CN115434872A - 一种基于avmd与改进rssd的风电机组齿轮箱复合故障诊断方法 - Google Patents
一种基于avmd与改进rssd的风电机组齿轮箱复合故障诊断方法 Download PDFInfo
- Publication number
- CN115434872A CN115434872A CN202210959393.3A CN202210959393A CN115434872A CN 115434872 A CN115434872 A CN 115434872A CN 202210959393 A CN202210959393 A CN 202210959393A CN 115434872 A CN115434872 A CN 115434872A
- Authority
- CN
- China
- Prior art keywords
- signal
- rssd
- wind turbine
- turbine generator
- resonance
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000002131 composite material Substances 0.000 title claims abstract description 31
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 208000025531 adult-onset foveomacular vitelliform dystrophy Diseases 0.000 title claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 239000006185 dispersion Substances 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 6
- 238000005295 random walk Methods 0.000 claims description 25
- 241000287127 Passeridae Species 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 11
- 230000009467 reduction Effects 0.000 abstract description 7
- 238000000926 separation method Methods 0.000 abstract description 5
- 150000001875 compounds Chemical class 0.000 abstract description 4
- 230000001133 acceleration Effects 0.000 abstract description 3
- 239000002245 particle Substances 0.000 abstract 1
- 239000000306 component Substances 0.000 description 66
- 230000000737 periodic effect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- F03D15/00—Transmission of mechanical power
-
- 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
- F03D9/00—Adaptations of wind motors for special use; Combinations of wind motors with apparatus driven thereby; Wind motors specially adapted for installation in particular locations
- F03D9/20—Wind motors characterised by the driven apparatus
- F03D9/25—Wind motors characterised by the driven apparatus the apparatus being an electrical generator
-
- 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
- G01M13/021—Gearings
