CN116205631A - 基于蜻蜓算法的vmd-ceemd风电机组齿轮箱振动故障解析方法 - Google Patents
基于蜻蜓算法的vmd-ceemd风电机组齿轮箱振动故障解析方法 Download PDFInfo
- Publication number
- CN116205631A CN116205631A CN202310210693.6A CN202310210693A CN116205631A CN 116205631 A CN116205631 A CN 116205631A CN 202310210693 A CN202310210693 A CN 202310210693A CN 116205631 A CN116205631 A CN 116205631A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- vmd
- ceemd
- gearbox
- 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.)
- Pending
Links
- 241000238633 Odonata Species 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 230000010355 oscillation Effects 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013024 troubleshooting Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G01M13/021—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
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
Abstract
本发明主要涉及风电机组齿轮故障解析方法。为了解决风电机组齿轮箱振动故障检测中难以对小尺度故障进行时频分离,难以对故障位置进行定位,难以迅速分辨出故障准确信息的问题,本发明提供基于蜻蜓算法的VMD‑CEEMD风电机组齿轮箱故障解析方法,首先通过传感器采集风电机组齿轮箱的振动信号;构造适应度函数;进行蜻蜓算法迭代,输出模态函数个数K、二次惩罚系数α和降噪迭代次数t的最优解;所述最优解进行VMD‑CEEMD模态分解,获取子模态分量;进行子模态时域和频域分析,对比各零件的本振频率,找出风电机组齿轮箱故障信息。
Description
技术领域
本发明主要涉及风电机组齿轮故障解析与检测识别方法领域,尤其是涉及基于蜻蜓算法的VMD-CEEMD风电机组齿轮箱振动故障解析方法。
背景技术
随着绿色能源需求的与日俱增,我国的风力发电产业正处于整体高速发展的阶段,截至2021年,我国风电总装机量累计328480MW。占全国新能源总装机容量的30.44%。但受限于体积与布设地理环境,对于风电机的日常维护极其复杂,其中最易损坏的部位为风电机组齿轮箱,长期高负载运行易造成磨损与错位,单独对其运行状态监测需耗费大量人力物力,急需一种简易便捷的故障解析与排查手段。
发明内容
本发明所要解决的技术问题:
提供一种基于蜻蜓算法的VMD-CEMMD风电机组齿轮箱振动故障解析方法,解决当前风电机组齿轮箱振动故障检测中难以对小尺度故障进行时频分离,难以对故障位置进行定位,难以迅速分辨出故障准确信息的问题。
本发明解决上述技术问题所采用的技术方案:
步骤1:通过传感器采集风电机组齿轮箱的振动信号;
步骤2:构造适应度函数;
步骤3:基于构造的适应度函数进行蜻蜓算法迭代,输出模态函数个数K、二次惩罚系数α和降噪迭代次数t的最优解;
步骤4:使用骤3所述最优解对传感器所采集的风电机组齿轮箱振动信号进行VMD-CEEMD模态分解,获取子模态分量;
步骤5:进行子模态时域和频域分析,对比风电机组齿轮箱中各零件的本振频率,找出风电机组齿轮箱故障信息。
进一步的,步骤3具体包括:初始化N个蜻蜓种群个数,进行群体寻优计算,更新模态函数个数K、二次惩罚系数α和降噪迭代次数t,并代入适应度函数,当适应度函数停止下降保持平稳后在可行域内找到最优解,将模态函数个数K、二次惩罚系数α和降噪迭代次数t的最优解输出。
