组。每种状态下随机选取90%组成训练集,剩余的10%组成测试集,故障样本分布见下表1所示。
表1故障样本标签具体分布
本实施例数据由在Simulink中搭建的基准模型和故障状态模型运行产生,该模型能够很好的模拟实际风速下风机的运行情况。如图3所示给出同一采样时间段内随着风速的变化,模型的桨距角和风电机组的输出功率随之变化的仿真过程。从图中风机系统整体运行情况可看出,在风速较小时桨距角几乎没有变化,风电系统随着风速的增长,输出功率在增长;当风速变快时,桨距角开始发生变化,使风电系统的输出功率稳定在一个极值附近,也就是起到了一个制动作用,对整个风机系统起到了保护作用。
本实施例设置的故障发生时间集中于20000s到45000s之间。在图中观察可得,在故障发生时间内,变桨距系统的桨距角发生了跳变,系统的输出功率也出现较大波动,因此对设置的故障发生期间的振动信号数据进行采集。实验共采集9种故障样本及正常数据样本的时间连续样本点各100万个。然后通过对每一种数据进行滑动窗口分割数据。分割样本标准为每个样本集为1000个样本点,每种状态样本各1000组。具体故障细节描述见下表2所示。故障状态F1-F8故障数据分割后的样本展示见下图4所示。
表2风力发电机组故障类型描述
本实施例通过构建完整的风力发电机组基准模型和主要常见故障模型,获得各常见故障状态的风机仿真数据并进行数据处理应用于方法验证,并使用西储大学的轴承故障数据进行验证。为了说明CEEMDAN的Hilbert边际谱特征提取的有效性,以一个叶片的桨距角传感器卡死故障样本进行印证。下图5所示为该样本的时域波形图。
对该叶片桨距角传感器卡死故障样本信号进行CEEMDAN,其噪声标准差为0.18,平均次数为100次。其CEEMDAN分解结果如图6,图7所示,从图中我们可以得出,CEEMDAN共分解成10个模态分量,其中第10个分量为余量信号,其中从第1个模态分量到第10个模态分量波形的混叠现象减弱,中心频率由高向低分布。同时,由频谱图可看出,从第7阶往后的模态分量的中心频率相差极小,所含样本信息明显减少,因此本实施例在网络结构寻优时选用前7个IMF。
通过CEEMDAN,选取前7个模态分量作为子频带,通过上文Hilbert边际谱求取能量特征矩阵,该样本信息的能量向量如表3所示。
表3示例样本特征向量
利用训练样本的特征能量矩阵对图的网络结构进行参数训练,完成贝叶斯网络的训练,利用训练好的贝叶斯网络进行故障推理,示例样本的推理结果如图8所示,从图中可知,诊断结果为S0的诊断概率为7%;结果为S2的概率为89%;结果为S4的结果是4%,因此贝叶斯网络判断该信号为A3桨距角传感器卡死故障,诊断结果和实际情况吻合。
表4中对CEEMDAN-BNs、VMD-SVM、VMD-KNN、PSO-VMD-BNs、四种方法的故障诊断准确性进行了对比,从表中可以看出,本发明所提出的基于CEEMDAN-BNs的风机变桨矩系统故障诊断方法具有更高的诊断准确率。相较于EMD-SVM、EMD-KNN故障诊断方法,准确度提升较大,表明CEEMDAN模态分解方法对传统EMD方法能够有效改善端点效应和模态混叠,同时BNs算法相较于SVM(支持向量机)和KNN(最邻近结点算法)方法有更高的准确性;同时用本文方法与最新文献中提出的PSO-VMD-BNs在1000组测试样本时的准确率相对比,提高了2.8%,以此说明本发明所用的CEEMDAN特征提取有更好的效果。在轴承故障数据中方法的应用结果如表5所示,实验验证了该方法在真实数据应用中的有效性。
表4实验结果对比表
表5轴承故障实验结果对比表
通过自适应噪声完备模态分解改善了经验模态分解在进行信号分解时易出现的模态混叠和端点效应,对样本时间序列信号的分解和通过希尔伯特边际谱的能量特征提取,为贝叶斯网络模型构建了一个完整的变量关系,然后通过对数据的离散化处理,满足了贝叶斯网络进行参数学习时对数据空间有限的先决条件,最后完成了贝叶斯网络的训练和风力变桨矩系统精确的故障诊断。本发明通过和部分实验进行对比,突出了本发明提出的特征提取方法和故障分类方法的优越性。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法,其特征在于,包括以下步骤:
在故障状态的样本时间序列信号中加入白噪声,进行CEEMDAN模态分解,获取多个模态分量信号的IMF和余量信号;
选取IMF信号中信噪比高且相关系数大的模态分量,通过希尔伯特变换对模态分量的瞬时频率和幅值进行计算,构建希尔伯特边际谱,通过希尔伯特边际谱构建能量特征矩阵;
对能量特征矩阵进行区间划分,将连续的特征值空间划分为有限个区域,并形成有限个状态;
根据划分后的能量特征矩阵及专家先验知识,构建贝叶斯网络拓扑结构;通过爬山算法搜索出贝叶斯网络的最优网络拓扑结构;
训练贝叶斯网络,将待诊断信号输入训练好的贝叶斯网络获得故障诊断结果;
所述通过希尔伯特边际谱构建能量特征矩阵,包括以下步骤:
通过峭度准则对模态分量进行筛选,选取模态分量中故障信息最多的分量,峭度准则公式如下:
式中:x为原始信号;α为信号均值;δ为信号的标准差;
对模态分量进行提取边际谱能量特征,将其均分为K个分解序列,并计算能量特征,构建能量特征矩阵,如下表达式:
式中:L为边际谱带宽;m为模态分量带宽;gi(ω)为第i个子频带;
所述对能量特征矩阵进行区间划分,具体包括:
将取值范围划分为数个空间,最后用不同的符号对特征值所处的状态进行表示,划分方法如下:
式中:An为划分的区间符号,xn为样本信号的空间划分点;
所述通过爬山法搜索出贝叶斯网络的最优网络拓扑结构,具体包括以下步骤:
从训练集中识别节点集,并构建初始结构和结构参数的最大似然估计;
对初始网络结构及结构参数进行评分;再对网络进行加减或删除有向边重构网络结构及结构参数并进行评分;
比较两个网络的评分并对评分高的网络再进行加减或删除边的操作;
循环直至评分函数不再更新,输出网络拓扑结构。
2.根据权利要求1所述的基于CEEMDAN-BNs的风力变桨距系统故障诊断方法,其特征在于,所述样本时间序列信号的获取,包括:
对风电机组的仿真模型进行监测,采集故障状态下的振动信号,对采集的信号进行数据分割和预处理,获得故障状态的样本时间序列信号。
3.根据权利要求1所述的基于CEEMDAN-BNs的风力变桨距系统故障诊断方法,其特征在于,所述CEEMDAN模态分解包括以下步骤:
确定样本时间序列信号为x(n),加入高斯白噪声ωi(n)得到新的加噪信号:
xi(n)=x(n)+σ0ωi(n)
式中,σ为白噪声标准差;
对新的噪声信号xi(n)进行s次分解,得到第一阶的模态函数:
在第一阶段分解之后得到一阶余量信号:
对一阶余量信号r1(n)加入白噪声进行重构得到新的余量信号:
r1(n)+σ1M1(ωi(n))
进行经验模态分解,得到第一个模态函数时停止,计算获得CEEMDAN的第二个模态函数:
以上步骤类推,当k=2,3,…,K,则第k个余量信号为:
如上对第k个余量信号rk(n)继续进行经验模态分解,得到第一个模态函数时停止,获得CEEMDAN的第k+1模态函数:
循环执行,直至余量信号无法分解,最终余量满足:
式中:K为CEEMDAN算法分解到的模态个数;样本时间序列信号x(n)最终表示为:
4.根据权利要求1所述的基于CEEMDAN-BNs的风力变桨距系统故障诊断方法,其特征在于,还包括:通过最大似然估计对贝叶斯网络的参数进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111293434.1A CN114004091B (zh) | 2021-11-03 | 2021-11-03 | 一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111293434.1A CN114004091B (zh) | 2021-11-03 | 2021-11-03 | 一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114004091A CN114004091A (zh) | 2022-02-01 |
CN114004091B true CN114004091B (zh) | 2023-04-18 |
Family
ID=79927176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111293434.1A Active CN114004091B (zh) | 2021-11-03 | 2021-11-03 | 一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004091B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114992063B (zh) * | 2022-05-06 | 2023-05-16 | 国能信控互联技术有限公司 | 一种自动化风机叶片故障检测方法及系统 |
CN115446662B (zh) * | 2022-07-22 | 2023-10-10 | 湖南工业大学 | 一种基于ceemdan-iftc-psr的刀具振动信号处理方法 |
CN116679617B (zh) * | 2023-07-27 | 2023-09-29 | 兰州理工大学 | 一种复杂曲面数控加工工艺规划自动生成方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105784366A (zh) * | 2016-03-30 | 2016-07-20 | 华北电力大学(保定) | 一种变转速下的风电机组轴承故障诊断方法 |
CN108285071A (zh) * | 2018-01-25 | 2018-07-17 | 暨南大学 | 一种基于贝叶斯网络的电梯健康诊断方法 |
CN109632311A (zh) * | 2019-01-21 | 2019-04-16 | 北京化工大学 | 一种自适应声信号轴承故障诊断方法 |
CN109948597B (zh) * | 2019-04-26 | 2022-06-07 | 福州大学 | 一种高压断路器机械故障诊断方法 |
-
2021
- 2021-11-03 CN CN202111293434.1A patent/CN114004091B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114004091A (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114004091B (zh) | 一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法 | |