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Acoustics & Sound (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于AVMD与改进RSSD的风电机组齿轮箱复合故障诊断方法，涉及大型旋转类机械设备故障诊断技术领域，包括以下步骤：获取风电机组齿轮箱振动加速度信号，并利用RWSSA寻优算法确定VMD参数；对原始信号进行VMD分解，根据最小散布熵‑频域互相关系数准则，选取最优分量，最优分量重构得到重构信号；利用RWSSA算法对重构信号进行RSSD参数寻优，基于RSSD参数对重构信号进行RSSD分解，获得包含故障成分的高、低共振分量；对高、低共振分量进行1.5维谱分析，与理论故障特征频率对比判定出复合故障类型；通过采用RWSSA算法克服了参数寻优中算法容易陷入局部最小值的问题，采用VMD实现了信号降噪，采用RSSD实现了复合故障的解耦分离，取得良好的诊断效果。
Description
技术领域
本发明涉及大型旋转类机械设备故障诊断技术领域，更具体的是涉及基于AVMD与改进RSSD的风电机组齿轮箱复合故障诊断方法。
背景技术
风能作为一种可再生的清洁能源，在世界范围内被越来越多的国家开发和利用。其中齿轮箱作为风电机组传动系统的核心部件，在复杂苛刻的自然环境下长期工作，很容易发生局部故障而造成严重事故。因此实现风电机组齿轮箱精确的故障诊断与有效状态监测对于避免重大安全事故和降低运营成本具有重要意义。在实际的工程应用中，风电机组齿轮箱的故障通常表现为齿轮与轴承故障所组成的复合故障，采集到的齿轮箱原始振动信号一般为非平稳、非线性信号，且信号中多种特征频率相互耦合混叠并夹杂有强环境噪声，给齿轮箱早期损伤中的复合故障特征信息的提取、分离与识别带来很大困难。
为有效检测复合故障信号，国内外开展了许多基于振动信号处理方法的研究。譬如小波包分解、经验模态分解(EMD)、变分模态分解(VMD)、局部均值分解(LMD)、最大相关峭度解卷积(MCKD)等。上述方法在故障诊断领域取得良好效果，但仍存在一定的局限性：小波包分解中基函数难以确定，影响复合故障特征的准确提取；EMD和LMD方法容易出现的模态混叠、边界效应；VMD方法很好的克服了模态混叠问题，但单一的VMD方法在处理复杂的多分量非平稳信号中难以获得良好的诊断效果；MCKD着重于对单故障共振带的选取，容易受噪声干扰出现漏诊现象。这些局限制约着信号处理方法在旋转机械故障诊断中的应用。共振稀疏分解(RSSD)是2012年提出的一种基于振动信号共振属性的非线性信号分析方法，相较于其他信号处理方法，RSSD方法没有利用频带划分对信号进行分解，而是综合考虑信号的频率和带宽两因素并依据信号中不同成分的品质因子的差异来对信号进行稀疏分解，具有较强的适应性与准确性。近年来，RSSD方法逐渐应用于风电机组齿轮箱的故障诊断领域中。
在现有的研究中，RSSD方法主要依据手动选择或者采用传统的智能优化算法确定最优品质因子，这种得到的品质因子的过程运算时间长，效率较低，应用在RSSD分解中也难以有效分离复合信号中的齿轮故障信号和轴承故障信号，凸显故障特征。同时强背景噪声及干扰信号严重影响RSSD的分解效果。
发明内容
本发明的目的在于：为了解决上述技术问题，本发明提供一种基于AVMD与改进RSSD的风电机组齿轮箱复合故障诊断方法。
本发明为了实现上述目的具体采用以下技术方案：一种基于AVMD与改进RSSD的风电机组齿轮箱复合故障诊断方法，包括以下步骤：
步骤1、采集风电机组齿轮箱中齿轮-轴承复合故障产生的振动信号；
步骤2、设置随机游走麻雀算法的预设参数，以齿轮箱振动信号进行VMD分解后各IMF分量中最小散布熵值为目标函数，使用随机游走麻雀算法对VMD核心参数惩罚因子α和模态分量数k进行寻优，获到最优惩罚因子和模态分量数组合[α0，k0]；
步骤3、以最优惩罚因子α0和模态分量数k0作为预设参数，对风电机组齿轮箱振动信号进行VMD分解，获得一系列不同中心频率的IMF分量；
步骤4、结合散布熵-频域互相关系数准则剔除分解出的高频噪音和虚假干扰分量，选取剩余的IMF分量进行重构得到重构信号；
步骤5、设置随机随机游走麻雀算法的预设参数，以重构信号共振稀疏分解后的高品质分量最小散布熵-频域互相关系数准则为目标函数，使用随机游走麻雀算法对高低品质因子进行寻优，获得最优高品质因子和低品质因子组合[QH，QL]；
步骤6、以最优高品质因子QH和低品质因子QL作为预设参数，对重构信号进行共振稀疏分解，获得包含故障成分的高、低共振分量；
步骤7、对包含有风电机组齿轮箱故障信号的高、低共振分量进行1.5维谱分析，提取故障特征频率，完成复合故障特征的解耦与有效识别。
具体的，所述步骤2中的随机游走麻雀算法是在麻雀搜索算法的基础上引入随机游走策略对得到的初始最优解进行扰动与更新，并经多次迭代得到精确最优解的一种智能算法。
具体的，所述步骤2中的随机游走麻雀算法预设参数包括：种群数量、最大迭代次数、变量区间、随机游走系数，VMD核心参数惩罚因子α和模态分量数k预设变量区间α∈(100,5000)，k∈(3,10)，步长为1，种群数量Pop设置为20，最大迭代次数M设置为30，随机游走系数I设置为1。
