风力发电机早期复合故障诊断方法、装置和可读存储介质

1.本发明属于属于机械故障诊断领域，具体涉及一种风力发电机早期复合故障诊断方法、装置和可读存储介质。


背景技术：

2.海上风电作为可再生绿色能源越发受到人们的重视，风力发电机是用于海上风电的重要机械装备。风力发电机的机械零部件如轴承、齿轮等长期在高速重载的环境下运行，极易发生损伤。机械零部件的损伤是一个循序渐进的过程，一般由早期的微弱损伤故障演变成后期的严重损伤。如果能在故障发生的早期将故障进行识别，则可以有效避免因机械零部件严重损伤带来严重财产损失，甚至可避免因机械故障导致的人员伤亡。因此针对机械设备的早期故障诊断具有意义。然而，早期故障信号相对微弱，极易淹没在背景噪声中，早期故障诊断显得尤为困难。此外，机械零部件可能出现多处损伤，比如轴承部件，可能出现滚动体、保持架和外圈等部件可能同时出现损伤。多故障共存时，不同故障冲击信号间会发生相互干扰和耦合，外加微弱故障容易淹没在背景噪声中，早期微弱复合故障信号的识别和提取显得尤为困难。早期复合故障特征分离与提取一直是机械故障诊断的难点之一。
3.结合上述相关问题，申请人提出了一种基于共振稀疏分解（rssd）和teager能量算子的早期复合故障诊断方法。本发明提出的结构可实现风力发电机中轴承、齿轮箱等机械零部件的单/复合故障的早期诊断，给监测提供早期预警，实现机械零部件的早期故障诊断。同时本发明所提出的方法，能够避免噪声的干扰，具有诊断准确、可靠性高、成本低的优点。


技术实现要素：

4.为了弥补现有技术的不足，本发明提供一种风力发电机早期复合故障诊断方法、装置和可读存储介质的技术方案。
5.一种风力发电机早期复合故障诊断方法，包括：步骤1，对机械零部件的振动信号进行采集；步骤2，对rssd信号进行分解；步骤3，进行teager能量谱分析，根据teager能量谱判断故障发生的原因。
6.进一步地，步骤1包括：步骤1.1，通过振动传感器采集机械零部件振动信号，所采集的数据存储至数据采集仪器；步骤1.2，将数据采集仪中的数据导出作为rssd信号分解的输入。
7.进一步地，步骤1.1中，机械零部件包括齿轮箱、轴承、齿轮部件中的一种或多种。
8.进一步地，步骤2包括：首先给定高共振分量的品质因子为和最优低共振分量的品质因
子的范围为，通过粒子群算法优化算法，获得最优高共振分量的品质因子和最优低共振分量的品质因子；其次根据品质因子和确定分解层数和的参数范围，利用粒子群算法优化获得最优的和；最后根据最优的、、和，利用rssd分解获得最优的高、低共振分量。
9.进一步地，步骤2具体包括：步骤2.1，用品质因子定义输入信号的共振属性，为信号振荡的中心频率，bw为带宽，根据冲击信号和谐波信号品质因子的不同，得到包含冲击信号的低共振分量信号和包含谐波信号的高共振分量；步骤2.2，根据高、低通滤波器组的尺度参数和（），确定rssd分解的最大层数，其中，为冗余度，n为数据长度，为向下取整符号；步骤2.3，根据品质因子和冗余度，确定信号重构过程中，低通滤波器的表达式为：及高滤波器的表达式为：其中，为一个函数，可表述为：，；步骤2.4，根据步骤2.1-步骤2.3，可以确定分解滤波器组的基本参数，对步骤1获得的振动信号，可表达为，其中，表示高共振分量，表示低共振分量，表示冗余分量；利用形态分量分析建立稀疏分解的目标函数为，其中，和分别表示高、低品质因子的逆小波变换；
步骤2.5，利用分裂增广拉格朗日收缩算法对小波系数和进行迭代计算，当目标函数取得最小值时，得到、和的表达式如下：，式中和分别是目标函数最优的变换系数；步骤2.6，计算fcfr；步骤2.7，采用fcfr为目标函数，给定和参数范围，重复步骤2.1-步骤2.5，利用pso算法优化品质因子和；步骤2.8，采用fcfr为目标函数，给定和参数范围，重复步骤2.1-步骤2.5，利用pso算法优化品质因子和；步骤2.9，根据步骤2.7和步骤2.8获得的最优、、和，进行rssd分解，获得最优高、低共振分量及残余分量。