进一步的,骤4具体包括将,所述最优解代入VMD-CEEMD算法中对传感器获取的风电机组齿轮箱振动信号进行分解,获取子态模量,对子模态分量的个数与时域和频域特征进行统计输出。
进一步的,步骤5具体包括,将所述统计输出的信息与风电机组齿轮箱各零件的本振模态信息进行对比,找出差异常点,提取异常点模态函数,分析其频域和时域的特征,与各零件的本振频率特征进行排查,找出故障点信息。
本发明的有益效果:
本发明所述的基于蜻蜓算法的VMD-CEEMD风电机组齿轮箱振动故障解析方法,在振动信号测量中直接对信号进行分析,快速分解出无混叠的模态子函数,输出振动峰值范围与峰个数。与正常齿轮箱振动的本征模态函数相对比,可对齿轮箱故障进行迅速排查,如果出现异常峰值,通过对峰值点频域所在位置的分析对比各零件的本振频率也可迅速定位故障所在位置。
附图说明
图1为本发明所述基于蜻蜓算法的VMD-CEMMD风电机组齿轮箱振动故障解析方法流程图。
图2为本发明所述蜻蜓算法迭代流程图。
图3为本发明实施例中所述传感器采集的齿轮箱故障信号时域波形图。
图4为本发明实施例中所述适应度函数的迭代过程。
图5本发明实施例所述经VMD-CEMMD经过4层分解后各子模态时域波形图。
图6为本实施例中所述的嵌入式信号采集平台的模块示意图。
具体实施方式
本发明所述基于蜻蜓算法的VMD-CEEMD风电机组齿轮箱振动故障解析方法,将蜻蜓算法用于变分模态分解(VMD)与互补集合经验模态(CEEMD)联合的参数优化,首先通过传感器采集风电机组齿轮箱的振动信号;构造适应度函数;进行蜻蜓算法迭代,输出模态函数个数K、二次惩罚系数α和降噪迭代次数t的最优解;所述最优解进行VMD-CEEMD模态分解,获取子模态分量;进行子模态时域和频域分析,对比各零件的本振频率,找出风电机组齿轮箱故障信息。
实施例:
如图1所示,首先由传感器对目标齿轮振动箱的振动信号进行采集测量,将信号输出值数据处理单元,本实施例中传感器采集的测试信号如图3所示。
在获取信号后根据待分解信号选取最优VMD-CEEMD联合分解参数组合,构造适应度函数用于反映VMD-CEEMD分解效果,适应度函数为: 其中b(f(k,α,t))为模态函数K、二次惩罚系数α、降噪迭代次数t的函数经过希尔伯特解调后的包络值。
利用蜻蜓算法在可行域内模态函数的个数K,二次惩罚系数α和降噪迭代次数t进行寻优迭代输出;设置模态函数K,二次惩罚系数α,以及降噪迭代次数t三个参数为3个寻寻优子空间,每次选取一个参数进行目标参数寻优,其余参数固定,当适应度函数下降趋势如图4所示,纵轴中适应度函数下降表示参数寻优点的结果,当适应度函数停止下降保持平稳后,则迭代结束,表示在可行域内已经找到最优解,将最优解输出;
其中参数寻优的具体流程如图2所示:初始化N个蜻蜓中种群个数,即同步寻优的算子个数,为对每一个种群的参数进行初始化,选取寻优范围内最大值Zmax与最小值Zmin与随机算子p组成初始种群飞行函数Xr=Zmin+p*(Zmax-Zmin),其中p为0-1间的随机数;随机选择一个初始蜻蜓个数,基于单站优化原则,对选定蜻蜓进行寻优计算,确保初始种群中至少有一个蜻蜓个体为可行解,对最大迭代次数IterMax、分离权重s、对齐权重a、凝聚权重c、猎物权重因子f、天敌权重因子e进行初始化,并令迭代次数Iter=1,蜻蜓维度r=0;判断所选择的蜻蜓个体附近是否存在邻居,其目的主要是为了防止个体间的寻优区域重叠,导致寻找到的最优参数为局部最优参数;若有邻居,则进行群体进化计算,分别计算分离度 对齐度/>聚集度/>食物吸引度Fr=D+-D、天敌驱散度Er=D-+D,对所选蜻蜓的个体步长ΔDk+1=(sSr+aAr+cCr+fFr+eEr)+βDk和飞行位置Dk+1=Dk+ΔDk+1进行更新;其中D为当前所选蜻蜓个体的位置,Dj表示第j个临近蜻蜓的位置,J表示种群中与该蜻蜓临近的个体数量,Vj表示第j个临近蜻蜓的飞行速度,D+表示当前计算中最优蜻蜓的位置,D-代表当前计算中最差蜻蜓的位置;若无邻居,则采用初始种群飞行函数Xr=Zmin+e*(Zmax-Zmin)进行随机飞行计算;根据当前维度位置更新后,计算得到新的个体,计算每个个体的适应度函数,即在当前解下的函数值Ep=f(k,α,t),判断更新前后的ΔEp,若ΔEp>0,则说明本次迭代有效,保留当前维度更新参数,若ΔEp<0,则不更新当前参数,继续迭代。使蜻蜓个体计算维度加1,即r=r+1,直至全部维度的更新r=N,判断是否满足误差及迭代次数的结束条件,即误差是否满足要求,或是否达到最大迭代次数要求;若满足,则算法结束,若不满足,则继续进行迭代。