具体的，所述步骤4中将散布熵与频域互相关系数结合，提出散布熵-频域互相关系数准则，计算公式如下：
式中：Z表示散布熵-频域互相关系数准则函数，DE(x,m,c,d)表示信号x中的散布熵值，m、d和c分别为散布熵中嵌入维数、时间延迟和类别个数，cm表示散布熵模式个数，
表示每种散布模式
的概率，Cf表示频域内信号xi和yi的互相关系数，Gx和Gy分别为信号x和y信号功率谱，fa为分析频率。
具体的，所述步骤5中，以低品质分量最小散布熵-频域互相关系数准则为目标函数，采用随机游走麻雀算法优化求解共振稀疏分解中的高低品质因子，其目标函数计算公式如下：
式中：fitness表示适应度，ZHigh-IMF表示高品质共振分量的散布熵与频域互相关系数指数值，依据前人经验，高品质因子QH寻优范围设置为[5,50]，低品质因子QL寻优范围设置为[1,5]。
具体的，所述步骤6中利用步骤5求得高、低品质因子QH、QL并将其代入共振稀疏分解得到高、低共振分量，共振稀疏分解过程如下：
(2)RSSD方法采用形态分量分析MCA对信号进行分解，利用重构信号中故障间共振属性的不同把信号分解信号x1和x2，假定信号x1和x2可分别用基函数库S1和S2稀疏表示，MCA构建的稀疏分解目标函数计算公式如下：
式中：λ1与λ2为权重系数，S1和S2分别为高、低共振分量的品质因子可调小波基函数库，W1与W2分别为子信号x0、x1在框架S1、S2下的变换系数；
(2)对(1)中公式采用分裂增广拉格朗日搜索算法(SALSA)，通过迭代更新变换系数W1 *，
获得最小目标函数J，计算出输入信号的高共振分量
和低共振分量
计算公式如下：
本发明的有益效果如下：
1、本发明采用随机游走麻雀算法优化VMD和RSSD参数，具有控制变量少、收敛速度快、全局寻优求解精度高的优点；
2、本发明采用散布熵-频域互相关系数准则，可以有效识别出故障特征信息丰富的模态分量，进一步降低噪声干扰，保存故障特征信息；
3、本发明采用RWSSA-VMD方法对包含齿轮与轴承复合故障的原始信号进行降噪预处理，再结合RWSSA-RSSD方法对降噪后的信号进行复合故障解耦分离，最后利用1.5维谱提取故障特征频率，识别故障特征。所述方法是一种有效的风电机组齿轮箱复合故障诊断方法。
附图说明
图1是本发明的诊断方法的流程图；
图2为RWSSA算法优化VMD、RSSD参数流程图；
图3为实施例的仿真信号的时域图与包络谱图；
图4为VMD分解后各IMF分量的Z值指标图；
图5为RWSSA算法优化RSSD参数迭代变化曲线图；
图6为本实施例RSSD分解所得高共振分量图；
图7为本实施例RSSD分解所得低共振分量图；
图8为传统遗传算法优化RSSD分解所得高共振分量图；
图9为传统遗传算法优化RSSD分解所得低共振分量图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明，在此本发明的示意性实施例以及说明来解释本发明，但并不作为对本发明的限定。
风电机组齿轮箱中齿轮产生局部故障时，转频及其倍频将对齿轮的啮合频率及其谐波进行调制，其振动信号中表现出调幅-调制特性。而风电机组齿轮箱中滚动轴承产生局部故障时，故障元件的固有频率会被故障频率所调制，其振动信号中表现出周期冲击特性。调幅-调制成分为窄带信号，具有较高的频率聚集性，周期冲击成分为宽带信号，具有较高的时间聚集性。RSSD方法用品质因子Q(定义为中心频率和频率带宽的比率)来评估信号的共振属性，并根据信号的共振属性实现振动信号瞬态非振荡成分与周期脉冲成分的有效解耦分离。同时采集到的风电机组齿轮箱振动信号存在强背景噪声和干扰，严重影响RSSD的分解效果。
实施例1
基于上述原因，本实施例提供了一种风电机组齿轮箱复合故障诊断方法，包含振动信号采集、降噪、复合故障解耦、故障特征提取四个模块，如图1所示，具体的实施方式包括以下步骤：
A.振动信号采集模块
步骤1：通过加速度传感器采集风电机组齿轮箱齿轮-轴承复合故障产生的振动信号。
B.振动信号降噪模块
步骤2：设置随机游走麻雀算法的预设参数，以齿轮箱振动信号进行VMD分解后各IMF分量中最小散布熵值为目标函数，使用随机游走麻雀算法对VMD核心参数惩罚因子α和模态分量数k进行寻优，获到最优惩罚因子和模态分量数组合[α0，k0]。
步骤3：以最优惩罚因子α0和模态分量数k0作为预设参数，对风电机组齿轮箱振动信号进行VMD分解，获得一系列不同中心频率的IMF分量。
步骤4：结合散布熵-频域互相关系数准则剔除分解出的高频噪音和虚假干扰分量，选取剩余的IMF分量进行重构得到重构信号。散布熵-频域互相关系数准则计算公式如下：
式中：Z表示散布熵-频域互相关系数准则函数，DE(x,m,c,d)表示信号x中的散布熵值，m、d和c分别为散布熵中嵌入维数、时间延迟和类别个数，cm表示散布熵模式个数，
表示每种散布模式
的概率，Cf表示频域内信号xi和yi的互相关系数，Gx和Gy分别为信号x和y信号功率谱，fa为分析频率。
