本發(fā)明屬于風(fēng)電機(jī)組軸承故障診斷，具體地，針對(duì)信號(hào)分解時(shí)關(guān)鍵參數(shù)需要人為設(shè)置，影響后續(xù)故障特征提取的問(wèn)題，提出一種基于改進(jìn)自適應(yīng)多元變分模態(tài)分解的風(fēng)電機(jī)組軸承故障特征提取方法。

背景技術(shù)：

1、風(fēng)能作為一種清潔、可再生的能源，近年來(lái)受重視程度不斷加深，風(fēng)電機(jī)組的建設(shè)和運(yùn)營(yíng)也隨之逐漸增多。在全球能源轉(zhuǎn)型的背景下，風(fēng)電的比例不斷提高，推動(dòng)了相關(guān)技術(shù)的研究與發(fā)展。風(fēng)電機(jī)組在運(yùn)行過(guò)程中，也面臨著關(guān)鍵部件故障頻發(fā)的挑戰(zhàn)，導(dǎo)致設(shè)備停機(jī)和維修成本增加。軸承故障是風(fēng)電機(jī)組故障的主要原因之一，因此，及時(shí)有效地檢測(cè)和診斷故障至關(guān)重要。

2、滾動(dòng)軸承作為風(fēng)電機(jī)組中的基礎(chǔ)單元，對(duì)其進(jìn)行狀態(tài)監(jiān)測(cè)和故障診斷能夠減少因故障造成的停機(jī)，減少經(jīng)濟(jì)損失，更能夠避免重大安全事故的發(fā)生，具有重要的意義。現(xiàn)有的滾動(dòng)軸承故障特征提取的方法，面臨著信號(hào)分解時(shí)需要人為設(shè)置參數(shù)的問(wèn)題，影響后續(xù)故障特征提取的效果。因此，有必要使用一些新的實(shí)用高效的對(duì)于軸承故障的特征提取的方法。傳統(tǒng)的軸承故障診斷通常對(duì)軸承振動(dòng)信號(hào)進(jìn)行時(shí)域頻域分析，時(shí)域分析通過(guò)計(jì)算信號(hào)的時(shí)域特征量，例如：峰度、峭度、均方根、裕度因子等。以往對(duì)于故障提取的主要方法有：計(jì)算子信號(hào)帶通濾波器的峰度平均值，利用快速平均峰度轉(zhuǎn)化為二維峰度圖的方法，有利于后續(xù)故障識(shí)別；包絡(luò)分析和能量譜分解；引入多重壓縮變換構(gòu)造能量聚集的時(shí)頻圖的方法，實(shí)現(xiàn)了多故障特征的綜合提?。粚⒄駝?dòng)信號(hào)進(jìn)行小波包分解，提取重點(diǎn)頻段信息的能量譜作為特征向量，結(jié)合主成分分析法和層次聚類方法，進(jìn)而有效提取非平穩(wěn)振動(dòng)信號(hào)的故障特征。

3、為了有效降低了噪聲極值點(diǎn)的干擾，進(jìn)而提出了利用稀疏隨機(jī)特征模型構(gòu)建信號(hào)的隨機(jī)特征能譜，以平均諧波強(qiáng)度比為指標(biāo)自適應(yīng)分解頻譜，對(duì)隨機(jī)特征進(jìn)行重構(gòu)的方法。小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解(empirical?mode?decomposition,emd)作為時(shí)頻域分析常用的方法，其中emd具有分解的端點(diǎn)效應(yīng)和偽分量問(wèn)題。

