CN114781427A - 基于信息融合技术的风力发电机组滚动轴承故障诊断系统 - Google Patents

Abstract

本发明适用于信息融合领域，具体涉及基于信息融合技术的风力发电机组滚动轴承故障诊断系统，包括：信号采集模块，用于对风力发电机组滚动轴承的运行状态进行采集；多角度特征提取模块，用于利用EEMD对发电机振动信号的故障特征进行提取；特征层初步诊断模块，进行优化迭代，建立目标函数，输出优化后的结果，所述决策层信息融合模块用于进行信息融合比对，并进行故障类型区分和故障定位。本发明将信息融合技术引入风力发电机组滚动轴承故障诊断中，通过收集风力发电机组滚动轴承工作时的振动频率数据，利用多种智能算法的优势排除冗余信息、交叉信息、互补信息，从而提高风力发电机组滚动轴承故障诊断的准确率并能更好的定位故障位置。

Description

基于信息融合技术的风力发电机组滚动轴承故障诊断系统

技术领域

本发明涉及信息融合领域，具体涉及基于信息融合技术的风力发电机组滚动轴承故障诊断系统。

背景技术

风能作为绿色、可再生能源，以其丰富、可再生性，并在提供能源的同时不会对环境造成污染，使之成为当今社会解决低碳问题所不可或缺的力量。电动机作为一种机械传动设备，其轴承是电机的主要部件，对于风力发电机机组中涉及到电机的部分，其功能对设备的安全运行起着决定性的作用。在风力发电机组的发电机运行时，一旦其轴承出现缺陷或故障，将造成一系列设备不能正常运行，严重影响设备的运行性能，因此风力发电机机组电机运行时，若发电机组的滚动轴承出现故障则会影响风电机组的正常运行。

诊断风力机滚动轴承的方法和缺点主要有：(1)传统的诊断系统，如噪声检测、红外测温等。方法(1)虽然诊断结果直观、准确度较高，但早期故障不能有效地检测出微弱的故障，而主要依靠经验判断；(2)智能诊断系统如神经网络、遗传算法等。方法(2)可以节省时间，同时对故障进行更精确的判断，尽管通常需要大量的数据来支持诊断的准确性，但由于发电机轴承故障并不常见，这就意味着能够采集到的故障数据较少，无法保证这种方法诊断的准确性；(3)数学诊断系统：例如SVM、混沌分析等。方法(3)可以依靠少量的数据准确判断故障，而且方法(3)可以随着计算机技术和数学理论的不断发展而不断改进，但是方法(3)中的前期数据处理部分会严重影响最终的诊断结果的准确性。

选择合适的数据处理方法尤为重要，但是，这些方法仍存在着故障样本数据少、诊断结果准确度低等问题。

发明内容

本发明实施例的目的在于提供基于信息融合技术的风力发电机组滚动轴承故障诊断系统，旨在解决背景技术第三部分中提出的问题。

本发明实施例是这样实现的，基于信息融合技术的风力发电机组滚动轴承故障诊断系统，其特征在于，包括：

信号采集模块，所述信号采集模块用于对风力发电机组滚动轴承的运行状态进行采集，采用振动传感器来检测轴承的振动状态，将所采集到的振动信号转换成电信号，再通过A/D转换成数字量进行计算机处理，将处理后的滚动轴承振动信号通过小波包分解和重构进行信号去噪处理，所述运行状态包括发电机组滚动轴承正常运行、发电机组滚动轴承内圈故障、发电机组滚动轴承外圈故障和发电机组滚动轴承滚动体故障；

多角度特征提取模块，所述多角度特征提取模块用于利用EEMD对发电机振动信号的故障特征进行提取，将所提取的各IMF分量进行数据规范化与数据集划分，其中所提取的正常运行状态的滚动轴承的IMF分量为后续的故障辨别提供对比依据，各类故障的IMF 分量用于辨别故障种类及故障部位，将上述数据集排列为二维数据图像，并将其划分为训练集和测试集，建立CNN模型，将CNN模型中的全连接层改进为仅调整特征图形状的1×1 的卷积层叠加一个全局均值化层，使用CNN模型的数值型参数初始化BP神经网络，其中数值型参数包括C₁中的卷积核个数、卷积核尺寸以及卷积步长和C₂中的卷积核个数、卷积核尺寸以及卷积步长，还包括CNN模型的学习率；