B.振动信号复合故障解耦分离模块
步骤5：设置随机随机游走麻雀算法的预设参数，以重构信号共振稀疏分解后的高品质分量最小散布熵-频域互相关系数准则为目标函数，使用随机游走麻雀算法对低品质因子进行寻优，获得最优高品质因子和低品质因子组合[QH，QL]。
目标函数计算公式如下：
式中：fitness表示适应度/目标函数，ZHigh-IMF表示高品质共振分量的散布熵与频域互相关系数指数值，依据前人经验，高品质因子QH寻优范围设置为[5,50]，低品质因子QL寻优范围设置为[1,5]。
步骤6：以最优高品质因子QH和低品质因子QL作为预设参数，对重构信号进行共振稀疏分解，获得包含故障成分的高、低共振分量。共振稀疏分解过程如下：
式中：λ1与λ2为权重系数，S1和S2分别为高、低共振分量的品质因子可调小波基函数库，W1与W2分别为子信号x0、x1在框架S1、S2下的变换系数。W1 *和
分别为迭代更新变换系数，
和
分别为输入信号的高共振分量与低共振分量。
C.振动信号故障识别与提取模块
步骤7：对包含有风电机组齿轮箱故障信号的高、低共振分量进行1.5维谱分析，提取故障特征频率，完成复合故障特征的解耦与有效识别。
实施例2(仿真实例)
在本实施例中，结合风电机组齿轮箱齿轮-轴承故障振动模型，构建了一个包含故障齿轮周期性脉冲信号、滚动轴承外圈故障冲击信号、齿轮啮合成分和转轴成分等窄带干扰信号和高斯白噪声的模拟信号。关键参数值如下：采样频率为5120Hz，采样点数为8192。轴旋转频率fr为7.5Hz，轴承外圈故障特征频率fn为40Hz，齿轮故障特征频率fs为75Hz，齿轮啮合频率fm为500Hz，外圈故障共振频率fn为1000Hz，阻尼指数为400，高斯白噪声信噪比为-8dB。
第一步：通过加速度传感器获取风电机组齿轮箱齿轮-轴承复合故障信号，本发明构建了一个包含故障齿轮周期性脉冲信号、滚动轴承外圈故障冲击信号和高斯白噪声的模拟信号，原始信号时域图及包络谱图如图3所示，由图所知，振动信号时域波形图受噪音影响，周期性冲击信号几乎完全被覆盖，包络谱图可以找到轴承与齿轮的故障特征频率及其倍频，但干扰突出成分较多，无法对故障特征进行有效识别与提取。
第二步：指定VMD中最优惩罚因子α和模态分量数k的取值范围，本例α∈(100,5000)，k∈(3,10)，设定RWSSA算法预设参数，以最小散布熵作为目标函数，利用RWSSA算法自适应求得VMD最优参数组合。本例求得最优参数组合[6,1658]，最小散布熵为3.32。
第三步：以最优参数组合作为预设参数，对信号进行VMD分解，得到6个IMF分量，分别计算各模态分量散布熵-频域互相关系数准则指标Z值，将大于平均Z值的模态分量去除，如图4所示，即去除IMF1、IMF4、IMF5、IMF6，选取IMF2和IMF3模态分量进行重构得到重构信号。
第四步：指定RSSD中高品质因子QH和低品质因子QL的取值范围，本例QH∈(5,100)，QL∈(1,5)，冗余度设r1＝r2＝3.5，设定RWSSA算法预设参数，以低共振分量中的最小散布熵-频域互相关系数准则为目标函数，获得最优高品质因子和低品质因子组合。本例求得最优高低品质因子组合[13.65,3.78]，收敛曲线图如图5所示，该图表明RWSSA算法在第2代收敛，得到最小目标函数值为4.57。
第五步：以最优高品质因子QH和低品质因子QL作为预设参数，对重构信号进行共振稀疏分解，获得包含故障成分的高、低共振分量，并进行1.5维谱分析。其结果如图6、如图7所示。
由图6可知，高共振分量1.5维谱中可清楚观察到齿轮局部故障频率fs及其倍频成分，由图7可知，低共振分量1.5维谱中可清楚观察到轴承局部故障频率fo及其倍频成分。因此，可判断定风电机组行星齿轮箱存在齿轮-轴承复合故障，诊断结果与实验结果一致，证明了所提方法的有效性。
为验证本发明中散布熵-频域互相关系数准则指标Z在重构信号中的降噪效果，采用包络谱峰值因子Ec、相关系数r、散布熵DE单一指标选取VMD模态分量重构进行分析对比。同时采用均方根误差(RMSE)和信噪比(SNR)作为去噪效果评价指标。如果RMSE越小，SNR越大，说明降噪效果越好。结果如表1所示：
表1(各指标下均方误差和信噪比值)
| 指标类型 | RMSE | SNR |
| 初始信号 | 0 | -8 |
| Z | 0.238 | -2.36 |
| E<sub>c</sub> | 0.481 | -3.18 |
| DE | 0.548 | -3.37 |
| r | 0.913 | -6.74 |
由表1各指标的对比，采用散布熵-频域互相关系数准则指标Z得到的均方根误差最小，信噪比最大，证明了本文所提方法在去噪效果和性能指标上的有效性。
为验证本发明方法的优越性，不经过VMD降噪，以最小散布熵-频域互相关系数准则值为目标值函数，采用传统的遗传算法优化RSSD参数组合[QH,QL]，得到的共振稀疏分解的高、低共振分量，并进行1.5维谱分析，其结果如图8、如图9所示。
