一种基于AVMD和谱相关分析的风电机组轴承故障诊断方法与流程

本发明是一种应用于风电机组滚动轴承或大型机械设备滚动轴承的故障诊断方法，尤其针对振动信号非平稳、非线性的特性，加强信号分解准确性；属于基于数据驱动的故障诊断技术领域。

背景技术：

随着人类对能源要求不断加大，电力行业飞速发展，风力发电行业以其成本相对较低，风力资源丰富，能源绿色环保等优势已经成为清洁能源的主要发展趋势。而风电场建成之后的维护成本直接决定着风电场的效益，风力发电项目是一种投资时间很长的工程，大概在7年左右，而且收益期也很长，甚至会超过10年。长期运转的风力发电机组需要定期进行检修和维护，来确保运行的稳定性和安全性。当工程中风力发电机组的工作寿命为20年时，其维护成本就占了整体收益的10％～15％；风力发电机组安装在海上所需要的运行和维护成本占到整体效益的20％～25％，大量的运转和维护成本加大了工程的运营费用及降低了工程的经济收益。要使风电场的效益最大化，就需要将运维成本降到最低。滚动轴承是风力发电机至关重要的部件之一，也是风机齿轮箱中重要故障源之一。据统计显示，机械故障中约30％的故障都是由滚动轴承引起的，电机故障也有20％的故障是由滚动轴承引起的。另外实际工程中风电机组大多数是安装在风力资源比较充足的地带，比如草原、戈壁滩和荒漠等环境，机组安装的范围很广且数量也比较多，受到恶劣的自然环境的影响，这使得滚动轴承更容易发生故障。风机故障一旦处理不及时，轻则造成电力能源的损失，重则造成机器设备的报废和人员伤亡。因此，及时对风电机组滚动轴承完成故障诊断有着重大意义。

分析风机滚动轴承附近的振动信号，进而完成故障诊断是一种很好的方法。但是其振动信号往往呈现非平稳，非线性的特性，使得充分挖掘信号中的故障信息变得困难。寻找一种合适的信号分析方法是至关重要的。目前已经提出的分析信号方法有小波分析、emd、eemd等。通过前端的信号时频分析获得信号特征，结合合适的后端模式识别方法来完成故障诊断。vmd是一种新提出的信号时频分析方法，该方法在对不同频率分量的分解上优于小波分析，emd，eemd方法如图1到图4所示为几种信号处理方法频谱对比图。但是常规vmd算法分解模态数量n和罚参数ε需要人为设定，两个参数如果选择不好对分解效果影响较大。针对这一问题，需要将传统vmd进行改进，之后再结合合适的模式识别的方法完成故障诊断。

技术实现要素：

本发明针对现阶段常规轴承故障诊断方法的分解效果不精确，计算效率低的问题，提出了一种新的大型风电机组轴承故障诊断方法。算法的核心思想是：首先通过改进的vmd算法即avmd算法分解不同类型的故障信号，之后使用pca降维去噪分解模态，将pca处理后的主成分进行频谱变换，转到频域并将所得各模态的频谱首尾相接得到故障特征的频谱向量，构建故障特征库。之后将待检测信号进行相同处理。使用谱相关分析法完成故障诊断。该方法相比传统风电机组滚动轴承故障诊断方法更加精确，计算速度更快，有较好的实用价值。

本发明采用了的技术方案为一种基于avmd和谱相关分析的风电机组轴承故障诊断方法，该方法的实现包括如下步骤：

a.建立故障库阶段：

步骤1)数据采集与划分：采集m类故障的原始振动信号，对第k类故障信号进行划分，k＝1,2,…,m，每种故障信号各划分为h段，每段长度一致。选取前s段作为两种诊断算法的训练样本进行训练，选取后k段数据作为检测样本验证算法有效性，其中0＜s+k≤h；

步骤2)参数选取：首先对原始信号进行短时傅里叶变换，绘制短时傅里叶频谱图，由图像结果得到模态个数n。之后采用修正步长τ＝50逐步从5开始改变罚参数ε的大小对原信号进行分解，将分解结果的叠加频谱与原始频谱进行互关性分析，最高相关性系数对应的罚参数ε即为所求。

步骤3)提取故障伪频谱特征：首先使用avmd对m类故障信号进行分解，每个故障信号分解得到n个模态分量。使用pca处理avmd的分解模态，得到n个主成分，选取贡献率最高的前n个主成分，n＜n，达到降维和去噪的目的。并将这n个主成分进行快速傅里叶变换，之后将得到的频谱按顺序首尾相接得到伪频谱特征向量，这种伪频谱特征向量用于互相关分析。

b.实施诊断阶段：

对未知故障信号得到故障伪频谱特征向量，将该伪频谱特征向量分别与故障特征库中的所有故障伪频谱特征向量求互相关系数，最大互相关系数所对应的故障类型即为诊断结果。互相关系数r求取公式如下：