10.进一步地，步骤2.6具体包括：步骤2.6.1，对原始信号进行共振稀疏分解，得到高共振分量和低共振分量；步骤2.6.2，对低共振分量进行ht变化，得到瞬时幅值响应；步骤2.6.3，对步骤2.6.2中得到幅值响应做快速傅里叶变换，得到频谱图，并找到所有可能故障特征频率的幅值；步骤2.6.4，基于故障特征频率的幅值，计算fcfr。
11.进一步地，步骤3包括根据最优高、低共振分量，计算高、低共振分量的峭度谱，根据峭度谱确定多点优化最小熵解卷积的周期范围，对给定周期范围内的信号进行momeda解卷积计算，对momeda解卷积信号计算teager能量谱，最后根据teager能量谱判断故障发生的原因。
12.进一步地，步骤3具体包括：步骤3.1，选用故障周期对应的采样点数作为输入的故障周期，采样周期定义为；步骤3.2，通过公式计算高、低共振分量的解卷积输出信号的多点峭度值，获得多点峭度谱，其中是目标向量，可通过故障冲击周期来确定，
，是用于扩展目标向量的窗口函数；步骤3.3，根据高、低共振成分的多点峭度谱，确定momeda解卷积的计算周期区间；步骤3.4，根据公式，求解d-范数的最大值使解卷积效果，得到在给定周期区间的最优momeda解卷积信号；步骤3.5，给定窗函数和滤波器长度的参数范围，以fcfr作为目标函数，利用pso算法优化和，获得最优的窗函数和滤波器长度；步骤3.6，根据最优的和参数，进行momeda解卷积，获得给定周期范围的解卷积时间序列；步骤3.7，基于momeda解卷积后得到的时间序列，根据计算任意时刻处的teager能量算子，得到momeda解卷积信号的teager能量序列；步骤3.8，对teager能量序列进行快速傅里叶变换，获得teager能量谱；步骤3.9，根据teager能量谱中的故障特征频率识别故障。
13.本发明还提供一种早期复合故障诊断装置，包括处理器和与所述处理器连接的存储器，所述存储器内储存有供所述处理器执行的计算机程序，处理器执行该计算机程序时，进行如上所述的早期复合故障诊断方法。
14.本发明还提供一种可读存储介质，储存有供处理器执行的计算机程序，处理器执行该计算机程序时，进行如上所述的早期复合故障诊断方法。
15.与现有技术相比，本发明的有益效果是：1）本发明提出利用rssd分解算法结合teager能量谱的方法用于风力发电机机械零部件的早期复合故障诊断，基于rssd算法能够根据品质因子不同分为基础高、低共振信号，能够有效提取淹没在噪声中的早期微弱故障信号，进一步利用teager能量算子具有增强故障信号冲击特性的能力，得到teager能量谱，可以更加有效地提取早期微弱故障信号；2）本发明提出利用故障特征信号的频率比作为rssd分解算法和momeda解卷积算法的优化目标函数，能够有效用于多故障耦合信号的分解，提高pso算法优化的可靠性；3）本发明提出利用pso算法优化rssd分解算法的参数，可以获得最优的高、低共振分解分量，进而可以提高故障诊断可靠性；4）本发明提出利用pso算法优化momeda的算法参数，能够获得最佳的momeda的解卷积信号，可以提高故障诊断的可靠性；5）本发明提出利用多点峭度谱定位故障信号周期，在根据故障信号周期截取momeda解卷积的计算区间，不仅减少了计算量，提高了计算效率，同时能够更可靠的识别故障特征频率；6）本发明利用teager能量算子具有增强突出振动信号中故障信号的冲击特性，能够更加可靠识别出故障特征频率，定位机械零部件的故障，相比于传统的包络谱分析，提取
出来更多阶的倍频成分。
附图说明
16.图1为本发明提供的一种风力发电机早期复合故障诊断方法流程图；图2为本发明提供的pso算法优化品质因子qh和ql流程图；图3为本发明提供的pso算法优化分解层数jh和jl流程图；图4为本发明提供的rssd分解后的信号成分；图5为本发明提供的多点峭度谱示意图；图6为本发明提供的momeda参数优化流程图；图7为本发明提供的momeda解卷积后的时域波形示意图；图8和图9为本发明提供的teager 能量谱示意图。