由图8可知，高共振分量1.5维谱无法找出齿轮局部故障频率fs及其倍频，由图9可知，低共振分量1.5维谱虽然可以找出轴承局部故障频率fo及其倍频，但干扰成分幅值较大无法完成行星齿轮箱复合故障的有效解耦分离。因此，本实施例在风电机组齿轮箱复合故障诊断中效果更佳。
以上对本发明实施例所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理，同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于AVMD与改进RSSD的风电机组齿轮箱复合故障诊断方法，其特征在于，包括以下步骤：
步骤1、采集风电机组齿轮箱中齿轮-轴承复合故障产生的振动信号；
步骤2、设置随机游走麻雀算法的预设参数，以齿轮箱振动信号进行VMD分解后各IMF分量中最小散布熵值为目标函数，使用随机游走麻雀算法对VMD核心参数惩罚因子α和模态分量数k进行寻优，获到最优惩罚因子和模态分量数组合[α0，k0]；
步骤3、以最优惩罚因子α0和模态分量数k0作为预设参数，对风电机组齿轮箱振动信号进行VMD分解，获得一系列不同中心频率的IMF分量；
步骤4、结合散布熵-频域互相关系数准则剔除分解出的高频噪音和虚假干扰分量，选取剩余的IMF分量进行重构得到重构信号；
步骤5、设置随机随机游走麻雀算法的预设参数，以重构信号共振稀疏分解后的高品质分量最小散布熵-频域互相关系数准则为目标函数，使用随机游走麻雀算法对高低品质因子进行寻优，获得最优高品质因子和低品质因子组合[QH，QL]；
步骤6、以最优高品质因子QH和低品质因子QL作为预设参数，对重构信号进行共振稀疏分解，获得包含故障成分的高、低共振分量；
步骤7、对包含有风电机组齿轮箱故障信号的高、低共振分量进行1.5维谱分析，提取故障特征频率，完成复合故障特征的解耦与有效识别。
2.根据权利要求1所述的一种基于AVMD与改进RSSD的风电机组齿轮箱复合故障诊断方法，其特征在于：所述步骤2中的随机游走麻雀算法是在麻雀搜索算法的基础上引入随机游走策略对得到的初始最优解进行扰动与更新，并经多次迭代得到精确最优解的一种智能算法。
3.根据权利要求1所述的一种基于AVMD与改进RSSD的风电机组齿轮箱复合故障诊断方法，其特征在于：所述步骤2中的随机游走麻雀算法预设参数包括：种群数量、最大迭代次数、变量区间、随机游走系数，VMD核心参数惩罚因子α和模态分量数k预设变量区间α∈(100,5000)，k∈(3,10)，步长为1，种群数量Pop设置为20，最大迭代次数M设置为30，随机游走系数I设置为1。
4.根据权利要求1所述的一种基于AVMD与改进RSSD的风电机组齿轮箱复合故障诊断方法，其特征在于：所述步骤4中将散布熵与频域互相关系数结合，提出散布熵-频域互相关系数准则，计算公式如下：
式中：Z表示散布熵-频域互相关系数准则函数，DE(x,m,c,d)表示信号x中的散布熵值，m、d和c分别为散布熵中嵌入维数、时间延迟和类别个数，cm表示散布熵模式个数，
表示每种散布模式
的概率，Cf表示频域内信号xi和yi的互相关系数，Gx和Gy分别为信号x和y信号功率谱，fa为分析频率。
5.根据权利要求4所述的一种基于AVMD与改进RSSD的风电机组齿轮箱复合故障诊断方法，其特征在于：所述步骤5中，以低品质分量最小散布熵-频域互相关系数准则为目标函数，采用随机游走麻雀算法优化求解共振稀疏分解中的高低品质因子，其目标函数计算公式如下：
式中：fitness表示适应度，ZHigh-IMF表示高品质共振分量的散布熵与频域互相关系数指数值，依据前人经验，高品质因子QH寻优范围设置为[5,50]，低品质因子QL寻优范围设置为[1,5]。
6.根据权利要求1所述的一种基于AVMD与改进RSSD的风电机组齿轮箱复合故障诊断方法，其特征在于：所述步骤6中利用步骤5求得高、低品质因子QH、QL并将其代入共振稀疏分解得到高、低共振分量，共振稀疏分解过程如下：
(1)RSSD方法采用形态分量分析MCA对信号进行分解，利用重构信号中故障间共振属性的不同把信号分解信号x1和x2，假定信号x1和x2可分别用基函数库S1和S2稀疏表示，MCA构建的稀疏分解目标函数计算公式如下：
式中：λ1与λ2为权重系数，S1和S2分别为高、低共振分量的品质因子可调小波基函数库，W1与W2分别为子信号x0、x1在框架S1、S2下的变换系数；
(2)对(1)中公式采用分裂增广拉格朗日搜索算法(SALSA)，通过迭代更新变换系数W1 *，
获得最小目标函数J，计算出输入信号的高共振分量
和低共振分量
