[发明专利]一种基于MMF与IGRA风电机组轴承故障诊断方法

说明书

本发明公开了一种基于MMF与IGRA风电机组轴承故障诊断方法，本发明通过提出一种利用数学形态学多重分形的两个定义角度提取特征方法，得到轴承不同状态振动信号的广义维数和多重分形谱，从中提取了具有实际物理意义的特征参数，并从特征间灵敏度出发，选择能够有效区分轴承状态的特征参数构成标准故障特征向量，提高了特征选择的准确性。以离差最大化加权对传统的灰色关联分析进行改进，提高了灰色关联模型的可靠性与精确度。最后结合MMF和IGRA对检测信号的类型进行判别，实现故障诊断。实验诊断结果表明本发明可以准确识别信号故障类型，较传统方法更加稳定准确，计算成本更低。

技术领域

本发明是一种应用于风电机组滚动轴承或大型旋转机械滚动轴承的故障诊断方法，尤其针对振动信号非平稳、非线性的特性，更合理的选择能够表征信号的特征参数，快速实时分析诊断信号故障；属于基于数据驱动的故障诊断技术领域。

背景技术

随着经济的飞速发展，人类对能源要求不断加大，由于能源供应紧张，世界能源结构正在由矿物能源系统向以可再生能源为基础的可持续能源系统转变。与其他能源相比，风能在技术和成本上都表现出较强的优势，已经成为清洁能源的主要发展趋势。风力发电项目是一种投资时间很长的工程，其收益期也很长。风电场建成之后的维护成本直接决定着风电场的效益，长期运转的风力发电机组需要定期进行检修和维护，来确保运行的稳定性和安全性。当工程中风力发电机组的工作寿命为20年时，其维护成本就占了整体收益的10％～15％；风力发电机组安装在海上所需要的运行和维护成本占到整体效益的20％～25％，大量的运转和维护成本加大了工程的运营费用及降低了工程的经济收益。要使风电场的效益最大化，就需要将运维成本降到最低。滚动轴承是风力发电机中最重要也是最易受到损伤的零部件之一，如果发生故障将对整个旋转机械甚至整个风机的运行状态产生重大影响。据统计显示，机械故障中约30％的故障都是由滚动轴承引起的，电机故障也有20％的故障是由滚动轴承引起的。另外实际工程中风电机组大多数是安装在风力资源比较充足的地带，比如草原、戈壁滩和荒漠等环境，机组安装的范围很广且数量也比较多，受到恶劣的自然环境的影响，这使得滚动轴承更容易发生故障。因此，对其运行工况进行实时监测和故障诊断的研究越来越受到人们的重视，如何实时、准确区分滚动轴承运行状态非常有意义。

对采集的轴承振动信号分析是风机滚动轴承运行工况实时监测和故障诊断最常用的工具之一，但是轴承故障振动信号是一种典型的非平稳，非线性信号，不易挖掘信号中的故障信息。分形几何为表征振动信号的复杂性和非线性提供了一种分析方法，分形维数是度量分形的重要指标。但仅考虑信号的单重分形维数，分形特征不够全面，而多重分形可以更细致的刻画信号局部尺度行为，更全面地表征信号的分形特性。数学形态学的多重分形算法比传统盒覆盖法多重分形更加简捷精确，但是常规故障特征参数选择的种类与个数上，随机性较大，选择不当会后续故障诊断效果影响很大。在得到前端的信号MMF分析获得信号特征后，结合合适的后端智能识别算法来完成故障诊断。针对传统的智能诊断算法需要充足的有效数据进行训练学习，对样本量需求大，时间成本多，使用离差最大化赋权值的改进型灰色关联分析完成故障诊断。

发明内容

本发明针对传统盒覆盖法提取振动信号多重分形特征不稳定，特征参数选取不准确，传统智能识别算法学习慢，样本需求量大的问题，提出新的大型风电机组轴承故障诊断方法。算法的核心思想是：首先使用形态学计算其广义维数与多重分形谱，之后结合二者在不同状态下的实际情况，选择能够敏感区分信号故障类型的参数作为特征量，接下来使用能够定量测量不同状态特征间近似程度的改进型离差加权灰色关联分析作为滚动轴承故障诊断方法，根据加权灰色关联度的大小分布可以对轴承故障状态进行精确识别，该方法相比传统风电机组滚动轴承故障诊断方法更加精确，计算效率更高，有较好的实用价值。

本发明采用了如下的技术方案为一种基于MMF与IGRA风电机组轴承故障诊断方法，该方法的实现步骤如下：