特征层初步诊断模块，特征层初步诊断模块利用BP神经网络进行优化迭代，建立目标函数，输出优化后的结果，所述结果用于区分故障与非故障；

决策层信息融合模块，所述决策层信息融合模块用于根据所采集的运行状态来进行信息融合比对，并进行故障类型区分和故障定位。

优选的，所述BP神经网络中的传输函数为：

优选的，BP神经网络学习过程中目标函数通过梯度下降法得到，其中系统平均误差为：

其中期望输出为y_k，k为期望输出的数量，O_k为实际输出，E为目标函数。

优选的，所述多角度特征提取模块中，选择3层BP神经网络作为故障诊断模型，需确定隐层节点数，根据以下经验公式确定：

式中：n₀为输入节点数，n₁为隐含层节点数，n₂为输出节点数，a为1～10之间的数，所述隐含层节点数为5～14之间。

优选的，所述梯度下降法采用有动量的梯度下降法，具体为：

w_ji(k+1)＝w_ji(k)+η[(1-α)D(k)+αD(k-1)]

式中：D(k)表示k时刻的负梯度，D(k-1)表示k-1时刻的负梯度，η为学习率，α∈(0,1)是动量因子。

优选的，所述决策层信息融合模块采用模糊K-均值聚类方法对融合结果进行诊断决策；

对于样本I＝{i₁,i₂,...,i_n}，设定类及每个样本对各类的初始隶属度建立初始隶属度矩阵U(0)，其中i为类别编号、矩阵的行号，j为样本编号、矩阵的列号，μ_ij表示第j 个元素对第i个类的隶属度，然后求得各类的聚类中心Z_i(L)，L为迭代次数，并计算新的隶属度矩阵U(L+1)，通过迭代，不断调整隶属度至收敛。

优选的，所述小波包分解中，选取Haar函数作为正弦畸变信号的小波基函数，Harr小波函数公式为：

根据信息熵的基本理论，小波包Shannon能量熵公式为：

式中：N为采样信号长度；H_jk为信号的第j层第k个小波包能量熵；ε_jk(i)为各信号点功率与总功率之比。

优选的，采用三层小波包分解，运用Shannon能量熵提取信号的故障特征向量，具体步骤如下：

对采集到的网侧电流进行三层小波包分解，得到最后分解层中8个频带内的分解系数；对故障信号8个频带内的分解系数进行小波包重构，得到8个小波包重构信号W_3i，其中i＝0～7；

设各频段信号W_3i对应的能量为E_3i，则有：

E_3i＝∫|W_3i(t)|²dt

当信号特征能量值E_3i较大时，在分析时需要对特征向量进行归一化处理，T即为归一化的小波包特征向量；

(5)选取除W₃₀外的7个节点的能量作为故障诊断的特征向量。

本发明将来自轴承或多源的信息进行协调优化和综合处理，产生新的有价值的信息，以得出更为准确、可信的结论，将信息融合技术引入风力发电机组滚动轴承故障诊断中，通过收集风力发电机组滚动轴承工作时的振动频率数据，利用多种智能算法的优势排除冗余信息、交叉信息、互补信息，从而提高风力发电机组滚动轴承故障诊断的准确率并能更好的定位故障位置。

附图说明

图1是本发明的功能流程图；

图2是本发明的检测方法结构示意图及判断流程图。

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。

以下结合具体实施例对本发明的具体实现进行详细描述。

本发明解决其技术问题所采用的技术方案是：

提出了一种基于信息融合技术的风力发电机组滚动轴承故障诊断系统，包括信号采集模块、多角度特征提取模块、特征层初步诊断模块和决策层信息融合模块。信号采集模块采用振动传感器来检测轴承的振动状态，采集到的信号是非电量振动信号，首先转换成电信号，再通过A/D转换成数字量进行计算机处理。当仅用一组振动传感器采集到信号时，为了提高诊断精度，将处理后的滚动轴承振动信号通过小波包分解和重构进行信号去噪处理，将处理后的信号发送到多角度特征提取模块，该多角度特征提取模块对处理后的滚动轴承振动信号进行多角度特征提取，包括无量纲特征值、多尺度模糊熵和多尺度散熵特征值，将提取的这些特征值继续发送到特征层初步诊断模块；特征层初步诊断模块将提取的三类特征值分别输入BP神经网络进行初步故障诊断，并将提取的三类特征值分别输入 BP(Back Propagation)神经网络进行初步故障诊断，并将所提取的决策层信息融合模块用于初步故障诊断，将诊断后的结果发送到决策层信息融合模块；所述决策层信息融合模块利用证据融合理论对诊断结果进行决策层融合，将小波包的特征值进行分析处理，并将其作为诊断的依据，输出融合结果。

