[发明专利]一种基于MMF与IGRA风电机组轴承故障诊断方法

权利要求书

1.一种基于MMF与IGRA风电机组轴承故障诊断方法，其特征在于：首先采集各类故障的原始振动信号，确定结构元素g、分析尺度和权重因子q三个运算参数，并用形态学方法计算轴承振动信号的多重分形特征，包括多重分形谱和广义维数；之后，从曲线中提取了6个参数即形态学多重分形谱谱宽、谱高、最大奇异指数、分形维数差和形态学广义维数波动范围、最大广义维数，这些参数都具有明确的物理意义，根据对轴承工况刻画的敏感性，选择区分度最大的3个特征即形态学多重分形谱谱宽、最大奇异指数和形态学广义维数波动范围，作为表征轴承状态信息的特征参数，构建故障特征矩阵；接下来，利用优选的特征构建参考数列与比较数列，对传统灰色关联度计算方法进行改进，即用离差最大化确定特征指标不同的权重；最后，计算加权灰色关联度，完成故障诊断；

具体实施步骤如下，S1构建故障特征矩阵：

1)数据采集：采集t 组n类故障的原始振动信号，每组n类故障的原始振动信号的数据个数均为H，作为诊断算法的训练样本集合，i为数据所属故障类型，l为数据所属样本；同样采集s组n种状态的振动信号，数据个数同样为H，组成待识别样本集合验证算法的有效性；

2)运算参数确定：在计算数学形态学多重分形之前，需要先结合轴承振动信号实际特点，对计算结果的影响以及运算时间成本确定结构元素g、分析尺度和权重因子q三个重要参数；

3)特征提取与选择；在这个过程中，首先对原始振动信号利用形态学操作计算其广义维数，之后使用Legendre变换，得到信号的形态学多重分形奇异谱，由两种曲线提取具有实际物理意义的特征，包括多重分形谱谱宽、分形维数差和广义维数波动范围、谱高、最大奇异指数、最大广义维数；接下来计算t组特征的平均值，并对其进行无量纲处理，通过比较所提取特征对轴承不同状态的灵敏度区间，选择规律性强，区间间隔均匀的m个特征即为所需特征，并构建标准故障特征矩阵；

S2进行故障诊断阶段：

对s组n种状态的振动信号按照构建故障特征矩阵步骤2)确定形态学多重分形参数，以步骤3)相同的计算方法求取m个特征，得到待识别特征矩阵；以标准故障特征矩阵中的一类故障特征向量作为参考数列，每组识别特征矩阵作为比较数列,第i个比较数列中第j个特征的灰色关联系数公式如下：

(1)

其中，是参考数列分量和比较数列分量之间的绝对偏差数列，；为分辨系数，越小，分辨力越大，设置为0.5；

对每组比较数列做无量纲化处理，得到矩阵，由每组比较数列各个特征的离差占所有特征之间总离差的比例确定关联度权重并求加权灰色关联度，对于第j个特征指标对应的权重公式为：

(2)

其中，k为所属故障类型，为第i种故障下第j个特征指标大小，为第k种故障下第j个特征指标大小；

由此计算加权灰色关联度公式为：

(3)

其中，为j个特征指标对应的权重，为第i个比较数列中第j个特征的灰色关联系数；

根据公式(3)得到的关联度用来表示参考数列和若干个比较数列之间的相关性程度；如果两个序列完全无关，则关联度的值为0；如果两个序列一致，则关联度值为1；若比较数列中一组分量关联度比其他分量的关联度高，则这组分量与参考数列更为相似，以此判断振动信号所属类型。