一种用于风电机组特征信号提取的改进变分模态分解方法与流程

1.本发明涉及风力发电机组信号处理领域，尤其一种用于风电机组特征信号提取的改进变分模态分解方法。


背景技术：

2.风电行业步入黄金发展时期，因风电机组内部构造愈加复杂，为其日常运行和维护带来了更多挑战；在进行日常测试时，振动信号往往包含机组各个部件的信号，并且其中夹杂大量非平稳信号，这使得采用传统的信号处理方法很难从中提取出有效信息。若采用非线性信号处理方法，可以利用时频变换从非平稳信号中提取出有效信息，其中变分模态分解(variational mode decomposition，vmd)在处理非平稳信号时能够有效减少虚假信息和增强有效信号的提取能力，但是，变分模态使用时需要预先确定分解的数量，分解个数过大会产生模态裂解和虚假模态，个数过小会产生模态混叠和模态遗漏，存在自适应性问题。
3.一种在中国专利文献上公开的“一种基于宽带傅里叶分解的非平稳信号分析方法”，其公告号cn111767811a，包括带宽傅立叶分解首先通过傅立叶变换将原始的时域信号转换为频域信号，然后通过傅立叶谱带宽优化算法将频域信号分解为稀疏的窄带子信号，并通过傅立叶逆变换将频域的窄带子信号转换为时域的带宽模态分量，最后通过希尔伯特(hilbert)变换提取信号的特征。此方案在进行信号分解分析时仅基于傅里叶变换，而傅里叶变换属于一种整体变换，缺少时域定位功能，因此使用此方案方法进行信号分解分析时，得到的信号频谱反应的是整体信号中包含的某一频率分量的平均值，使得结果存在时间和频率分辨上的局限性。