如图1和2所示，基于信息融合技术的风力发电机组滚动轴承故障诊断系统的工作过程如下：

步骤一：主要是对风力发电机组滚动轴承的四类运行状态：发电机组滚动轴承正常运行、发电机组滚动轴承内圈故障、发电机组滚动轴承外圈故障和发电机组滚动轴承滚动体故障分别进行信号采集，将这四种运行状态采用振动传感器来检测轴承的振动状态，由于采集到的信号是非电量振动信号，所以首先转换成电信号，再通过A/D转换成数字量进行计算机处理。当仅用一组振动传感器采集到信号时，为了提高诊断精度，将处理后的滚动轴承振动信号通过小波包分解和重构进行信号去噪处理。

步骤二：所述的特征提取模块，是指风力机组滚动轴承在运行过程中伴随着许多非线性因素，在产生初期故障时影响很小，使得诸如快速傅里叶变换(FFT)等传统检测方法无法准确地提取风力发电机的故障特征。利用改进的EEMD(EnsembleEmpirical ModeDecomposition)对发电机振动信号的故障特征进行提取，相对于经验模态分解(EmpiricalMode Decomposition,EMD)方法可以有效弱化各IMF(Intrinsic Mode Fuction)分量模态混叠的程度，提取更精确的故障特征。

改进的EEMD方法过程如下：

(1)对提取的原始信号x(t)加入幅值为K高斯白噪声n_i(t)得到下式。

x_i(t)＝x(t)+n_i(t)

式中：i表示第i次对原始信号加入白噪声；x_i(t)为第i次加入白噪声后的信号；n_i(t) 为第i次加入的随机的白噪声。

接着对加噪声后的信号x_i(t)进行EMD分解，得到下式。

式中：C_i,j为第i个加噪信号x_i(t)的M个EMD分解中第j个IMF分量；r_i为第i次加噪信号EMD分解的余项。

(2)由于高斯白噪声频谱的均值为零，可以消除高斯白噪声时域分布参考结构故可对第j个IMF分量的i个不同的分量求平均值，如下式。

同时对i个余项求取平均值如下式。

(3)把M个平均IMF与平均余项相加结合得到信号x(t)的EEMD如下式。

(4)最后将所得到的IMF分量进行分类存放，组成相对应状态所组成的数据集。

步骤三：(1)将由步骤一、二所采集处理的轴承振动信号数据进行标准化处理：

式中：X代表对应X_i经过数据标准化所得的值，X_i代表原始振动信号，X_min代表最小的原始振动信号，X_max代表最大的原始振动信号。

(2)将一维振动信号数据排列为二维数据图像形式，并将其划分为训练集和测试集；

(3)建立初始化的CNN(Convolutional Neural Networks)模型，将CNN中的全连接层改进为仅调整特征图形状的1×1的卷积层叠加一个全局均值化层；

(4)使用改进的CNN模型的数值型参数初始化BP神经网络，其中数值型参数包括C₁中的卷积核个数、卷积核尺寸以及卷积步长和C₂中的卷积核个数、卷积核尺寸以及卷积步长，此外还包括CNN的学习率；

(5)在之前CNN模型基础上进行BP神经网络的优化，输入神经元以i编号，隐含层神经元以j编号，输出神经元以k编号。隐含层的第j个神经元的输入表示为：

第j个神经元的输出为:

O_j＝f(net_j)

输出层第k个神经元的输入为：

相应的输出为：

O_k＝f(net_k)

BP网络的中的传输函数通常取：

BP神经网络学习过程中的误差反向传播过程是通过使一个目标函数(实际输出和期望输出的之差的平方和)的最小化来完成的。这个目标函数可以通过梯度下降法得到。设第 k个输出神经元的期望输出为y_k，而实际输出为O_k，则系统平均误差为：

