一種基于振動(dòng)數(shù)據(jù)的風(fēng)電機(jī)組軸承故障特征提取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及風(fēng)力發(fā)電系統(tǒng)的技術(shù)領(lǐng)域，具體涉及一種基于振動(dòng)數(shù)據(jù)的風(fēng)電機(jī)組軸 承故障特征提取方法。
【背景技術(shù)】
[0002] 由于風(fēng)場(chǎng)大部分位于環(huán)境復(fù)雜惡劣的地區(qū)，經(jīng)常受極端天氣的影響。隨著機(jī)組累 計(jì)運(yùn)行時(shí)間的增加，機(jī)組部件不斷老化，極易出現(xiàn)故障。風(fēng)電機(jī)組上的主軸、偏航、變槳、發(fā) 電機(jī)、齒輪箱等許多部位都裝配有軸承，軸承故障在機(jī)組故障中占有很高的比例。為了減少 風(fēng)電機(jī)組的停機(jī)時(shí)間，降低機(jī)組的維修費(fèi)用，對(duì)風(fēng)電機(jī)組的重要軸承部件進(jìn)行狀態(tài)監(jiān)測(cè)很 有必要。目前振動(dòng)信號(hào)分析技術(shù)是軸承等機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷的主要手段之一， 但在復(fù)雜的工況環(huán)境中，傳感器拾取的信號(hào)往往是不同源信號(hào)產(chǎn)生的混合信號(hào)，同時(shí)，與結(jié) 構(gòu)故障有關(guān)的振動(dòng)信號(hào)常被干擾噪聲所污染，使得故障特征提取變得困難，大大限制了振 動(dòng)監(jiān)測(cè)在實(shí)際工程中的應(yīng)用。
[0003] 目前的軸承故障特征提取方法主要有時(shí)域分析法和頻域分析法。時(shí)域分析法通過(guò) 計(jì)算有效值、裕度因數(shù)、峭度系數(shù)、峰值等時(shí)域參數(shù)，與正常情況下的參數(shù)指標(biāo)進(jìn)行對(duì)比來(lái) 判斷軸承是否發(fā)生故障;頻域分析法一般計(jì)算振動(dòng)信號(hào)的幅值譜、功率譜及包絡(luò)譜等，根據(jù) 頻譜圖中幅值突出的頻率成分提取軸承的故障特征頻率，實(shí)現(xiàn)軸承的故障診斷。
[0004]由于風(fēng)力發(fā)電系統(tǒng)越來(lái)越復(fù)雜，所包含的零部件件也越來(lái)越多，使得其振動(dòng)信號(hào) 頻率成分十分復(fù)雜，很難檢測(cè)出其故障特征信息。傳統(tǒng)的頻域分析方法只能夠處理平穩(wěn)信 號(hào)，但是對(duì)屬于非平穩(wěn)信號(hào)的軸承振動(dòng)信號(hào)則幾乎無(wú)能為力。傳統(tǒng)的時(shí)域分析方法僅能判 斷軸承是否發(fā)生了故障，但無(wú)法判斷故障類型。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的發(fā)明目的就在于提供后一種基于振動(dòng)數(shù)據(jù)的風(fēng)電機(jī)組軸承故障特征提 取方法，該方法將盲源分離和局部線性嵌入方法相結(jié)合，特別適用于軸承等旋轉(zhuǎn)機(jī)械設(shè)備； 能有效地消除采集軸承振動(dòng)信號(hào)過(guò)程中混入的噪聲，同時(shí)分離出故障源信號(hào)，為故障特征 提取提供了更準(zhǔn)確的信息。
[0006] 本發(fā)明的技術(shù)方案為 本發(fā)明一種基于振動(dòng)數(shù)據(jù)的風(fēng)電機(jī)組軸承故障特征提取方法，其步驟為： (一)采用JADE算法對(duì)觀測(cè)信號(hào)進(jìn)行盲源分離，得到源信號(hào) 盲源分離是指在源信號(hào)和傳輸通道未知的情況下，根據(jù)源信號(hào)的統(tǒng)計(jì)特性，從觀測(cè)信 號(hào)中分離或估計(jì)出源信號(hào)的過(guò)程;所述觀測(cè)信號(hào)來(lái)自一組傳感器的輸出，每個(gè)傳感器接收 到多個(gè)原始信號(hào)的一組混合，其模型可以表示為：

是的觀測(cè)信號(hào)，減是源信號(hào)向量;類似 地，:為的混合信號(hào)向量，為:l·:的噪聲向量，m表示的是向量的行數(shù)，:丑則為 ? xn階混合矩陣，沒(méi)和d〇是相乘的關(guān)系； 盲源分離算法采用JADE算法，該算法是由法國(guó)人Cardoso提出的一種建立在"四階累積 量矩陣對(duì)角化"概念基礎(chǔ)上的獨(dú)立分解改進(jìn)算法。盲源分離JADE算法的步驟如下： (1)對(duì)觀測(cè)信號(hào)進(jìn)行球化處理，計(jì)算公式如下：