4、多元變分模態(tài)分解(mvmd)是在多通道數(shù)據(jù)的推廣，能夠得到一系列模態(tài)對(duì)齊的子序列，在機(jī)械故障診斷、水利預(yù)測(cè)等領(lǐng)域得到廣泛應(yīng)用。在mvmd算法中引入功率譜交叉熵與重構(gòu)誤差相結(jié)合的融合參數(shù)作為適應(yīng)度函數(shù)，實(shí)現(xiàn)了參數(shù)的最優(yōu)選擇，能夠有效識(shí)別不同損傷程度的隧道結(jié)構(gòu)。利用mvmd方法提取了單一參數(shù)與多個(gè)相關(guān)變量之間的內(nèi)在原理，結(jié)合transformer模型實(shí)現(xiàn)對(duì)該設(shè)定參數(shù)的精確預(yù)測(cè)。mvmd和全卷積網(wǎng)絡(luò)相結(jié)合的脫靶數(shù)據(jù)恢復(fù)方法的應(yīng)用，能夠挖掘多通道數(shù)據(jù)之間的時(shí)空相關(guān)性，實(shí)現(xiàn)數(shù)據(jù)的恢復(fù)。上述方法通過(guò)構(gòu)造指標(biāo)確定mvmd關(guān)鍵參數(shù)，但只能確定一個(gè)參數(shù)且計(jì)算量較大，并且隨著數(shù)據(jù)量的增加，訓(xùn)練這些模型可能需要很長(zhǎng)時(shí)間甚至失敗。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述問(wèn)題，本發(fā)明針對(duì)信號(hào)分解時(shí)關(guān)鍵參數(shù)需要人為設(shè)置，影響后續(xù)故障特征提取的問(wèn)題，提出了一種新的自適應(yīng)變分模態(tài)分解方法：以logistic-tent混沌映射代替隨機(jī)數(shù)初始化，以能量誤差作為新的適應(yīng)度函數(shù)，對(duì)mvmd的關(guān)鍵參數(shù)本征模態(tài)數(shù)和懲罰因子尋優(yōu)，實(shí)現(xiàn)了信號(hào)的自適應(yīng)分解。以峭度值和香農(nóng)熵選取最優(yōu)重構(gòu)分量，結(jié)合teager解調(diào)和包絡(luò)分析實(shí)現(xiàn)了故障特征提取。

2、本發(fā)明目的解決現(xiàn)有模型缺陷，在對(duì)滾動(dòng)軸承故障特征提取的基礎(chǔ)上，采用了基于改進(jìn)自適應(yīng)多元變分模態(tài)分解的模式對(duì)風(fēng)電機(jī)組滾動(dòng)軸承進(jìn)行特征提取，提高了故障提取的準(zhǔn)確性的同時(shí)，還避免了人為設(shè)置參數(shù)帶來(lái)的不利影響。

3、為實(shí)現(xiàn)上述目的，本發(fā)明所采用的技術(shù)方案是：

4、一種新型的風(fēng)電機(jī)組軸承故障特征提取方法：基于改進(jìn)的自適應(yīng)多元變分模態(tài)分解(amvmd)，包括以下步驟：

5、s1、使用logistic-tent混沌映射代替?zhèn)鹘y(tǒng)的隨機(jī)數(shù)生成方法，初始化qpso算法中的粒子位置，確保初始化的均勻性和隨機(jī)性，具體包括以下子步驟：

6、s11、初始化qpso算法，包括粒子種群規(guī)模、粒子維數(shù)、最大迭代次數(shù)、收斂閾值、k和α的上界和下界；

7、s12、控制參數(shù)，設(shè)置logistic-tent混沌映射中的控制參數(shù)r。合適的參數(shù)可以生成良好的混沌序列，通常選擇混沌映射值r在(0,1)范圍內(nèi)，此時(shí)函數(shù)成混沌狀態(tài)，當(dāng)r取0.5時(shí)，函數(shù)映射較為均勻；

8、s13、初始化種子值，選擇一個(gè)初始種子值x0，通常在(0,1)范圍內(nèi)。這一值是生成混沌序列的起點(diǎn)；

9、s14、生成混沌序列，其中l(wèi)ogistic映射公式如下：

10、xn+1＝r·xn·(1-xn)

11、其中xn表示第n次迭代后的狀態(tài)，在每次迭代中，根據(jù)上述公式計(jì)算下一個(gè)值xn+1，直到生成所需數(shù)量的值；

12、s15、生成logistic-tent混沌映射序列，計(jì)算公式如下：

13、

14、使用混沌映射代替隨機(jī)數(shù)初始化種群，使得初始化更均勻，提高算法的全局尋優(yōu)能力；

15、s16、將生成的混沌序列值xn映射到粒子在搜索空間中的位置，并進(jìn)行初始化粒子群，根據(jù)設(shè)定的粒子數(shù)量，確保每個(gè)粒子都有一個(gè)初始位置。