其中x代表未知故障信号的伪频谱特征向量，y代表故障特征集合中的一个故障类型的伪频谱特征向量。cov代表求两个伪频谱特征向量的协方差。σ代表标准差。同种故障的特征频率有着很强的相关性。相关性系数范围是-1到1，|r|的值越接近1说明相关性越大，越接近0说明相关性越小，甚至不相关。

与现有技术相比，本发明提出一种avmd-谱相关分析的风机滚动轴承故障诊断新方法。该方法克服了普通vmd算法人工选取模态个数与罚参数两个参数的缺陷。使用pca处理avmd分解结果达到了降维去噪，准确选取故障特征的目的。最后使用谱相关分析对比故障特征谱模型库与待检测信号谱特征，筛选最大相关系数对应的故障类型完成故障诊断，运算速度快，提高诊断效率。

附图说明

图1为vmd分解信号频谱图。

图2为emd分解信号频谱图。

图3为eemd分解信号频谱图。

图4为小波分解信号频谱图。

图5为故障实验平台。

图6为算法具体流程图。

图7为选择模态个数的短时傅里叶频谱图。

图8为最优罚参数选择图。

图9为罚参数ε＝100时分量叠加频谱与原信号频谱对比图。

图10为罚参数ε＝2000时分量叠加频谱与原信号频谱对比图。

图11为罚参数ε＝5000时分量叠加频谱与原信号频谱对比图。

图12为各个主成分贡献率图。

图13为使用pca处理后外圈特征频谱与内圈特征频谱对比图。

图14为0.007外圈故障诊断结果图。

图15为0.007内圈故障诊断结果图。

图16为0.007滚珠故障诊断结果图。

图17为0.021外圈故障诊断结果图。

图18为0.021内圈故障诊断结果图。

图19为0.021滚珠故障诊断结果图。

图20为风场数据外圈故障诊断结果图。

图21为风场数据内圈故障诊断结果图。

具体实施方式

本发明的目的主要针对传统滚动轴承故障诊断方法诊断结果的准确性不足，计算量大，诊断效率低的问题。

一种基于avmd和谱相关分析的风电机组轴承故障诊断方法，其特征包括“故障库建模”和“实施诊断”两个阶段，具体步骤如下：

a.建立故障库阶段：

1)故障信号分解阶段；

使用自适应变分模态分解方法(avmd)将故障信号分解为n个模态分量，对于m种类型的故障信号，重复使用avmd分解每种故障信号，共分解m次。得到m组个数为n的信号分量集合；

2)特征频谱获取阶段；

首先对m类故障信号的模态分量进行主成分分析(pca)去噪降维处理，选取贡献率最高的前n个主成分分量，使用快速傅里叶变换(fft)将其转化为频谱。将n个主成分分量的频谱首尾相接，构成一个故障特征伪频谱。对于m类故障信号需分别对每类故障信号构建故障特征伪频谱向量。将包含这m个特征伪频谱向量的集合a称为故障特征集合。

b.实施诊断阶段：

对于未知故障信号，使用avmd方法将其分解为n个本征模态分量，使用pca将n个本征模态分量降维去噪转化为n个主成分分量，使用快速傅里叶变换将贡献率最高的前n个主成分分量变为频谱，首尾相接n1个频谱构成伪频谱特征向量。将该伪频谱特征向量分别与故障特征集合a中的所有故障伪频谱特征向量求互相关系数，最大互相关系数所对应的故障类型即为诊断结果。互相关系数r求取公式如下：

其中x代表未知故障信号的伪频谱特征向量，y代表故障特征集合中的其中一个故障类型的伪频谱特征向量。cov代表求两个伪频谱特征向量的协方差。σ代表标准差。

①模态个数的确定。在将信号变分模态分解之前，使用短时傅里叶变换绘制短时傅里叶变换频谱图，根据图像取得模态个数n。

②罚参数ε的确定。采用修正步长τ改变在变分模态分解中的罚参数，将每次分解后的模态结果合并，与原信号求取互相关系数。根据互相关系数曲线的拐点可以得到最优罚参数ε。

③使用avmd分解故障信号。根据确定的本征模态个数n和最优罚参数ε，设定avmd参数，之后使用avmd分解故障信号得到不同模态的分量信号。

实施例

本发明先后使用两种数据证明算法的有效性。第一类数据使用实验室风机传动链平台采集轴承外圈、轴承内圈、轴承滚珠故障数据和正常运行数据；第二类数据采集风力发电场真实风电机组的轴承内圈、轴承外圈、正常运行数据。