经蜻蜓算法对Ep(k,α,t)的寻优计算,可确定一组使Ep(k,α,t)达到极小值的最优参数k,α,t,将所述最优参数视为最终参数代入VMD-CEEMD算法中对传感器采集的目标振动信号进行信号分解,获取子模态分量,并对子模态的个数和时频域特征进行统计输出,本实施例中对于传感器所采集的目标信号分解结果如图5所示,图5中第一行为采集的原始信号,后4四行为原始信号经过VMD-CEEMD 4层分解后各子模态的时频域结果图。
最后将输出信息与待测目标齿轮箱在正常状态下的本振模态信息进行对比,进行差异比较,找出异常点,提取异常点的模态函数,分析其时频域特征,最终对比各零件的本振频率进行逐一排查,找出故障点信息。
本发明所述设计方法可以由信号处理后级搭载于如图6所示嵌入式信号采集平台,该信号采集平台内包含但不限于电源管理模块、传感器接口、选择性接入信号调理电路、核心控制单元、节点定位模块、数据存储及输出传输接口等组成部分。其中数据处理单元模块作为本发明设计方法中必要模块,测试信号由传感器前端接入后,送至数据处理单元进行分析,最终将分析后的数据信息输出至人机交互系统。
Claims (5)
1.基于蜻蜓算法的VMD-CEEMD风电机组齿轮箱振动故障解析方法,其特征在于,所述方法包括以下步骤:
步骤1:通过传感器采集风电机组齿轮箱的振动信号;
步骤2:构造适应度函数;
步骤3:基于构造的适应度函数进行蜻蜓算法迭代,输出模态函数个数K、二次惩罚系数α和降噪迭代次数t的最优解;
步骤4:使用骤3所述最优解对传感器所采集的风电机组齿轮箱振动信号进行VMD-CEEMD模态分解,获取子模态分量;
步骤5:进行子模态时域和频域分析,对比风电机组齿轮箱中各零件的本振频率,找出风电机组齿轮箱故障信息。
3.根据权利要求2所述的基于蜻蜓算法的VMD-CEEMD风电机组齿轮箱振动故障解析方法,其特征在于,步骤3具体包括:初始化N个蜻蜓种群个数,进行群体寻优计算,更新模态函数个数K、二次惩罚系数α和降噪迭代次数t,并代入适应度函数,当适应度函数停止下降保持平稳后在可行域内找到最优解,将模态函数个数K、二次惩罚系数α和降噪迭代次数t的最优解输出。
4.根据权利要求3所述的基于蜻蜓算法的VMD-CEEMD风电机组齿轮箱振动故障解析方法,其特征在于,步骤4具体包括将,所述最优解代入VMD-CEEMD算法中对传感器获取的风电机组齿轮箱振动信号进行分解,获取子态模量,对子模态分量的个数与时域和频域特征进行统计输出。
5.根据权利要求4所述的基于蜻蜓算法的VMD-CEEMD风电机组齿轮箱振动故障解析方法,其特征在于,步骤5具体包括,将所述统计输出的信息与风电机组齿轮箱各零件的本振模态信息进行对比,找出差异常点,提取异常点模态函数,分析其频域和时域的特征,与各零件的本振频率特征进行排查,找出故障点信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310210693.6A CN116205631A (zh) | 2023-03-07 | 2023-03-07 | 基于蜻蜓算法的vmd-ceemd风电机组齿轮箱振动故障解析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310210693.6A CN116205631A (zh) | 2023-03-07 | 2023-03-07 | 基于蜻蜓算法的vmd-ceemd风电机组齿轮箱振动故障解析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116205631A true CN116205631A (zh) | 2023-06-02 |
Family