实施方式
17.下面结合附图对本发明作进一步说明。
实施例1
18.请参阅图1，一种风力发电机早期复合故障诊断方法，包括：
19.步骤1，数据采集步骤1.1，通过振动传感器采集齿轮箱、轴承或齿轮部件的振动信号，所采集的数据存储至数据采集仪器。
20.步骤1.2，将数据采集仪中的数据导出excel或text等文件格式，作为rssd信号分解的输入；针对海上/陆上风电机组scada系统的数据可直接导出，导出后转化为指定格式后，直接作为rssd算法的输入。
21.步骤2，rssd信号分解为获得最优的高、低共振分解分量，首先给定高共振分量的品质因子为和最优低共振分量的品质因子的范围为，通过粒子群算法（particle swarm optimization, pso）优化算法，获得最优高共振分量的品质因子和最优低共振分量的品质因子；其次根据品质因子和确定分解层数和的参数范围，利用粒子群算法优化获得最优的和；最后根据最优的、、和，利用rssd分解获得最优的高、低共振分量。本过程详细的步骤如下：步骤2.1，用品质因子定义输入信号的共振属性，其中，为信号振荡的中心频率，bw为带宽，根据冲击信号和谐波信号品质因子的不同，得到包含冲击信号的低共振分量信号和包含谐波信号的高共振分量。
22.步骤2.2，根据高、低通滤波器组的尺度参数和，确定
rssd分解的最大层数，其中，为冗余度，n为数据长度，为向下取整符号。
23.步骤2.3，根据品质因子和冗余度，确定信号重构过程中，低通滤波器的表达式为：，及高滤波器的表达式为：，其中，为一个函数，可表述为：，，可以发现，高通滤波器参数完全取决于品质因子和冗余度。
24.步骤2.4，根据步骤2.1-步骤2.3，可以确定分解滤波器组的基本参数。对步骤1获得的振动信号，可表达为，其中，表示高共振分量，表示低共振分量，表示冗余分量。利用形态分量分析建立稀疏分解的目标函数为，其中，和分别表示高、低品质因子的逆小波变换。
25.步骤2.5，利用分裂增广拉格朗日收缩算法对小波系数和进行迭代计算，当目标函数取得最小值时，可得到、和的表达式如下：，式中和分别是目标函数最优的变换系数。
26.步骤2.6，根据步骤2.1-步骤2.5步已完成一次rssd分解，但由于机械系统出现早
期故障时，故障类型是未知的，对于给定的品质因子，无法保证获得最优分解。为选择最优的品质因子，获得最佳分解分量。本发明提出基于故障特征频率比（fault characteristic frequency ratio, fcfr）的选择策略，fcfr能够直接反应信号中故障信号的所占比例，fcfr越大，说明包含的故障信息越多，rssd分解的效果越好。基于希尔伯特变换（hilbert transform, ht），给出fcfr定义为，其中，m表示机械传动系统中可能存在的故障的数量，表示每一个故障对应的谐波分量，表示每一个故障对应谐波数，表示ht频谱中的频率幅值，表示频率中的频率成分总数。
27.对于一个给定信号，详细的fcfr的计算步骤如下：步骤2.6.1，对原始信号进行共振稀疏分解，得到高共振分量和低共振分量。
28.步骤2.6.2，对低共振分量进行ht变化，得到瞬时幅值响应。
29.步骤2.6.3，对步骤2.6.2中得到幅值响应做快速傅里叶变化，得到频谱图，并找到所有可能故障特征频率的幅值。
30.步骤2.6.4，基于故障特征频率的幅值，计算fcfr。
31.步骤2.7，采用fcfr为目标函数，给定和参数范围，重复步骤2.1-步骤2.5，利用pso算法优化品质因子和，具体优化流程图如图2所示。
32.步骤2.8，采用fcfr为目标函数，给定和参数范围，重复步骤2.1-步骤2.5，利用pso算法优化品质因子和，具体优化流程图如图3所示。
33.步骤2.9，根据步骤2.7和步骤2.8获得最优、、和，进行rssd分解，获得如图4所示的最优高、低共振分量及残余分量。