这里的E即为目标函数。

选择3层BP神经网络作为故障诊断模型，需要确定输入层、隐含层和输出层的节点数。输出数据的维数决定了输入层和输出层节点数。

其次，确定隐含层节点的数量。在本发明的情况下，太多的隐含层节点会导致太长的学习时间，而太少的隐含层节点则会使样本的容错性差，从而导致样本识别能力差。BP神经网络映射的函数若为连续函数，其隐含层就足够了，但是在学习非连续函数时，需要两个隐含层，本发明选择了隐含层。目前尚无确定隐层节点数的方法，可根据以下经验公式初步确定：

式中：n₀为输入节点数，n₁为隐含层节点数，n₂为输出节点数，a为1～10之间的数。根据此公式将隐含层节点数暂定为5～14之间，最终的隐含层节点数以仿真结果最佳为准。

由于滚动轴承运行环境的特殊性、复杂性，以及对故障诊断精度压高要求，本发明在使用BP神经网络进行诊断过程中，发现梯度下降法在修正权值时，只是按照k时刻的负梯度方向修正，并没有考虑到以前积累的经验，即以前时刻的梯度方向，从而常常使学习过程发生振荡，收敛缓慢，从而影响最终诊断结果。为此本发明使用了有动量的梯度下降法以提高收敛速度和计算精度：

w_ji(k+1)＝w_ji(k)+η[(1-α)D(k)+αD(k-1)]

式中：D(k)表示k时刻的负梯度，D(k-1)表示k-1时刻的负梯度，η为学习率，α∈(0,1)是动量因子。

步骤四：决策层信息融合部分采用模糊K-均值聚类方法对融合结果进行诊断决策。

对于样本I＝{i₁,i₂,...,i_n}，首先设定一些类及每个样本对各类的初始隶属度建立初始隶属度矩阵U(0)，其中i为类别编号、矩阵的行号，j为样本编号、矩阵的列号。μ_ij表示第j个元素对第i个类的隶属度，然后求得各类的聚类中心Z_i(L)，L为迭代次数，并计算新的隶属度矩阵U(L+1)，通过迭代，不断调整隶属度至收敛。

本发明将元件分位故障和非故障两类，可疑故障设备集之外的元件为非故障类参与机械部件强度分析，将聚类中心较大者作为故障元件集，故障元件集中隶属度>阈值δ的确定为故障元件。当风力发电机组滚动轴承故障时，信号采集系统所采集的的正弦波电流波形会出现畸变，这些畸变的故障信号中包含了不同开路故障各自的故障信息。通过小波包分析对各种开路故障电流信号进行处理，获得各个节点的能量特征值，会发现在不同故障下各节点对应的能量特征值是不同的。

在小波包分析中，选取Haar函数作为正弦畸变信号的小波基函数，Harr小波函数公式为：

信息熵是在一定状态下对系统的一种信息测度，是系统紊乱程度的一种度量。根据信息熵的基本理论，小波包Shannon能量熵公式为：

式中：N为采样信号长度；H_jk为信号的第j层第k个小波包能量熵；ε_jk(i)为各信号点功率与总功率之比。

小波包的分解层数越多则分辨率越高，但处理速度降低，综合考虑后使用三层小波包分解，运用Shannon能量熵提取信号的故障特征向量方法如下：

(1)对采集到的网侧电流进行三层小波包分解，得到最后分解层中8个频带内的分解系数。

(2)对故障信号8个频带内的分解系数进行小波包重构，得到8个小波包重构信号W_3i，其中i＝0～7。

(3)设各频段信号W_3i对应的能量为E_3i，则有：

E_3i＝∫|W_3i(t)|²dt

(4)风力发电机组滚动轴承故障时会对各段信号能量产生较大影响，当信号特征能量值E_3i较大时，在分析时需要对特征向量进行归一化处理，T即为归一化的小波包特征向量。

(5)特征提取中，发现W₃₀低频信号能量相对于高频信号能量较大，而且W₃₀低频信号在各种故障下能量值变化不大，而其他节点则有较大的变化，因此选取除W₃₀外的7个节点的能量作为故障诊断的特征向量。

风力发电机组滚动轴承故障仿真中，在不同触发角下模拟故障，并通过小波包能量特征提取方法提取故障特征向量，将不同触发角下的特征向量作为神经网络的学习样本，使神经网络具有更强的鲁棒性和适应能力。将其与之前的四种运行状态下所提取特征进行融合分析，得出故障原因分类。