ID=86512680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310210693.6A Pending CN116205631A (zh) | 2023-03-07 | 2023-03-07 | 基于蜻蜓算法的vmd-ceemd风电机组齿轮箱振动故障解析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116205631A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708547A (zh) * | 2024-02-05 | 2024-03-15 | 西安热工研究院有限公司 | 一种新型汽轮机组振动信号处理的方法及系统 |
-
2023
- 2023-03-07 CN CN202310210693.6A patent/CN116205631A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708547A (zh) * | 2024-02-05 | 2024-03-15 | 西安热工研究院有限公司 | 一种新型汽轮机组振动信号处理的方法及系统 |
CN117708547B (zh) * | 2024-02-05 | 2024-04-30 | 西安热工研究院有限公司 | 一种汽轮机组振动信号处理的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116775408B (zh) | 一种储能设备运行状态的智能监测方法 | |
CN104198138B (zh) | 一种风力发电机组异常振动的预警方法及系统 | |
CN102588210B (zh) | 一种用于功率曲线拟合数据预处理的滤波方法 | |
CN114856941A (zh) | 海上风电场及机组故障诊断运维系统及其诊断运维方法 | |
CN106570790B (zh) | 一种计及风速数据分段特性的风电场出力数据修复方法 | |
CN116205631A (zh) | 基于蜻蜓算法的vmd-ceemd风电机组齿轮箱振动故障解析方法 | |
CN114215705B (zh) | 风电机组故障预警方法和系统 | |
CN108734359B (zh) | 一种风电功率预测数据预处理方法 | |
CN112459971A (zh) | 风力发电机组塔筒的异常振动检测方法 | |
CN110348683A (zh) | 电能质量扰动事件主成因分析方法、装置设备及存储介质 | |
Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
CN117390403B (zh) | 一种新能源灯塔发电站的电网故障检测方法及系统 | |
CN208076016U (zh) | 一种基于振动信号支持向量机的gil故障在线监测系统 | |
Yang et al. | Assessment of equipment operation state with improved random forest | |
CN114962177A (zh) | 一种用于风力发电机组的状态监测方法及系统 | |
CN112710918B (zh) | 基于边缘计算的无线数据采集方法及系统 | |
CN114661700A (zh) | 一种基于ai的人工影响天气作业效果检验方法 | |
CN103728942A (zh) | 一种风力发电机组本地数据采集处理系统 | |
CN113902164A (zh) | 一种基于大数据技术的配电网故障预测系统及方法 | |
CN115711206B (zh) | 一种基于聚类权重的风力发电机叶片覆冰状态监测系统 | |
CN106849867A (zh) | 一种光伏电站电压闪变检测系统和方法 | |
CN214330806U (zh) | 风力发电机系统和风力发电机的故障分析设备 | |
CN111878326B (zh) | 风机的结冰故障检测方法、系统、电子设备和介质 | |
CN117009791B (zh) | 一种航空发动机的故障识别方法及系统 | |
CN117589444B (zh) | 一种基于联邦学习的风力发电机齿轮箱故障诊断方法 |
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 |