34.步骤3，teager能量谱分析
35.根据最优高、低共振分量，计算高、低共振分量的峭度谱，根据峭度谱确定多点优化最小熵解卷积（multipoint optimal minimum entropy deconvolution adjusted, momeda）的周期范围；对给定周期范围内的信号进行momeda解卷积计算；对momeda解卷积信号计算teager能量谱，最后根据teager能量谱判断故障发生的原因。本过程详细的步骤如下：
36.步骤3.1，选用故障周期对应的采样点数（采样周期）作为输入的故障周期，采样周期定义为。
37.步骤3.2，通过公式计算高、低共振分量的解卷积输出
信号的多点峭度值，获得多点峭度谱，其中是目标向量，可通过故障冲击周期来确定，，其中，是用于扩展目标向量的窗口函数，获得的峭度谱如图5所示，图中和分别表示两个故障对应的故障周期。
38.步骤3.3，根据高、低共振成分的多点峭度谱，确定momeda解卷积的计算周期区间。
39.步骤3.4，根据公式，求解d-范数的最大值使解卷积效果，得到在给定周期区间的最优momeda解卷积信号。
40.步骤3.5，给定窗函数和滤波器长度的参数范围，同样以fcfr作为目标函数，利用pso算法优化和，获得最优的窗函数和滤波器长度，和优化的pso算法优化过程如图6所示。
41.步骤3.6，根据最优的和参数，进行momeda解卷积，获得给定周期范围的解卷积时间序列，如图7所示。
42.步骤3.7，基于momeda解卷积后得到的时间序列，根据计算任意时刻处的teager能量算子，从而得到momeda解卷积信号的teager能量序列。
43.步骤3.8，对teager能量序列进行快速傅里叶变换，获得teager能量谱。
44.步骤3.9，根据故障计算和对应的teager能量谱，如图8和图9所示，根据teager能量谱中的故障特征频率识别故障。从图8可以看到故障周期及其倍周期能够有效提取，从图9可以看到故障周期及其倍周期能够有效提取，结果证明所提方法的有效性，能够有效识别出早期复合故障。
实施例2
45.一种早期复合故障诊断装置，包括处理器和与所述处理器连接的存储器，所述存储器内储存有供所述处理器执行的计算机程序，所述处理器执行该计算机程序时，进行实施例1所述的早期复合故障诊断方法。
实施例3
46.一种可读存储介质，储存有供处理器执行的计算机程序，所述处理器执行该计算机程序时，进行实施例1所述的早期复合故障诊断方法。
47.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术
方案的范围。

技术特征：
1.一种风力发电机早期复合故障诊断方法，其特征在于，包括：步骤1，对机械零部件的振动信号进行采集；步骤2，对rssd信号进行分解，具体包括：步骤2.1，用品质因子定义输入信号的共振属性，为信号振荡的中心频率，bw为带宽，根据冲击信号和谐波信号品质因子的不同，得到包含冲击信号的低共振分量信号和包含谐波信号的高共振分量；步骤2.2，根据高、低通滤波器组的尺度参数和，确定rssd分解的最大层数，其中，为冗余度，n为数据长度，为向下取整符号；步骤2.3，根据品质因子和冗余度，确定信号重构过程中，低通滤波器的表达式为：及高滤波器的表达式为：其中，为一个函数，可表述为：，；步骤2.4，根据步骤2.1-步骤2.3，可以确定分解滤波器组的基本参数，对步骤1获得的振动信号，可表达为，其中，表示高共振分量，表示低共振分量，表示冗余分量；利用形态分量分析建立稀疏分解的目标函数为，其中，和分别表示高、低品质因子的逆小波变换；步骤2.5，利用分裂增广拉格朗日收缩算法对小波系数和进行迭代计算，当目标函数取得最小值时，得到、和的表达式如下：