在本发明的一个实施例中：

首先对风力发电机组滚动轴承的四类运行状态：发电机组滚动轴承正常运行、发电机组滚动轴承内圈故障、发电机组滚动轴承外圈故障和发电机组滚动轴承滚动体故障分别进行信号采集，将这四种运行状态采用振动传感器来检测轴承的振动状态，将所采集到的振动信号转换成电信号，再通过A/D转换成数字量进行计算机处理。将处理后的滚动轴承振动信号通过小波包分解和重构进行信号去噪处理。

在上一步所采集信号的基础上利用EEMD对发电机振动信号的故障特征进行提取，提取更精确的故障特征。将所提取的各IMF分量进行数据规范化与数据集划分，其中所提取的正常运行状态的滚动轴承的IMF分量为后续的故障辨别提供对比依据，各类故障的IMF分量则用来辨别故障种类及故障部位。将这些数据集排列为二维数据图像形式，并将其划分为训练集和测试集，建立CNN模型，将CNN中的全连接层改进为仅调整特征图形状的 1×1的卷积层叠加一个全局均值化层，使用CNN模型的数值型参数初始化BP神经网络，其中数值型参数包括C1中的卷积核个数、卷积核尺寸以及卷积步长和C2中的卷积核个数、卷积核尺寸以及卷积步长，此外还包括CNN的学习率。

之后利用BP神经网络进行优化迭代，建立目标函数，将优化后结果送入下一步，用以区分故障与非故障，并且由之前所采集的四种状态来进行信息融合比对后区分故障类型及其故障定位。

当滚动轴承内圈故障时，所采集的振动信息经上述步骤分解迭代处理后，将会被送至故障类样本，即实现故障诊断，又输出种类为四种状态中的内圈故障，即实现故障分类及其定位。由此，风力发电机组的滚动轴承故障检测实现了对内圈故障的检测诊断。

在本发明的一个实施例中：

本实施例实现了一种基于信息融合技术的风力发电机组滚动轴承外圈故障的诊断检测过程。

首先对风力发电机组滚动轴承的四类运行状态：发电机组滚动轴承正常运行、发电机组滚动轴承内圈故障、发电机组滚动轴承外圈故障和发电机组滚动轴承滚动体故障分别进行信号采集，将这四种运行状态采用振动传感器来检测轴承的振动状态，将所采集到的振动信号转换成电信号，再通过A/D转换成数字量进行计算机处理。将处理后的滚动轴承振动信号通过小波包分解和重构进行信号去噪处理。

在上一步所采集信号的基础上利用EEMD对发电机振动信号的故障特征进行提取，提取更精确的故障特征。将所提取的各IMF分量进行数据规范化与数据集划分，其中所提取的正常运行状态的滚动轴承的IMF分量为后续的故障辨别提供对比依据，各类故障的IMF分量则用来辨别故障种类及故障部位。将这些数据集排列为二维数据图像形式，并将其划分为训练集和测试集，建立CNN模型，将CNN中的全连接层改进为仅调整特征图形状的 1×1的卷积层叠加一个全局均值化层，使用CNN模型的数值型参数初始化BP神经网络，其中数值型参数包括C1中的卷积核个数、卷积核尺寸以及卷积步长和C2中的卷积核个数、卷积核尺寸以及卷积步长，此外还包括CNN的学习率。

之后利用BP神经网络进行优化迭代，建立目标函数，将优化后结果送入下一步，用以区分故障与非故障，并且由之前所采集的四种状态来进行信息融合比对后区分故障类型及其故障定位。

当滚动轴承外圈故障时，所采集的振动信息经上述步骤分解迭代处理后，将会被送至故障类样本，即实现故障诊断，又输出种类为四种状态中的外圈故障，即实现故障分类及其定位。由此，风力发电机组的滚动轴承故障检测实现了对外圈故障的检测诊断。

以上所述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 (8)

1.基于信息融合技术的风力发电机组滚动轴承故障诊断系统，其特征在于，包括：

信号采集模块，所述信号采集模块用于对风力发电机组滚动轴承的运行状态进行采集，采用振动传感器来检测轴承的振动状态，将所采集到的振动信号转换成电信号，再通过A/D转换成数字量进行计算机处理，将处理后的滚动轴承振动信号通过小波包分解和重构进行信号去噪处理，所述运行状态包括发电机组滚动轴承正常运行、发电机组滚动轴承内圈故障、发电机组滚动轴承外圈故障和发电机组滚动轴承滚动体故障；