式中：為球化信號(hào);if為球化矩陣。
[0007] (2)計(jì)算球化信號(hào)40的四階累積量見(jiàn)； (3)優(yōu)化步驟，對(duì)四階累積量泥進(jìn)行聯(lián)合對(duì)角化來(lái)獲取酉矩陣Μ。
[0008] (4)計(jì)算得到源信號(hào)的估計(jì)值，計(jì)算公式如下：
式中:為酉矩陣貧的逆矩陣。
[0009] (二)計(jì)算源信號(hào)的峭度和負(fù)熵 峭度是描述波形尖峰度的一個(gè)無(wú)量綱參數(shù)，計(jì)算公式如下：
式中：?為源信號(hào)估計(jì)值辦)的峭度；#為源信號(hào)估計(jì)值治）的均值;C為源信號(hào)估計(jì) 值的標(biāo)準(zhǔn)差；為(啦)-/^的期望值。
[0010] 負(fù)熵是微分熵的一種標(biāo)準(zhǔn)化版本，定義為
式中：f為源信號(hào)估計(jì)值?ρ；)的負(fù)熵，為源信號(hào)估計(jì)值的熵，
為與源信號(hào)估計(jì)值?α)具有相同協(xié)方差矩陣 的高斯隨機(jī)信號(hào)；負(fù)熵總是非負(fù)的，當(dāng)且僅，具有高斯分布時(shí)其值為零;負(fù)熵具有嚴(yán)格 的統(tǒng)計(jì)理論背景，如果僅考慮其統(tǒng)計(jì)性能，那么負(fù)熵在一定程度上可以說(shuō)是非高斯性的最 優(yōu)估計(jì)。
[0011](三)計(jì)算源信號(hào)包絡(luò)矩陣的奇異值 采用希爾伯特(Hilbert)幅值解調(diào)法對(duì)源信號(hào)進(jìn)行包絡(luò)分析，得到包絡(luò)信號(hào)后，將上、 下包絡(luò)線信號(hào)組成上、下包絡(luò)線矩陣，再分別對(duì)上、下包絡(luò)線矩陣進(jìn)行奇異值分解，并得到 相應(yīng)的奇異值;步驟為： (1)將信號(hào)進(jìn)行希爾伯特變換：
式中：cCG為希爾伯特信號(hào)，它與源信號(hào)估計(jì)值Ι(?)的幅值和頻率相同，但相位相差 ★為卷積符號(hào)。
[0012] (2)根據(jù)求出的希爾伯特信號(hào)邙），重構(gòu)解析信號(hào)如下
式中：g(i)為解析信號(hào)，J為虛數(shù)單位。
[0013] (3)計(jì)算解析信號(hào)抑)的幅值吣）：
從而完成了對(duì)故障源信號(hào)的包絡(luò)分析過(guò)程，幅值^>)即為包絡(luò)信號(hào)。
[0014] (4)奇異值分解：
式中，d為包絡(luò)信號(hào)矩陣，由源信號(hào)的上、下包絡(luò)信號(hào)組成;蒞為矩陣成的左奇異矩 陣；P為矩陣X的右奇異矩陣；P為矩陣妒的轉(zhuǎn)置矩陣。友:為對(duì)角矩陣，其對(duì)角元素 為包絡(luò)信號(hào)矩陣#的奇異值。
[0015] (四）利用局部線性嵌入方法提取故障特征 由于提取的不同參數(shù)對(duì)設(shè)備健康狀態(tài)的規(guī)律性和敏感性各不相同且表現(xiàn)規(guī)律不一，很 難用某一個(gè)或幾個(gè)參數(shù)來(lái)準(zhǔn)確表征軸承的運(yùn)行狀態(tài);通過(guò)計(jì)算源信號(hào)的峭度、負(fù)熵和包絡(luò) 線矩陣奇異值構(gòu)建源信號(hào)參數(shù)空間，這里采用局部線性嵌入方法對(duì)參數(shù)矩陣進(jìn)行訓(xùn)練，抽 取出低維特征向量，準(zhǔn)確地描述軸承運(yùn)行狀態(tài)。
[0016] 源信號(hào)峭度向量：尤=[tn-·] 源信號(hào)負(fù)熵向量：J'=[知心4-。] 源信號(hào)包絡(luò)矩陣奇異值向量： 將上述三個(gè)向量組合構(gòu)建高維參數(shù)空間:尸:，利用局部線性嵌入方法對(duì)高維參數(shù)空間 7進(jìn)行降維，具體步驟如下： (1) 計(jì)算每個(gè)樣本點(diǎn)的1個(gè)鄰近點(diǎn)。對(duì)于高維參數(shù)空間中的每個(gè)樣本點(diǎn)乃，計(jì)算它與另 外n-l·個(gè)樣本點(diǎn)之間的距離，找出與乃距離最近的是個(gè)點(diǎn)。其中兩點(diǎn)間的距離公式為：