以下为两种数据相关介绍：

实验室平台轴承数据实验数据是通过电火花技术在轴承上加工单点故障，轴承类型为skf6205，用加速度传感器测量轴承振动信号。数据中包含了不同条件的多组数据，选择负载为3hp、转速为1730rpm、采样频率为12000hz的轴承驱动端振动信号进行算法验证。所用数据对应的轴承运行状态包括正常、内圈故障、外圈故障以及滚动体故障四种类型，损伤直径用到了0.007英寸和0.021英寸两类。图5是故障实验平台。

内蒙古灰腾梁风电场(所有风机型号均为阳明1.5mw风机)采集回来的风力发电机轴承故障数据分为外圈故障，内圈故障和正常信号三类数据，采样频率为26khz，轴承型号为6332mc3skf的深沟球轴承。滚动轴承具体参数如表1所示。

表1滚动轴承6332mc3skf基本参数

将本发明方法实现滚动轴承故障诊断，主要包括建立故障库和实施诊断两个大步骤，如图6是本发明的具体流程图，具体陈述如下：

a.建立故障库阶段：

步骤1：对于实验平台数据的每种故障信号，将每种故障的原始信号数据中12000个点分为300个样本，每个样本包含400个点。对于风场数据的每种故障信号，将每种故障的原始信号数据中12000个点分为300个样本，每个样本包含400个点。

步骤2：为了确定故障信号的模态个数，使用短时傅里叶变换函数(tfrstft)将故障信号转换为短时傅里叶频谱图，以0.007内圈故障信号为例根据短时傅里叶频谱图确定分解模态个数n＝4，模态选择过程如图7所示。观察短时傅里叶频谱图的频率纵轴方向，可以看出信号包含了4个频率组成部分。

步骤3：设定罚参数初始值ε＝5，从修正步长τ＝50开始。设定循环次数初始值ii＝1，循环总次数nn＝100。使用vmd初步分解故障信号，将分解后的分量各自进行快速傅里叶变换，并叠加得到的分量频谱。之后将分量叠加频谱与原信号频谱进行相关性分析，得到一个相关性系数r1。ii＝ii+1进入下一次循环过程，直到ii＝nn为止。最后根据相关性系数图的拐点筛选出最大相关性系数对应的惩罚因子。相关性系数计算公式如下：

式中x(t)和y(t)分别代表原信号频谱与分量叠加频谱，σ代表标准差。

以0.007内圈故障信号为例，avmd的罚参数选择过程如图8所示，在罚参数从0到4000的变换过程当中，可以看出当惩罚因子ε＝2000时，分解后的分量叠加频谱与原始信号频谱相关性最高。如图9，图10，图11所示，为分别选择罚参数为100，2000和5000时，0.007内圈故障分量叠加频谱和原信号频谱的对比图，可以看到当罚参数为2000时，两种频谱重合度最高，表明当取罚参数为2000时，分解效果最精确。

步骤4：利用pca算法对m类故障信号分解的模态分量进行处理，得到4个主成分，图12是各个主成分的贡献率，选取贡献率最高的前3个主成分将其进行快速傅里叶变换转换为频谱，按照贡献率由高到低的顺序首尾衔接这些频谱构成伪频谱特征向量。如图13所示是内圈伪频谱特征向量与外圈伪频谱特征向量的对比图，可以看到其中不同的特征向量具有明显的差别。将m类伪频谱特征向量构成集合a，a即为频谱特征库；

b.实施故障诊断阶段：

将未知故障信号进行步骤1～4的相同处理，得到待检测伪频谱特征向量，将该待检测伪频谱特征向量分别与步骤4得到的m类故障伪频谱特征向量进行互相关分析，得到m个互相关系数r，其中最大r值对应的故障类型即为诊断最终结果。

上述步骤即为本发明方法在滚动轴承故障中的具体应用。为了验证本方法的有效性，对试验台数据中的0.007外圈、0.007内圈、0.007滚珠、0.021外圈、0.021内圈、0.021滚珠故障数据进行了故障诊断实验，之后使用风场数据中的内圈数据和外圈数据再次进行故障诊断实验。使用实验平台数据得到的实验结果见图14至图19，使用真实风机数据得到的诊断结果见图20至图21。每幅图分别包括各个故障类型的可能性大小曲线，其中曲线的高度代表诊断为该类型故障的可能性大小，曲线越高说明未知信号是该类型故障的可能性越大。由图14至图21可见avmd-相关性分析方法对各种故障类型的诊断结果曲线无交叉，诊断效果良好。如表2所示，分别使用vmd-相关性分析方算法，emd-相关性算法，eemd-相关性算法，小波分解-相关性分析算法进行故障诊断。其中vmd-相关性分析算法非常快，效率高。虽然小波分解-相关性分析算法诊断速度也很快，但是由图1和图4可知小波分解对信号的频域分解效果存在明显不足。因此本发明方法在分解效果与计算效率上均有强大的优势。

表2四种算法运算时间对比