计算公式如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210959393.3A CN115434872A (zh) | 2022-08-11 | 2022-08-11 | 一种基于avmd与改进rssd的风电机组齿轮箱复合故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210959393.3A CN115434872A (zh) | 2022-08-11 | 2022-08-11 | 一种基于avmd与改进rssd的风电机组齿轮箱复合故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115434872A true CN115434872A (zh) | 2022-12-06 |
Family
ID=84241912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210959393.3A Pending CN115434872A (zh) | 2022-08-11 | 2022-08-11 | 一种基于avmd与改进rssd的风电机组齿轮箱复合故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115434872A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116044740A (zh) * | 2023-03-07 | 2023-05-02 | 西安理工大学 | 基于声信号的泵故障诊断方法 |
| CN117332221A (zh) * | 2023-09-26 | 2024-01-02 | 国网江苏省电力有限公司南通供电分公司 | 一种液压机构油内漏超声信号的降噪方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110213566A1 (en) * | 2008-11-24 | 2011-09-01 | Ivica Kopriva | Method Of And System For Blind Extraction Of More Than Two Pure Components Out Of Spectroscopic Or Spectrometric Measurements Of Only Two Mixtures By Means Of Sparse Component Analysis |
| US20160085333A1 (en) * | 2013-03-19 | 2016-03-24 | Qeexo Co. | Method and device for sensing touch inputs |
| CN106441871A (zh) * | 2016-10-20 | 2017-02-22 | 哈尔滨工业大学 | 一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法 |
| 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 |
| CN111414893A (zh) * | 2020-04-09 | 2020-07-14 | 北华大学 | 基于vmd精细复合多尺度散布熵的转子故障特征提取方法 |
| CN111638055A (zh) * | 2020-05-18 | 2020-09-08 | 东南大学 | 一种基于共振稀疏分解改进算法的齿轮箱故障诊断方法 |
| US20210010893A1 (en) * | 2019-01-29 | 2021-01-14 | Nanjing Tech University | Device and method for pipeline leak detection using particle swarm optimization-variational mode decomposition algorithm |
| CN112686096A (zh) * | 2020-12-03 | 2021-04-20 | 昆明理工大学 | 基于多尺度散布熵和vpmcd的滚动轴承故障诊断方法 |
| CN113250911A (zh) * | 2021-05-12 | 2021-08-13 | 河北工业大学 | 一种基于vmd分解算法的风机叶片故障诊断方法 |
| CN113532829A (zh) * | 2021-07-15 | 2021-10-22 | 东北石油大学 | 基于改进的rcmde往复压缩机故障诊断方法 |
| US20220050024A1 (en) * | 2019-08-14 | 2022-02-17 | Soochow University | Fault diagnosis method under convergence trend of center frequency |
| CN114118147A (zh) * | 2021-11-17 | 2022-03-01 | 西安交通大学 | 基于改进鲸鱼优化vmd的扭振信号瞬时频率特征提取方法 |
| CN114139293A (zh) * | 2021-08-18 | 2022-03-04 | 福州大学 | 一种滚动轴承故障诊断方法及系统 |
