一种风力发电机组轴承故障诊断方法
【专利摘要】本发明公开了一种风力发电机组轴承故障诊断方法，包括如下步骤：获取轴承的振动信号；采用小波包分析法对振动信号进行三层分解，对各分解尺度下的高频系数进行软阈值量化处理，并根据小波分解的最底层低频系数和高频系数进行一维小波重构；对重构的振动信号进行小波包分解，提取第三层各频带的能量，并将各频带的能量构成一个故障特征输入向量作为BP神经网络的故障诊断输入向量，构建三层BP神经网络；获取历史故障数据的特征输入向量样本并将其输入三层BP神经网络进行训练；获取轴承实时运行数据的故障诊断特征向量并将其输入到训练好的BP神经网络；实现对轴承故障类型的智能诊断，本发明能够准确诊断轴承故障类型并精确确定故障位置。
【专利说明】一种风力发电机组轴承故障诊断方法
【技术领域】
[0001]本发明涉及一种风力发电机组轴承故障诊断方法，特别是涉及一种基于小波包-BP神经网络的风力发电机组轴承故障诊断方法。
【背景技术】
[0002]随着风力发电技术的发展，风力发电机组的装机容量不断增加，而且不断朝着大型化方向发展。然而，风电行业的快速增长也导致了风电机组的运行维护成本持续增高，其中轴承在双馈风力发电机组和直驱式风力发电机组中都是重要部件，轴承的损坏将会直接影响整机的运行工况。为了减少风力发电机组的停机时间，降低机组的维护费用，对风力发电机组的重要轴承部件做精密的故障诊断非常有必要。然而传统的基于频谱分析的方法不仅不能准确诊断轴承故障类型，且不能精确确定故障位置，已经很难满足需要。因此，实有必要提出一种技术手段，以解决上述问题。
【发明内容】
[0003]为克服上述现有技术存在的不足，本发明之一目的在于提供一种风力发电机组轴承故障诊断方法，其能够准确诊断轴承故障类型并精确确定故障位置。
[0004]为达上述及其它目的，本发明提出一种风力发电机组轴承故障诊断方法，包括如下步骤:
[0005]步骤一，通过安装在轴承周边的振动传感器获取轴承的振动信号；
[0006]步骤二，采用小波包分析法对该振动信号进行三层分解，对各个分解尺度下的高频系数根据软阈值函数选择软阈值进行软阈值量化处理，并根据小波分解的最底层低频系数和高频系数进行一维小波重构；
[0007]步骤三，对重构的振动信号再次进行小波包分解，将振动信号分解到第三层，提取第三层各频带的能量，并将各频带的能量构成一个故障特征输入向量，将该向量作为BP神经网络的故障诊断输入向量，并于故障特征输入向量形成后，构建三层BP神经网络作为故障识别算法；
[0008]步骤四，获取历史故障数据的特征输入向量样本；
[0009]步骤五，将获取的历史故障数据的特征输入向量样本输入新构建的三层BP神经网络并进行训练，在多次反复训练并达到要求的故障诊断精度后停止训练网络，并将训练好的网络进行保存；
[0010]步骤六，获取风力发电机轴承实时运行数据的故障诊断特征向量；
[0011]步骤七，将获取的故障诊断特征向量输入到训练好的BP神经网络；
[0012]步骤八，实现对轴承故障类型的智能诊断，输出诊断结果。
[0013]进一步地，于步骤三中，提取能量的公式为:
【权利要求】
1.一种风力发电机组轴承故障诊断方法，包括如下步骤: 步骤一，通过安装在轴承周边的振动传感器获取轴承的振动信号； 步骤二，采用小波包分析法对该振动信号进行三层分解，对各个分解尺度下的高频系数根据软阈值函数选择软阈值进行软阈值量化处理，并根据小波分解的最底层低频系数和高频系数进行一维小波重构； 步骤三，对重构的振动信号再次进行小波包分解，将振动信号分解到第三层，提取第三层各频带的能量，并将各频带的能量构成一个故障特征输入向量，将该向量作为BP神经网络的故障诊断输入向量，并于故障特征输入向量形成后，构建三层BP神经网络作为故障识别算法； 步骤四，获取历史故障数据的特征输入向量样本； 步骤五，将获取的历史故障数据的特征输入向量样本输入新构建的三层BP神经网络并进行训练，在多次反复训练并达到要求的故障诊断精度后停止训练网络，并将训练好的网络进行保存； 步骤六，获取风力发电机轴承实时运行数据的故障诊断特征向量； 步骤七，将获取的故障诊断特征向量输入到训练好的BP神经网络； 步骤八，实现对轴承故障类型的智能诊断，输出诊断结果。
2.如权利要求1所述的一种风力发电机组轴承故障诊断方法，其特征在于，于步骤三中，提取能量的公式为:
3.如权利要求2所述的一种风力发电机组轴承故障诊断方法，其特征在于，步骤三中，该故障特征输入向量为:
T = [￡:!.El.Ε:.E:..E-.Ε(:上7 ]。
4.如权利要求1所述的一种风力发电机组轴承故障诊断方法，其特征在于:于步骤六中，实时数据通过两次小波包分析，将第三层振动信号频带能量形成该故障诊断特征向量。
5.如权利要求1所述的一种风力发电机组轴承故障诊断方法，其特征在于，在步骤二中，采用小波包分析法对该振动信号进行三层分解的步骤为: 首先，在第一层分解中将振动信号S分解为低频信号LI和高频信号Hl ； 然后，对第一层的低频信号LI再次进行第二层分解为相对的低频信号LL2，和高频信号HL2，对第一层的高频信号Hl进行第二层分解为相对的低频信号LH2和高频信号HH2 ； 以此类推分解到第三层。
6.如权利要求5所述的一种风力发电机组轴承故障诊断方法，其特征在于，小波包对振动信号进行i层分解的递推公式如下:
7.如权利要求1所述的一种风力发电机组轴承故障诊断方法，其特征在于，该软阈值函数为:
8.如权利要求7所述的一种风力发电机组轴承故障诊断方法，其特征在于:最合适的软阈值选取方法为通过选取不同λ值后，最后比较重构信号的去噪效果，选定去噪效果最好所对应λ的阈值函数作为以后该振动信号的软阈值函数。
9.如权利要求7所述的一种风力发电机组轴承故障诊断方法，其特征在于，在步骤二中，小波包重构函数为:
x(t)= Σ (h(k-2t)d(i+1'2J+1)+g(k-2t)d(i+1'2J)) 其中，d(u)表示第i层中的第j个节点小波系数，x(t)表示去噪后的信号，g和h为软阈值处理后得到的高频系数和低频系数。
【文档编号】G01M13/04GK103900816SQ201410148405
【公开日】2014年7月2日 申请日期:2014年4月14日 优先权日:2014年4月14日
【发明者】叶明星, 戴志军, 焦斌 申请人:上海电机学院