风电机组传动链振动噪声抑制及其早期故障特征提取方法
【专利摘要】本发明涉及一种风电机组传动链振动噪声抑制及其早期故障特征提取方法，该方法利用经验模态分解分析单测点振动信号，筛选出能够表征故障特征频率的固有模态函数，并重构得到故障特征信号以突出故障特征，再利用自相关分析去除重构信号中噪声的影响，并结合小波包变换特征频率提取方法，实现对单测点振动信号的噪声抑制；在此基础上，利用自适应共振理论对经过噪声抑制处理的多个测点振动信号频谱进行融合分析，实现对早期故障特征的提取。本方法能够有效地去除背景白噪声和短时干扰噪声的影响，并提取出早期微弱故障特征频率；可以直接应用到风电机组监测和故障诊断系统中，实现对风电机组传动链机械故障的诊断。
【专利说明】风电机组传动链振动噪声抑制及其早期故障特征提取方法
【技术领域】
[0001]本发明属于风电机组状态监测【技术领域】，涉及一种风电机组传动链振动噪声抑制及其早期故障特征提取方法。
【背景技术】
[0002]随着我国风电产业快速发展和大规模风力发电的并网运行，研究如何应用风电机组状态监测技术，从而降低风电机组故障频率和运行维修成本，提高其发电量已引起广泛关注。其中，准确、全面地提取出故障特征信号和微弱征兆是状态监测和故障诊断的关键。由于风电机组受风速的随机性和不确定性，以及机组变速恒频发电控制特性的影响，其状态监测中的振动信号易受多种噪声干扰导致其特征频率难以提取，直接影响状态监测系统早期探测、故障预警以及寿命管理水平；此外，现有风电机组振动状态监测的分析大都基于单一测点振动信号的独立分析，难以提取出早期微弱故障特征。因此，研究有效提取风电机组振动信号的故障特征频率，对提高风电机组状态监测的准确性具有重要现实意义。
【发明内容】
[0003]有鉴于此，本发明的目的在于提供一种风电机组传动链振动噪声抑制及其早期故障特征提取方法，该方法能够有效去除风电机组振动信号中的背景白噪声和短时干扰噪声，提取出早期微弱故障特征频率。
[0004]为达到上述目的，本发明提供如下技术方案:
[0005]一种风电机组传动链振动噪声抑制及其早期故障特征提取方法，包括以下步骤:
[0006]I)提取故障特征频谱向量Xj。对采集到的J组振动原始数据，利用EMD-WPT特征频率提取方法，提取出故障特征频谱向量Xj (Xj1, Xj2，…，Xjn)，其中j = 1，2,…，J;n为频谱向量维数。并初始化j = I。
[0007]2)频谱向量的前处理。首先判断j值，如果j<J，输入信号X」，并对频谱向量进行如下处理。
【权利要求】
1.一种风电机组传动链振动噪声抑制及其早期故障特征提取方法，其特征在于:包括以下步骤: 1)提取故障特征频谱向量Xp对采集到的J组振动原始数据，利用EMD-WPT特征频率提取方法，提取出故障特征频谱向量XjUj1, Xj2,…，Xjn)，其中j = 1，2,…，J;n为频谱向量维数，并初始化j = I ; 2)频谱向量的前处理:首先判断j值，如果j( J，输入信号Xp并对频谱向量进行如下处理: W饥W /|z』^(I)
、Vpt =f(spi)；Upi =V./I 式中:i = 1,2,..., n ；upi的初始值为O ;a为一个正反馈系数,取为10 ; | |.| |表示向量二范数； f(t)是一个非线性的阀值函数:
Γο (O < t < 0)f(t) = (2)
[t (?>θ) 在上述处理过程中，由正反馈向量Up(upl, up2,..., upn)可以得到向量Zp(zpl, zp2,...,zpn)，然后将向量Zp进行归一化处理，即可得到向量Sp(spl，sp2，…，spn);再利用阈函数f (t)对此归一化向量Sp进行处理，此时小幅噪声频率将会被削弱；由于向量Vp满足Il Vp Il〈1，使得再次对向量Vp进行归一化运算时，在Vp中保留的频率成分将会被增强，得到的向量Up又被正反馈至Xj处，进一步增强了被保留的频率成分；对闭环过程:zp — Sp — Vp — Up — Zp反复进行迭代，直到向量Up (upl，up2，...，!!_)前后2次迭代的向量之差的二范数小于一个设定的微小正数ε，则向量达到稳定，SP: \U^+1-U^\\<e(3) 式中C；》及为向量％第1(+1次和K次循环的迭代值； 3)建立特征频谱向量:如果j值为1，则利用Up经过式(4)处理，建立特征频谱向量Fsv(fsvl, fsv2…，fsJ，否则执行步骤4): I =t<pi=Zi/\\Z\\ 式中，向量Ui的初始值为O ;a和b的值均为10 ； 本步骤中Vi较步骤2)中的V增加了一个正反馈运算，以增强保存在向量U中的特征频率； 对循环:Z — S — V — U — Z反复执行，最终建立特征频谱向量，并将U向量设置为零向量;
Fsv = U ；U = O (5) 其中:0为零向量。令j = j+1，返回步骤2)； 4)特征频谱向量的提取和融合，将特征频谱向量Fsv(fsvl，fsv2…，fsvn)和频谱向量乂」通过以下过程进行融合:
其中Wi和qi的初值为O ;向量Pi为向量Xj与特征频谱向量Fsv融合得到的新向量,该向量包含着不同频谱融合后的信息；d为融合因子，表示融合程度的系数，根据经验可取为.0.9 ； 5)特征频谱向量的更新，对特征向量Fsv(fsvl，fsv2，…，fsvn)进行更新，设置中间向量为.O:
Fsv = P ；UP = O ；U = O ；Q = O (J) 判断j值，如果j = J，则说明所有的频谱向量已经处理完毕，此时的Fsv融合了所有频谱向量的信息，算法结束；否则令j = j+1返回步骤2)继续对下一个向量Xj进行处理。
2.根据权利要求1所述的风电机组传动链振动噪声抑制及其早期故障特征提取方法，其特征在于:步骤中的特征频率提取方法具体包括: ①经验模态分解(EmpiricalMode Decomposit1n, EMD)分解:对采集的原始振动信号31(1:)进行EMD分解,分离出具有不同频率的固有模态函数(Intrinsic Mode Funct1n,IMF) (t), c2 (t), , ck (t)； ②MF选择与重构:选取具有能够表征故障特征频率的MF:Ci(t)，ci+1(t),...，ci+n(t)，累加 Ci (t), ci+1 (t),..., ci+n(t),得到仅含故障信息的信号 S2 (t)； ③自相关分析:对信号S2(t)进行自相关分析，消除噪声，即减弱甚至是消除背景白噪声和短时干扰噪声的影响，得到去噪后的信号s3(t)； ④小波包特征频率提取:首先选择小波函数并确定小波包分解的层数N，然后对信号&(0进行N层小波包分解，得到各层的小波系数，并根据故障特征所在频段选择相应的小波包系数进行信号重构，最后将重构信号进行快速傅里叶变换(Fast FourierTransformat1n, FFT),得到重构信号的幅值谱。
【文档编号】G01M13/02GK104198183SQ201410474693
【公开日】2014年12月10日 申请日期:2014年9月17日 优先权日:2014年9月17日
【发明者】李辉, 杨东, 胡姚刚, 李洋, 杨超, 刘志祥, 梁媛媛, 欧阳海黎, 兰涌森 申请人:重庆大学