16、s2、通過(guò)改進(jìn)的qpso算法自適應(yīng)選擇模態(tài)數(shù)(k)和懲罰因子，以能量誤差作為適應(yīng)度函數(shù)，進(jìn)行參數(shù)優(yōu)化，將處理后的信號(hào)利用mvmd進(jìn)行分解，得到多個(gè)代表不同的頻率成分的模態(tài)分量，具體包括以下子步驟：

17、s21、以logistic-tent混沌映射初始化一組粒子位置，粒子的橫縱坐標(biāo)分別代表k和α；

18、s22、按照初始化的k和α進(jìn)行mvmd分解，mvmd是一種非遞歸信號(hào)處理方法，將原始信號(hào)分解為一系列有限帶寬的模態(tài)分量，迭代尋找各個(gè)中心頻率，使這些模態(tài)共同再現(xiàn)輸入信號(hào)。

19、首先通過(guò)hilbert變換將輸入信號(hào)變?yōu)榻馕鲂盘?hào)，得到其單側(cè)頻譜與指數(shù)項(xiàng)相乘，調(diào)制到相應(yīng)的基頻帶。計(jì)算解調(diào)信號(hào)的l2范數(shù)平方估計(jì)各模態(tài)的帶寬，建立的mvmd約束優(yōu)化數(shù)學(xué)模型如下：

20、

21、其中wk為第k個(gè)模態(tài)分量的中心頻率。

22、其次，引入兩個(gè)懲罰項(xiàng)將約束變分問(wèn)題變?yōu)闊o(wú)約束變分問(wèn)題，提高在噪聲干擾下信號(hào)的重構(gòu)精度，確保嚴(yán)格滿足約束條件，得到的公式如下：

23、

24、最后，使用交替乘子法更新參數(shù)，將完全優(yōu)化問(wèn)題劃分為多個(gè)簡(jiǎn)單的子優(yōu)化問(wèn)題，轉(zhuǎn)化為以下次優(yōu)化問(wèn)題：

25、

26、將上述迭代問(wèn)題轉(zhuǎn)化到頻域，公式如下：

27、

28、中心頻率和拉格朗日算子見(jiàn)式：

29、

30、其中和分別為xc(t)和λc(t)的傅里葉變換；為uk(t)第n+1次迭代的傅里葉變換。

31、使用mvmd方法分解為n個(gè)模態(tài)分量，見(jiàn)公式：

32、

33、s23、以能量誤差作為新的適應(yīng)度函數(shù)，對(duì)不同參數(shù)下mvmd的分解效果定量評(píng)估，用于尋找參數(shù)設(shè)置的最優(yōu)解。原始信號(hào)x(t)的能量e0表達(dá)式見(jiàn)公式：

34、

35、各模態(tài)分量的能量之和etotal可表示為：

36、

37、當(dāng)分解后的各模態(tài)分量與原始信號(hào)完全正交時(shí)，各模態(tài)分量的能量之和etotal與原始信號(hào)x(t)的能量e0相等：

38、etotal＝e1+e2+…+en＝e0

39、當(dāng)各模態(tài)分量與原始信號(hào)不完全正交時(shí)，各分量的能量之和etotal與目標(biāo)信號(hào)的能量e0不相等，計(jì)算差值的絕對(duì)值記作能量誤差|eer|：

40、|eer|＝|e0-etotal|＝|e0-(e1+e2+…+en)|

41、能量誤差|eer|值越小，表示信號(hào)分解得到的各模態(tài)分量正交性越好，模態(tài)分量共同再現(xiàn)原始信號(hào)的效果越好，可以減少原始信號(hào)中攜帶的信息丟失，更有利于后續(xù)的故障特征提取。