Biggio et al. | Prognostics and health management of industrial assets: Current progress and road ahead | |
Chen et al. | Fault feature extraction and diagnosis of rolling bearings based on wavelet thresholding denoising with CEEMDAN energy entropy and PSO-LSSVM | |
Qin et al. | The fault diagnosis of rolling bearing based on ensemble empirical mode decomposition and random forest | |
Zhou et al. | Bearing fault recognition method based on neighbourhood component analysis and coupled hidden Markov model | |
Sun et al. | Fast bearing fault diagnosis of rolling element using Lévy Moth-Flame optimization algorithm and Naive Bayes | |
Cococcioni et al. | Robust diagnosis of rolling element bearings based on classification techniques | |
Lin et al. | Hyper-spherical distance discrimination: A novel data description method for aero-engine rolling bearing fault detection | |
CN111504635B (zh) | 基于差分进化概率神经网络的行星齿轮故障诊断方法 | |
CN110941928A (zh) | 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法 | |
CN111241673A (zh) | 用于噪声环境工业设备的健康状态预测方法 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
Yang et al. | Gearbox fault diagnosis based on artificial neural network and genetic algorithms | |
CN112749744B (zh) | 基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法及系统 | |
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 | |
CN112633098A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
Hui et al. | A hybrid artificial neural network with Dempster-Shafer theory for automated bearing fault diagnosis | |
Laala et al. | Bearing faults classification based on wavelet transform and artificial neural network | |
Tan et al. | Fault diagnosis method for rolling bearing based on VMD and improved SVM optimized by METLBO | |
Uddin et al. | Distance and Density Similarity Based Enhanced k‐NN Classifier for Improving Fault Diagnosis Performance of Bearings | |
CN110222390B (zh) | 基于小波神经网络的齿轮裂纹识别方法 | |
Zurita et al. | A review of vibration machine diagnostics by using artificial intelligence methods | |
Sun et al. | Application of deep belief networks for precision mechanism quality inspection | |
Zhou et al. | Bearing fault diagnosis based on RF-PCA-LSTM model | |
Fahim et al. | Uncertainty awareness in transmission line fault analysis: A deep learning based approach |
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 |