一种基于振动数据的风电机组轴承故障特征提取方法

摘要

本发明涉及一种基于振动数据的风电机组轴承故障特征提取方法。该方法的步骤为：（一）采用JADE算法对观测信号进行盲源分离，得到源信号；（二）计算源信号的峭度和负熵；（三）计算源信号包络矩阵的奇异值；（四）利用局部线性嵌入方法提取故障特征。本发明将盲源分离和局部线性嵌入方法相结合，特别适用于轴承等旋转机械设备；能有效地消除采集轴承振动信号过程中混入的噪声，同时分离出故障源信号，为故障特征提取提供了更准确的信息。

说明书

技术领域

本发明涉及风力发电系统的技术领域，具体涉及一种基于振动数据的风电机组轴承故障特征提取方法。

背景技术

由于风场大部分位于环境复杂恶劣的地区，经常受极端天气的影响。随着机组累计运行时间的增加，机组部件不断老化，极易出现故障。风电机组上的主轴、偏航、变桨、发电机、齿轮箱等许多部位都装配有轴承，轴承故障在机组故障中占有很高的比例。为了减少风电机组的停机时间，降低机组的维修费用，对风电机组的重要轴承部件进行状态监测很有必要。目前振动信号分析技术是轴承等机械设备状态监测与故障诊断的主要手段之一，但在复杂的工况环境中，传感器拾取的信号往往是不同源信号产生的混合信号，同时，与结构故障有关的振动信号常被干扰噪声所污染，使得故障特征提取变得困难，大大限制了振动监测在实际工程中的应用。

目前的轴承故障特征提取方法主要有时域分析法和频域分析法。时域分析法通过计算有效值、裕度因数、峭度系数、峰值等时域参数，与正常情况下的参数指标进行对比来判断轴承是否发生故障；频域分析法一般计算振动信号的幅值谱、功率谱及包络谱等，根据频谱图中幅值突出的频率成分提取轴承的故障特征频率，实现轴承的故障诊断。

由于风力发电系统越来越复杂，所包含的零部件件也越来越多，使得其振动信号频率成分十分复杂，很难检测出其故障特征信息。传统的频域分析方法只能够处理平稳信号，但是对属于非平稳信号的轴承振动信号则几乎无能为力。传统的时域分析方法仅能判断轴承是否发生了故障，但无法判断故障类型。

发明内容

本发明的发明目的就在于提供后一种基于振动数据的风电机组轴承故障特征提取方法，该方法将盲源分离和局部线性嵌入方法相结合，特别适用于轴承等旋转机械设备；能有效地消除采集轴承振动信号过程中混入的噪声，同时分离出故障源信号，为故障特征提取提供了更准确的信息。

本发明的技术方案为

本发明一种基于振动数据的风电机组轴承故障特征提取方法，其步骤为：

（一）采用JADE算法对观测信号进行盲源分离，得到源信号

盲源分离是指在源信号和传输通道未知的情况下，根据源信号的统计特性，从观测信号中分离或估计出源信号的过程；所述观测信号来自一组传感器的输出，每个传感器接收到多个原始信号的一组混合，其模型可以表示为：

式中，是的观测信号，是源信号向量；类似地，为的混合信号向量，为的噪声向量，m表示的是向量的行数，则为阶混合矩阵，和是相乘的关系；

盲源分离算法采用JADE算法，该算法是由法国人Cardoso提出的一种建立在“四阶累积量矩阵对角化”概念基础上的独立分解改进算法。盲源分离JADE算法的步骤如下：

（1）对观测信号进行球化处理，计算公式如下：

式中：为球化信号；为球化矩阵。

（2）计算球化信号的四阶累积量;

（3）优化步骤，对四阶累积量进行联合对角化来获取酉矩阵。

（4）计算得到源信号的估计值，计算公式如下：

式中：为酉矩阵的逆矩阵。

（二）计算源信号的峭度和负熵

峭度是描述波形尖峰度的一个无量纲参数，计算公式如下：

式中：为源信号估计值的峭度；为源信号估计值的均值；为源信号估计值的标准差；为的期望值。

负熵是微分熵的一种标准化版本，定义为

式中：为源信号估计值的负熵，为源信号估计值的熵，为的熵，为与源信号估计值具有相同协方差矩阵的高斯随机信号；负熵总是非负的，当且仅当具有高斯分布时其值为零；负熵具有严格的统计理论背景，如果仅考虑其统计性能，那么负熵在一定程度上可以说是非高斯性的最优估计。