，式中和分别是目标函数最优的变换系数；步骤2.6，计算fcfr；步骤2.7，采用fcfr为目标函数，给定和参数范围，重复步骤2.1-步骤2.5，利用pso算法优化品质因子和；步骤2.8，采用fcfr为目标函数，给定和参数范围，重复步骤2.1-步骤2.5，利用pso算法优化品质因子和；步骤2.9，根据步骤2.7和步骤2.8获得的最优、、和，进行rssd分解，获得最优高、低共振分量及残余分量；步骤3，进行teager能量谱分析，根据teager能量谱判断故障发生的原因。2.根据权利要求1所述的一种风力发电机早期复合故障诊断方法，其特征在于，步骤1包括：步骤1.1，通过振动传感器采集机械零部件振动信号，所采集的数据存储至数据采集仪器；步骤1.2，将数据采集仪中的数据导出作为rssd信号分解的输入。3.根据权利要求1所述的一种风力发电机早期复合故障诊断方法，其特征在于，步骤1中，机械零部件包括齿轮箱、轴承、齿轮部件中的一种或多种。4.根据权利要求1所述的一种风力发电机早期复合故障诊断方法，其特征在于，步骤2.6具体包括：步骤2.6.1，对原始信号进行共振稀疏分解，得到高共振分量和低共振分量；步骤2.6.2，对低共振分量进行ht变化，得到瞬时幅值响应；步骤2.6.3，对步骤2.6.2中得到幅值响应做快速傅里叶变化，得到频谱图，并找到所有可能故障特征频率的幅值；步骤2.6.4，基于故障特征频率的幅值，计算fcfr。5.根据权利要求1所述的一种风力发电机早期复合故障诊断方法，其特征在于，步骤3包括根据最优高、低共振分量，计算高、低共振分量的峭度谱，根据峭度谱确定多点优化最小熵解卷积的周期范围，对给定周期范围内的信号进行momeda解卷积计算，对momeda解卷积信号计算teager能量谱，最后根据teager能量谱判断故障发生的原因。6.根据权利要求5所述的一种风力发电机早期复合故障诊断方法，其特征在于，步骤3具体包括：步骤3.1，选用故障周期对应的采样点数作为输入的故障周期，采样周期定义为；
步骤3.2，通过公式计算高、低共振分量的解卷积输出信号的多点峭度值，获得多点峭度谱，其中是目标向量，可通过故障冲击周期来确定，，是用于扩展目标向量的窗口函数；步骤3.3，根据高、低共振成分的多点峭度谱，确定momeda解卷积的计算周期区间；步骤3.4，根据公式，求解d-范数的最大值使解卷积效果，得到在给定周期区间的最优momeda解卷积信号；步骤3.5，给定窗函数和滤波器长度的参数范围，以fcfr作为目标函数，利用pso算法优化和，获得最优的窗函数和滤波器长度；步骤3.6，根据最优的和参数，进行momeda解卷积，获得给定周期范围的解卷积时间序列；步骤3.7，基于momeda解卷积后得到的时间序列，根据计算任意时刻处的teager能量算子，得到momeda解卷积信号的teager能量序列；步骤3.8，对teager能量序列进行快速傅里叶变换，获得teager能量谱；步骤3.9，根据teager能量谱中的故障特征频率识别故障。7.一种早期复合故障诊断装置，包括处理器和与所述处理器连接的存储器，所述存储器内储存有供所述处理器执行的计算机程序，其特征在于，处理器执行该计算机程序时，进行权利要求1-6中任一所述的早期复合故障诊断方法。8.一种可读存储介质，储存有供处理器执行的计算机程序，其特征在于，处理器执行该计算机程序时，进行权利要求1-6中任一所述的早期复合故障诊断方法。

技术总结
本发明属于机械故障诊断领域，具体涉及一种风力发电机早期复合故障诊断方法、装置和可读存储介质，包括：步骤1，对机械零部件的振动信号进行采集；步骤2，对RSSD信号进行分解；步骤3，进行Teager能量谱分析，根据Teager能量谱判断故障发生的原因。本发明可实现轴承、齿轮箱等机械零部件的单/复合故障的早期诊断，给监测提供早期预警，实现机械零部件的早期故障诊断。同时本发明所提出的方法，能够避免噪声的干扰，具有诊断准确、可靠性高、成本低的优点。点。点。


技术研发人员：张才亮 朱嵘华 涂智圣 赵一凡 栾富豪
受保护的技术使用者：浙江大学海南研究院
技术研发日：2023.06.02
技术公布日：2023/7/6