| CN114169110A (zh) * | 2022-02-10 | 2022-03-11 | 中国人民解放军海军工程大学 | 基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法 |
-
2022
- 2022-08-11 CN CN202210959393.3A patent/CN115434872A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110213566A1 (en) * | 2008-11-24 | 2011-09-01 | Ivica Kopriva | Method Of And System For Blind Extraction Of More Than Two Pure Components Out Of Spectroscopic Or Spectrometric Measurements Of Only Two Mixtures By Means Of Sparse Component Analysis |
| US20160085333A1 (en) * | 2013-03-19 | 2016-03-24 | Qeexo Co. | Method and device for sensing touch inputs |
| CN106441871A (zh) * | 2016-10-20 | 2017-02-22 | 哈尔滨工业大学 | 一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法 |
| 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 |
| US20210010893A1 (en) * | 2019-01-29 | 2021-01-14 | Nanjing Tech University | Device and method for pipeline leak detection using particle swarm optimization-variational mode decomposition algorithm |
| US20220050024A1 (en) * | 2019-08-14 | 2022-02-17 | Soochow University | Fault diagnosis method under convergence trend of center frequency |
| CN111414893A (zh) * | 2020-04-09 | 2020-07-14 | 北华大学 | 基于vmd精细复合多尺度散布熵的转子故障特征提取方法 |
| CN111638055A (zh) * | 2020-05-18 | 2020-09-08 | 东南大学 | 一种基于共振稀疏分解改进算法的齿轮箱故障诊断方法 |
| CN112686096A (zh) * | 2020-12-03 | 2021-04-20 | 昆明理工大学 | 基于多尺度散布熵和vpmcd的滚动轴承故障诊断方法 |
| CN113250911A (zh) * | 2021-05-12 | 2021-08-13 | 河北工业大学 | 一种基于vmd分解算法的风机叶片故障诊断方法 |
| CN113532829A (zh) * | 2021-07-15 | 2021-10-22 | 东北石油大学 | 基于改进的rcmde往复压缩机故障诊断方法 |
| CN114139293A (zh) * | 2021-08-18 | 2022-03-04 | 福州大学 | 一种滚动轴承故障诊断方法及系统 |
| CN114118147A (zh) * | 2021-11-17 | 2022-03-01 | 西安交通大学 | 基于改进鲸鱼优化vmd的扭振信号瞬时频率特征提取方法 |
| CN114169110A (zh) * | 2022-02-10 | 2022-03-11 | 中国人民解放军海军工程大学 | 基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法 |
Non-Patent Citations (6)
| Title |
|---|
| LIAN LIU: "Application of RSSD-OCYCBD Strategy in Enhanced Fault Detection of Rolling Bearing", COMPLEXITY, vol. 2020, 11 February 2020 (2020-02-11) * |
| 常勇;包广清;程思凯;陈鹏;: "基于VMD和KFCM的轴承故障诊断方法优化与研究", 西南大学学报(自然科学版), no. 10, 20 October 2020 (2020-10-20) * |
