[发明专利]一种基于振动数据的风电机组轴承故障特征提取方法

说明书

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。

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：

x(t)＝HS(t)+n(t)

式中，x(t)＝[x₁(t)，x₂(t)，…，x_m(t)]^T是m×1的观测信号，S(t)是源信号向量；类似地，x(t)为m×1的混合信号向量，n(t)为m×1的噪声向量，m表示的是向量的行数，H则为

m×n阶混合矩阵，H和s(t)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x(t)进行球化处理，计算公式如下：

z(t)＝Wx(t)

式中：z(t)为球化信号；W为球化矩阵。

(2)计算球化信号z(t)的四阶累积量N；