技术实现要素：

4.本发明主要解决现有技术中风电机组有效信号提取难以及变分模态分解自适应性的问题；提供一种用于风电机组特征信号提取的改进变分模态分解方法，采集风电机组的振动信号并进行数据预处理，用改进变分模态分解处理振动信号，使得提取的固有模态函数在独立性和降噪上达到最佳，最后从提取的固有模态函数中计算特征频率；根据信号经变分模态处理后得到的固有模态函数的特性，从相关系数，波峰幅值和中心频率这三个方面确定最优分解参数；本发明方案属于一种后验的改进变分模态分解方法，使得提取的固有模态函数包含的噪声和干扰信息更少，提升了准确性和可靠性。
5.本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：采集风电机组振动信号；对振动信号进行去趋势项处理，减少干扰；采用传统变分模态分解(vmd)处理振动信号，得到不同分解个数下的固有模态函数(imfs)；结合固有模态函数的相关系数、波峰幅值和中心频率这三个方面来自适应确定变分模态分解的个数k，对母线槽振动信号进行自适应变分模态分解处理，得到各个独立的固有模态函数；分析提取得到固有模态函数，确定包含有用信息的固有模态函数。在收集到信
号后对信号进行去趋势项能够减小振动信号的采集误差；此外，利用改进变分模态分解处理振动信号，使得提取的固有模态函数在独立性和降噪上达到最佳。
6.作为优选，所述的获取不同参数下固有模态函数的过程，具体包括以下步骤：建立变分模态分解的数学模型；采用增广拉格朗日法将约束变分问题转化成非约束变分问题，得到增广拉格朗日表达式；采用交替方向乘子法来解此非约束变分问题，得到更新公式；在迭代求解变分模型过程中不断更新各imf分量的频率中心和宽带，直至满足迭代停止条件，最终对求解出的模态求逆傅里叶变换，得出经过vmd分解后的k个固有模态imf；令k依次取2到10，并且代入vmd中，获得不同vmd分解个数k下的固有模态函数。
7.作为优选，所述的变分模态分解的数学模型见下列表达式：其中，f(t)代表待分析信号，k代表固有模态分量个数，k表示模态的序号，uk(t)代表待分析信号的第k个固有模态分量，ωk代表待分析信号的第k个固有模态分量的中心频率，δ(t)代表狄拉克，t代表时刻，代表对t的偏导，j代表虚数。
8.作为优选，所述的增广拉格朗日表达式如下：其中，α代表二次惩罚因子，λ(t)代表t时刻的拉格朗日乘子。此步骤采用增广拉格朗日法将约束变分问题转化成非约束变分问题，便于后续进行数据更新。
9.作为优选，所述的更新公式如下列表达式所示：作为优选，所述的更新公式如下列表达式所示：作为优选，所述的更新公式如下列表达式所示：其中，^表示傅里叶变换，*关系表示卷积，k表示模态的序号，n表示迭代次数，τ表示保真系数。此步骤在迭代求解变分模型过程中不断更新各imf分量的频率中心和宽带，直至满足迭代停止条件，这使得提取到的固有模态函数包含的噪声和干扰信息更少，增加数据可靠性和准确性。
10.作为优选，所述的迭代停止条件需满足下列表达式：满足表达式后，跳出更新循环。
11.作为优选，所述的从固有模态函数的相关系数、波峰幅值和中心频率等三个方面联合来自适应确定变分模态分解的个数，对母线槽振动信号进行自适应变分模态分解处理，得到各个独立的固有模态函数具体包括以下内容：在同一个分解参数k下，从相关系数、波峰幅值和中心频率这三个方面评估获得的固有模态函数的独立性和完整性，依照kwc指标评估分解效果，其中kwc依照如下表达式计算：其中c表示vmd结果中所有固有模态函数之和与原信号之间的相关性；表示第i个固有模态函数的波峰幅值，ωi表示第1mfi与imf
i+1
之间的中心频率差，c和ωi都进行归一化，n表示模态个数。从相关系数、波峰幅值和中心频率三个方面出发，计算kwc指标，使得经过改进后的信号分解方法具有更高的自适应处理能力，和准确的特征提取能力。
12.作为优选，固有模态函数评估后，遍历分解参数k从2到10的固有模态函数的kwc指标，画图确定kwc最大处的k为最优参数。
13.本发明的有益效果是：从固有模态函数出发，分析固有模态函数的相关性、峰值和中心频率，从这三个方向全面出发，计算kwc指标，完成自适应分解个数的选取，使得经过改进后的方法具有较高的自适应处理能力和准确的特征提取能力。
附图说明
14.图1为本发明方法流程图；图2为实施例中母线槽振动信号；图3为实施例中预处理后母线槽振动信号；图4为实施例中信号的kwc指标变化；图5为实施例中对振动信号进行改进变分模态分解后得到的固有模态函数；图6为原振动信号频谱和各个固有模态函数频谱。
具体实施方式
15.下面通过实施例，并结合附图1～图6，对本发明的技术方案作进一步具体的说明。
16.实施例：本实施例的一种用于风电机组特征信号提取的改进变分模态分解方法，采用风电机组母线槽振动信号作为实验数据进行处理和分析，如图1所示，包括以下步骤。
17.步骤1：采集风力发电机母线槽振动信号，具体信号如图2所示；步骤2：对收集到的信号做去趋势项处理，以减小振动信号的采集误差，具体包含以下步骤：
2.1)从原始振动信号时域波形中去除趋势项，减小传感器误差和增加振动信号的可靠性；2.2)对信号进行预滤波处理，预先排除一些显而易见的干扰信号频段，预处理后的信号如图3所示；步骤3：更新各imf分量的频率与中心宽带，对于求解出的模态求逆傅里叶变换，得出经过vmd分解后的k个固有模态imf，具体包括以下步骤：3.1)初始化n＝1，λ1，k＝2；3.2)进入更新循环，按照更新公式不断更新λn，更新公式如下：，更新公式如下：，更新公式如下：3.3)当数据满足停止条件后，跳出更新循环，完成更新，停止条件满足下列表达式：步骤4：采用传统变分模态分解处理母线槽振动加速信号，其中对分解个数从2到10进行遍历处理振动信号分别得到不同参数下的固有模态函数；步骤5：通过对固有模态函数的相关系数、波峰幅值和中心频率这三个方面联合来自适应确定变分模态分解的个数，对母线槽振动信号进行自适应变分模态分解处理，得到各个独立的固有模态函数，具体步骤如下：5.1)计算每一个不同分解k下的固有模态函数的kwc指标，如下列表达式所示：其中，c表示vmd结果所有固有模态函数之和与原信号之间的相关性，表示第i个固有模态函数的波峰幅值，ωi表示第imfi与imf
i+1
之间的中心频率差，c和ωi都进行归一化；5.2)找出kwc最大时的分解个数k，如图4所示，其中当k＝5时kwc指标得到最大值；5.3)利用最优参数进行自适应变分模态分解，即令分解个数k＝5时，惩罚系数α默认为参数3000，所得固有模态函数如图5所示；步骤6：分析母线槽振动信号如图6(a)和提取到的固有模态函数的频谱如图6(b)所示，振动信号中的各个独立波峰都能够从固有模态函数中单独体现，完成了复杂信号的独立提取。
18.应理解，实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。