（三）计算源信号包络矩阵的奇异值

采用希尔伯特（Hilbert）幅值解调法对源信号进行包络分析，得到包络信号后，将上、下包络线信号组成上、下包络线矩阵，再分别对上、下包络线矩阵进行奇异值分解，并得到相应的奇异值；步骤为：

（1）将信号进行希尔伯特变换：

式中：为希尔伯特信号，它与源信号估计值的幅值和频率相同，但相位相差；为卷积符号。

（2）根据求出的希尔伯特信号，重构解析信号如下

式中：为解析信号，为虚数单位。

（3）计算解析信号的幅值：

从而完成了对故障源信号的包络分析过程，幅值即为包络信号。

（4）奇异值分解：

式中，为包络信号矩阵，由源信号的上、下包络信号组成；为矩阵的左奇异矩阵；为矩阵的右奇异矩阵；为矩阵的转置矩阵。为对角矩阵，其对角元素为包络信号矩阵的奇异值。

（四）利用局部线性嵌入方法提取故障特征

由于提取的不同参数对设备健康状态的规律性和敏感性各不相同且表现规律不一，很难用某一个或几个参数来准确表征轴承的运行状态；通过计算源信号的峭度、负熵和包络线矩阵奇异值构建源信号参数空间，这里采用局部线性嵌入方法对参数矩阵进行训练，抽取出低维特征向量，准确地描述轴承运行状态。

源信号峭度向量：

源信号负熵向量：

源信号包络矩阵奇异值向量：

将上述三个向量组合构建高维参数空间，利用局部线性嵌入方法对高维参数空间进行降维，具体步骤如下：

（1）计算每个样本点的个邻近点。对于高维参数空间中的每个样本点，计算它与另外n-1个样本点之间的距离，找出与距离最近的个点。其中两点间的距离公式为：

（2）计算样本点的局部重建权值矩阵。

（3）根据高维参数空间中样本点与它的邻近点之间的权值来计算低维嵌入空间中的值，所得低维嵌入空间中的值即为提取出的故障特征量

本发明的有益效果为：

本发明的关键点如下：（1）盲源分离是在源信号和混合通道参数均未知的情况下，根据源信号的统计特性，仅由采集的振动信号分离出各个源信号。（2）包络分析提取载附在高频振动信号上的与冲击脉冲对应的包络信号，从而更集中地反映故障信息。（3）利用局部线性嵌入方法对高维参数进行降维，提取出低维特征作为故障特征。

本发明将盲源分离和局部线性嵌入方法结合应用于风机轴承的故障特征提取；采用的是振动数据。

本发明的优点总结如下:

（1）振动信号分析法是一种有效的状态检测方法，特别适用于轴承等旋转机械设备。

（2）盲源分离可有效地消除采集轴承振动信号过程中混入的噪声，同时分离出故障源信号，为故障特征提取提供了更准确的信息。

（3）局部线性嵌入方法挖掘出的故障特征，包含更多有效信息且具有内在规律性。

（4）轴承振动监测与故障诊断能避免因轴承突发性故障而造成的经济损失，延长机组使用寿命。

（5）为机组的定期和不定期的维修计划提供依据，减少了非计划的停机时间，以及避免因初始故障而造成更严重的破坏，减少非必要部件的更换，降低机组的维修费用，能给企业带来巨大的经济效益。

附图说明

图1是风电机组轴承的故障特征提取方法流程图。

图2是盲源分离算法的原理图。

图3为在轴承座上测取的滚动轴承4种振动加速度信号时域图，从上到下依次为正常、内圈故障、滚动体故障和外圈故障。

图4为内圈故障状态下的滚动轴承振动信号分离得到的源信号时域图。

图5为提取出的轴承故障特征三维分布图。

具体实施方式

参看附图1、2所示，本发明一种基于振动数据的风电机组轴承故障特征提取方法的步骤为：

（一）采用JADE算法对观测信号进行盲源分离，得到源信号

盲源分离是指在源信号和传输通道未知的情况下，根据源信号的统计特性，从观测信号中分离或估计出源信号的过程；所述观测信号来自一组传感器的输出，每个传感器接收到多个原始信号的一组混合，其模型可以表示为：

式中，是的观测信号，是源信号向量；类似地，为的混合信号向量，为的噪声向量，m表示的是向量的行数，则为阶混合矩阵，和是相乘的关系；

盲源分离算法采用JADE算法，盲源分离JADE算法的步骤如下：

（1）对观测信号进行球化处理，计算公式如下：

式中：为球化信号；为球化矩阵。

（2）计算球化信号的四阶累积量;