| 杨超;赵荣珍;孙泽金;: "基于SVD-MEEMD与Teager能量谱的滚动轴承微弱故障特征提取", 噪声与振动控制, no. 04, 18 August 2020 (2020-08-18) * |
| 王广书: "复杂工况条件下风电机组齿轮箱故障诊断方法研究", 中国硕士学位论文全文数据库 工程科技Ⅱ辑, 15 March 2024 (2024-03-15) * |
| 邢伟;母卓元;: "基于EIEMD-IMDE-XGBoost模型的短期电力负荷预测", 山西电力, no. 02, 30 April 2020 (2020-04-30) * |
| 陈萌: "基于变分模态分解的风电齿轮箱故障诊断方法研究", 中国硕士学位论文全文数据库 工程科技Ⅱ辑, 15 May 2019 (2019-05-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116044740A (zh) * | 2023-03-07 | 2023-05-02 | 西安理工大学 | 基于声信号的泵故障诊断方法 |
| CN116044740B (zh) * | 2023-03-07 | 2023-09-29 | 西安理工大学 | 基于声信号的泵故障诊断方法 |
| CN117332221A (zh) * | 2023-09-26 | 2024-01-02 | 国网江苏省电力有限公司南通供电分公司 | 一种液压机构油内漏超声信号的降噪方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115434872A (zh) | 一种基于avmd与改进rssd的风电机组齿轮箱复合故障诊断方法 | |
| CN109029977B (zh) | 一种基于vmd-amckd的行星齿轮箱早期故障诊断方法 | |
| CN102866027B (zh) | 基于lmd和局域时频熵的旋转机械故障特征提取方法 | |
| CN107608936B (zh) | 一种行星齿轮箱复合故障特征提取方法 | |
| CN102937522B (zh) | 一种齿轮箱复合故障诊断方法及系统 | |
| CN104483127A (zh) | 一种行星齿轮微弱故障特征信息提取方法 | |
| CN111507221B (zh) | 基于vmd和最大重叠离散小波包变换的齿轮信号去噪方法 | |
| CN104156585B (zh) | 一种基于多项指标特征的双字典匹配追踪轴承故障程度评价方法 | |
| CN106404399B (zh) | 基于自适应冗余提升小波包分解树的轴承故障诊断方法 | |
| CN112945546B (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
| CN109781412A (zh) | 一种基于eemd的滚动轴承自适应共振解调方法 | |
| CN111638055B (zh) | 一种基于共振稀疏分解改进算法的齿轮箱故障诊断方法 | |
| CN105445022A (zh) | 一种基于双树复小波变换-熵特征融合的行星齿轮故障诊断方法 | |
| CN104374575A (zh) | 一种基于盲源分离的风力机主轴承故障诊断方法 | |
| CN107966287B (zh) | 一种自适应机电装备微弱故障特征提取方法 | |
| CN115655455A (zh) | 一种基于自适应噪声变换和随机共振的机械故障诊断方法 | |
| CN106533361A (zh) | 一种基于小波分析的光伏组件故障诊断方法 | |
| Dai et al. | Complex scale feature extraction for gearbox via adaptive multi-mode manifold learning | |
| CN114964769A (zh) | 一种风电齿轮箱振动信号故障诊断方法 | |
| CN115034263A (zh) | 变尺度进化自适应消噪方法、消噪系统及故障诊断系统 | |
| CN114088385B (zh) | 一种改进自适应调频模式分解时频分析方法 | |
| CN113988125A (zh) | 一种基于改进同步压缩变换的扭振信号瞬时频率提取方法 | |
| CN114813123A (zh) | 一种基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 | |
| CN107340133A (zh) | 一种基于拟合提升小波和高阶累积分析的轴承状态监测方法 | |
| CN111582248B (zh) | 一种基于svd的齿轮箱信号降噪方法 |
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 |