42、計(jì)算每個(gè)粒子的適應(yīng)度值|eer|，并保存當(dāng)前最小值，記為min(|eer|)；

43、s24、更新粒子位置，再次計(jì)算適應(yīng)度值并與min(|eer|)比較，若當(dāng)前粒子適應(yīng)度值小于min(|eer|)則更新最小值，其中更新粒子位置的公式如下：

44、vij＝ωvij+c1r1(pij-xij)+c2r2(gj-xij)；

45、s25、重復(fù)上述步驟，達(dá)到最大迭代次數(shù)，或達(dá)到收斂閾值時(shí)，停止尋優(yōu)，輸出最佳粒子位置，即為mvmd的最優(yōu)參數(shù)k和α。

46、s3、計(jì)算各分量的峭度值和香農(nóng)熵選取重構(gòu)分量，用于后續(xù)特征提取，通過(guò)teager能量算子分析信號(hào)的變化，并進(jìn)行包絡(luò)分析，以提取故障頻率，來(lái)識(shí)別出軸承的具體故障特征，具體包括以下子步驟：

47、s31、計(jì)算峭度值，峭度是用于衡量信號(hào)尖銳程度的統(tǒng)計(jì)量，通常用于識(shí)別沖擊信號(hào)。其值越高，表示信號(hào)中包含的瞬態(tài)信息越多。對(duì)每個(gè)經(jīng)過(guò)amvmd分解的模態(tài)分量計(jì)算其峭度值，選取峭度值較高的模態(tài)分量進(jìn)行后續(xù)處理；

48、s32、計(jì)算香農(nóng)熵，香農(nóng)熵是衡量隨機(jī)變量不確定性的度量，反映了信號(hào)的復(fù)雜性和信息量。對(duì)每個(gè)模態(tài)分量計(jì)算香農(nóng)熵值，選取熵值較低的模態(tài)；

49、s33、重構(gòu)模態(tài)分量，結(jié)合峭度值和香農(nóng)熵的計(jì)算結(jié)果，選擇適合的模態(tài)分量進(jìn)行重構(gòu)。這些分量通常是那些在故障特征提取中最具代表性的部分；

50、s34、通過(guò)hilbert變換將輸入信號(hào)變?yōu)榻馕鲂盘?hào)，用teager能量算子對(duì)選定的模態(tài)分量進(jìn)行分析，以捕捉信號(hào)的瞬態(tài)特征，通過(guò)分析包絡(luò)信號(hào)，來(lái)識(shí)別出軸承的具體故障特征。

51、由于采用了上述技術(shù)方案，本發(fā)明取得的技術(shù)進(jìn)步是：

52、本發(fā)明中，通過(guò)改進(jìn)的amvmd方法，能夠更準(zhǔn)確地分解信號(hào)，提取出與故障相關(guān)的特征頻率，提高了故障診斷的準(zhǔn)確性。

53、本發(fā)明中，通過(guò)引入量子不確定性和混沌映射，改進(jìn)的qpso算法增強(qiáng)了粒子的多樣性和搜索能力，有效避免了局部最優(yōu)解。采用改進(jìn)的qpso算法能夠自動(dòng)優(yōu)化模態(tài)數(shù)(k)和懲罰因子(α)，減少了人工干預(yù)，提高了優(yōu)化效率和適用性。

54、本發(fā)明提出了峭度值和香農(nóng)熵作為分量選擇的指標(biāo)，以teager能量算子和包絡(luò)分析來(lái)提取故障特征，通過(guò)仿真信號(hào)和實(shí)際軸承數(shù)據(jù)，并與多元經(jīng)驗(yàn)?zāi)B(tài)分解方法對(duì)比，具有實(shí)用性和高效性。

55、將本技術(shù)方法與黏菌優(yōu)化算法對(duì)比，本技術(shù)方法不易陷入局部最優(yōu)，尋優(yōu)效率更高；實(shí)驗(yàn)結(jié)果與memd方法相比，通過(guò)仿真信號(hào)和實(shí)際數(shù)據(jù)進(jìn)行驗(yàn)證，該方法能夠清晰的提取不同種類故障的頻率，具有一定的實(shí)用價(jià)值。