（3）优化步骤，对四阶累积量进行联合对角化来获取酉矩阵。

（4）计算得到源信号的估计值，计算公式如下：

式中：为酉矩阵的逆矩阵。

（二）计算源信号的峭度和负熵

峭度是描述波形尖峰度的一个无量纲参数，计算公式如下：

式中：为源信号估计值的峭度；为源信号估计值的均值；为源信号估计值的标准差；为的期望值。

负熵是微分熵的一种标准化版本，定义为

式中：为源信号估计值的负熵，为源信号估计值的熵，为的熵，为与源信号估计值具有相同协方差矩阵的高斯随机信号；负熵总是非负的，当且仅当具有高斯分布时其值为零；负熵具有严格的统计理论背景，如果仅考虑其统计性能，那么负熵在一定程度上可以说是非高斯性的最优估计。

（三）计算源信号包络矩阵的奇异值

采用希尔伯特（Hilbert）幅值解调法对源信号进行包络分析，得到包络信号后，将上、下包络线信号组成上、下包络线矩阵，再分别对上、下包络线矩阵进行奇异值分解，并得到相应的奇异值；步骤为：

（1）将信号进行希尔伯特变换：

式中：为希尔伯特信号，它与源信号估计值的幅值和频率相同，但相位相差；为卷积符号。

（2）根据求出的希尔伯特信号，重构解析信号如下

式中：为解析信号，为虚数单位。

（3）计算解析信号的幅值：

从而完成了对故障源信号的包络分析过程，幅值即为包络信号。

（4）奇异值分解：

式中，为包络信号矩阵，由源信号的上、下包络信号组成；为矩阵的左奇异矩阵；为矩阵的右奇异矩阵；为矩阵的转置矩阵。为对角矩阵，其对角元素为包络信号矩阵的奇异值。

（四）利用局部线性嵌入方法提取故障特征

由于提取的不同参数对设备健康状态的规律性和敏感性各不相同且表现规律不一，很难用某一个或几个参数来准确表征轴承的运行状态；通过计算源信号的峭度、负熵和包络线矩阵奇异值构建源信号参数空间，这里采用局部线性嵌入方法对参数矩阵进行训练，抽取出低维特征向量，准确地描述轴承运行状态。

源信号峭度向量：

源信号负熵向量：

源信号包络矩阵奇异值向量：

将上述三个向量组合构建高维参数空间，利用局部线性嵌入方法对高维参数空间进行降维，具体步骤如下：

（1）计算每个样本点的个邻近点。对于高维参数空间中的每个样本点，计算它与另外n-1个样本点之间的距离，找出与距离最近的个点。其中两点间的距离公式为：

（2）计算样本点的局部重建权值矩阵。

（3）根据高维参数空间中样本点与它的邻近点之间的权值来计算低维嵌入空间中的值，所得低维嵌入空间中的值即为提取出的故障特征量

下面为一次实际中的算例分析验证

振动数据为实测的轴承振动信号。实验所用轴承为6025-2RS型深沟球轴承，损伤尺寸为0.018mm，故障深度为0.028cm。传感器采样率为12KHz，采样点数为3600。考虑到滚动轴承的局部损伤可能发生在外圈、内圈和滚动体上，采用电火花技术在轴承的内圈、外圈与滚动体上加工模拟局部损伤，设置的故障程度属较轻微的程度。选取正常、内圈故障、滚动体故障和外圈故障4类状态下的振动信号各40组数据作为样本。

图3为在轴承座上测取的滚动轴承4种振动加速度信号时域图，从上到下依次为正常、内圈故障、滚动体故障和外圈故障。从图中可以看出：正常状态下的轴承振动波形没有冲击、变化缓慢、无规律性，其加速度峰值基本在0.2g左右；主轴轴承内圈、外圈和滚动体故障时的时域波形相较于正常运行时的轴承时域波形，出现了一些周期性或不规则的冲击、毛刺，幅值出现不同程度的增大。

首先对振动信号进行ICA分离出3个源信号，图4为内圈故障状态下的滚动轴承振动信号分离得到的源信号时域图。计算每一个源信号的峭度和负熵，并提取源信号的上、下包络线矩阵奇异值，共提取出12个参数，构成源信号参数矩阵。

采用局部线性嵌入方法对源信号参数空间进行特征压缩，分别对滚动轴承4种不同故障参数矩阵进行学习，提取出前三维特征量，并将结果用可视化的三维图像形式表示，如图5所示。从图5中可以看出，局部线性嵌入方法很好的区分开4种状态样本，每种样本都较好地聚集在一起，各种状态间的界限非常明显。结果表明，本发明所述方法能够有效地提取轴承故障特征，为风电机组轴承的故障诊断提供依据。