多角度特征提取模块，所述多角度特征提取模块用于利用EEMD对发电机振动信号的故障特征进行提取，将所提取的各IMF分量进行数据规范化与数据集划分，其中所提取的正常运行状态的滚动轴承的IMF分量为后续的故障辨别提供对比依据，各类故障的IMF分量用于辨别故障种类及故障部位，将上述数据集排列为二维数据图像，并将其划分为训练集和测试集，建立CNN模型，将CNN模型中的全连接层改进为仅调整特征图形状的1×1的卷积层叠加一个全局均值化层，使用CNN模型的数值型参数初始化BP神经网络，其中数值型参数包括C₁中的卷积核个数、卷积核尺寸以及卷积步长和C₂中的卷积核个数、卷积核尺寸以及卷积步长，还包括CNN模型的学习率；

特征层初步诊断模块，特征层初步诊断模块利用BP神经网络进行优化迭代，建立目标函数，输出优化后的结果，所述结果用于区分故障与非故障；

决策层信息融合模块，所述决策层信息融合模块用于根据所采集的运行状态来进行信息融合比对，并进行故障类型区分和故障定位。

2.根据权利要求1所述的基于信息融合技术的风力发电机组滚动轴承故障诊断系统，其特征在于，所述BP神经网络中的传输函数为：

3.根据权利要求1所述的基于信息融合技术的风力发电机组滚动轴承故障诊断系统，其特征在于，BP神经网络学习过程中目标函数通过梯度下降法得到，其中系统平均误差为：

其中期望输出为y_k，k为期望输出的数量，O_k为实际输出，E为目标函数。

4.根据权利要求1所述的基于信息融合技术的风力发电机组滚动轴承故障诊断系统，其特征在于，所述多角度特征提取模块中，选择3层BP神经网络作为故障诊断模型，需确定隐层节点数，根据以下经验公式确定：

式中：n₀为输入节点数，n₁为隐含层节点数，n₂为输出节点数，a为1～10之间的数，

所述隐含层节点数为5～14之间。

5.根据权利要求3所述的基于信息融合技术的风力发电机组滚动轴承故障诊断系统，其特征在于，所述梯度下降法采用有动量的梯度下降法，具体为：

w_ji(k+1)＝w_ji(k)+η[(1-α)D(k)+αD(k-1)]

式中：D(k)表示k时刻的负梯度，D(k-1)表示k-1时刻的负梯度，η为学习率，α∈(0,1)是动量因子。

6.根据权利要求1所述的基于信息融合技术的风力发电机组滚动轴承故障诊断系统，其特征在于，所述决策层信息融合模块采用模糊K-均值聚类方法对融合结果进行诊断决策；

对于样本I＝{i₁,i₂,...,i_n}，设定类及每个样本对各类的初始隶属度建立初始隶属度矩阵U(0)，其中i为类别编号、矩阵的行号，j为样本编号、矩阵的列号，μ_ij表示第j个元素对第i个类的隶属度，然后求得各类的聚类中心Z_i(L)，L为迭代次数，并计算新的隶属度矩阵U(L+1)，通过迭代，不断调整隶属度至收敛。

7.根据权利要求1所述的基于信息融合技术的风力发电机组滚动轴承故障诊断系统，其特征在于，所述小波包分解中，选取Haar函数作为正弦畸变信号的小波基函数，Harr小波函数公式为：

根据信息熵的基本理论，小波包Shannon能量熵公式为：

式中：N为采样信号长度；H_jk为信号的第j层第k个小波包能量熵；ε_jk(i)为各信号点功率与总功率之比。

8.根据权利要求7所述的基于信息融合技术的风力发电机组滚动轴承故障诊断系统，其特征在于，采用三层小波包分解，运用Shannon能量熵提取信号的故障特征向量，具体步骤如下：

对采集到的网侧电流进行三层小波包分解，得到最后分解层中8个频带内的分解系数；

对故障信号8个频带内的分解系数进行小波包重构，得到8个小波包重构信号W_3i，其中i＝0～7；

设各频段信号W_3i对应的能量为E_3i，则有：

E_3i＝∫|W_3i(t)|²dt

当信号特征能量值E_3i较大时，在分析时需要对特征向量进行归一化处理，T即为归一化的小波包特征向量；

(5)选取除W₃₀外的7个节点的能量作为故障诊断的特征向量。

Images