(2) 計(jì)算樣本點(diǎn)的局部重建權(quán)值矩陣。
[0017] (3)根據(jù)高維參數(shù)空間中樣本點(diǎn)於與它的鄰近點(diǎn)A之間的權(quán)值來(lái)計(jì)算低維嵌入 空間中的值，所得低維嵌入空間中的值即為提取出的故障特征量 本發(fā)明的有益效果為： 本發(fā)明的關(guān)鍵點(diǎn)如下：（1)盲源分離是在源信號(hào)和混合通道參數(shù)均未知的情況下，根據(jù) 源信號(hào)的統(tǒng)計(jì)特性，僅由采集的振動(dòng)信號(hào)分離出各個(gè)源信號(hào)。（2)包絡(luò)分析提取載附在高頻 振動(dòng)信號(hào)上的與沖擊脈沖對(duì)應(yīng)的包絡(luò)信號(hào)，從而更集中地反映故障信息。（3)利用局部線性 嵌入方法對(duì)高維參數(shù)進(jìn)行降維，提取出低維特征作為故障特征。
[0018] 本發(fā)明將盲源分離和局部線性嵌入方法結(jié)合應(yīng)用于風(fēng)機(jī)軸承的故障特征提取;采 用的是振動(dòng)數(shù)據(jù)。
[0019] 本發(fā)明的優(yōu)點(diǎn)總結(jié)如下： (1)振動(dòng)信號(hào)分析法是一種有效的狀態(tài)檢測(cè)方法，特別適用于軸承等旋轉(zhuǎn)機(jī)械設(shè)備。
[0020] (2)盲源分離可有效地消除采集軸承振動(dòng)信號(hào)過(guò)程中混入的噪聲，同時(shí)分離出故 障源信號(hào)，為故障特征提取提供了更準(zhǔn)確的信息。
[0021] (3)局部線性嵌入方法挖掘出的故障特征，包含更多有效信息且具有內(nèi)在規(guī)律性。
[0022] (4)軸承振動(dòng)監(jiān)測(cè)與故障診斷能避免因軸承突發(fā)性故障而造成的經(jīng)濟(jì)損失，延長(zhǎng) 機(jī)組使用壽命。
[0023] (5)為機(jī)組的定期和不定期的維修計(jì)劃提供依據(jù)，減少了非計(jì)劃的停機(jī)時(shí)間，以及 避免因初始故障而造成更嚴(yán)重的破壞，減少非必要部件的更換，降低機(jī)組的維修費(fèi)用，能給 企業(yè)帶來(lái)巨大的經(jīng)濟(jì)效益。
【附圖說(shuō)明】
[0024] 圖1是風(fēng)電機(jī)組軸承的故障特征提取方法流程圖。
[0025]圖2是盲源分離算法的原理圖。
[0026] 圖3為在軸承座上測(cè)取的滾動(dòng)軸承4種振動(dòng)加速度信號(hào)時(shí)域圖，從上到下依次為正 常、內(nèi)圈故障、滾動(dòng)體故障和外圈故障。
[0027] 圖4為內(nèi)圈故障狀態(tài)下的滾動(dòng)軸承振動(dòng)信號(hào)分離得到的源信號(hào)時(shí)域圖。
[0028]圖5為提取出的軸承故障特征三維分布圖。
【具體實(shí)施方式】
[0029]參看附圖1、2所示，本發(fā)明一種基于振動(dòng)數(shù)據(jù)的風(fēng)電機(jī)組軸承故障特征提取方法 的步驟為： (一)采用JADE算法對(duì)觀測(cè)信號(hào)進(jìn)行盲源分離，得到源信號(hào) 盲源分離是指在源信號(hào)和傳輸通道未知的情況下，根據(jù)源信號(hào)的統(tǒng)計(jì)特性，從觀測(cè)信 號(hào)中分離或估計(jì)出源信號(hào)的過(guò)程;所述觀測(cè)信號(hào)來(lái)自一組傳感器的輸出，每個(gè)傳感器接收 到多個(gè)原始信號(hào)的一組混合，其模型可以表示為：

是^1.的觀測(cè)信號(hào)，是源信號(hào)向量;類似 地，.難)為的混合信號(hào)向量，的噪聲向量，m表示的是向量的行數(shù)，茇則為 ? 階混合矩陣，/?和〃(0是相乘的關(guān)系； 盲源分離算法采用JADE算法，盲源分離JADE算法的步驟如下： (1)對(duì)觀測(cè)信號(hào)40進(jìn)行球化處理，計(jì)算公式如下：
式中：z(￡)為球化信號(hào)；艫為球化矩陣。
[0030] (2)計(jì)算球化信號(hào)的四階累積量; (3)優(yōu)化步驟，對(duì)四階累積量龍進(jìn)行聯(lián)合對(duì)角化來(lái)獲取酉矩陣Μ。
[0031] (4)計(jì)算得到源信號(hào)的估計(jì)值纟?，計(jì)算公式如下：
式中：Μ-1為酉矩陣?yán)俚哪婢仃嚒?br>[0032](二)計(jì)算源信號(hào)的峭度