[发明专利]一种含未知故障的风电机组主轴承故障诊断方法

说明书

本公开是一种含未知故障的风电机组主轴承故障诊断方法。其中，该方法包括：采用K‑S变换对风电机组主轴承振动信号进行高效的时‑频分解；对经过K‑S分解得到的复数时频矩阵提取特征，在高、中、低频域分别提取包括峰值、均值、标准差、方差、偏斜度、峭度、均方根值、峰峰值、Shannon熵、Renyi熵在内的10种特征，构建30维原始特征集合；以特征Gini重要度为依据对30维特征进行降序排序，选取其中对分类影响最大的前15维特征构建最优特征子集；最后采用OCSVM与RF联合的层次化混合分类器识别含未知故障的风电机组主轴承机械状态。本公开可较好的识别风电机组主轴承出现的新故障，有利于及早发现风电机组主轴承存在的安全隐患，提高设备运行可靠性。

技术领域

本公开涉及电气技术领域，具体而言，是一种含未知故障的风电机组主轴承故障诊断方法，应用于包含未知故障类型的风电机组主轴承机械故障诊断识别。

背景技术

随着化石能源被不断地开发和消耗，导致不可再生能源的枯竭和自然环境日益恶化，有效地开发可再生清洁能源成为世界各国的能源发展战略之一。风能具有良好的可开发性，在众多可再生能源当中，以风能为驱动的风力发电在国家未来能源发展战略中具有十分重要的作用。

风电机组主轴承作为风电机组核心部件，其健康状态直接影响风电机组的正常运行。随着装机规模的不断增加，风电机组主轴承的日常维护和检修费用大大增加，需要采用更加科学的管理方法来降低风电机组日常维护和检修的成本。由早期的“事后维修”和如今的“有计划预防维修”向更加科学合理和经济快捷的“状态检修”过渡，其中包含未知故障类型的风电机组主轴承振动信号的精准识别具有十分重要的意义。

目前，现有研究采用信号处理技术可以对风电机组主轴承振动信号特征进行增强，但是仍然包含特征提取不足、未知故障类型信号难以识别等问题。因此，需要提供一种能够解决上述问题的技术方法。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种含未知故障的风电机组主轴承故障诊断方法。可以提高风电机组主轴承振动信号诊断精度，并可解决含未知类型故障信号的误识别问题。首先，将风电机组主轴承振动信号采用包含自适应调节机制优化Kaiser窗函数的K-S变换进行信号分解，对经过K-S分解得到的时频矩阵在高、中、低频域分别提取10种特征，构建30维特征向量集；然后，通过基尼(Gini)指数评价特征分类能力，结合前向特征选择策略，构建最优特征集合；最后，采用单类支持向量机(One Class Support Vector Machines，OCSVM)与随机森林(Random Forest，RF)联合的层次化混合分类器进行故障诊断。该方法能够提高含未知故障的风电机组主轴承故障状态的识别精度和识别效率。包括以下步骤：

1)采用基于自适应调节机制的优化Kaiser窗函数的K-S分解方法，对风电机组主轴承振动信号进行时频分解

本公开中采用以自适应的Kaiser窗函数取代S变换中的Gaussian窗函数建立的K-S分解方法对风电机组主轴承信号进行处理。首先对时间信号x(t)进行加窗短时傅里叶变换，即

式中，STFT表示加窗短时傅里叶变换，w(t)为窗函数；τ为时移因子，t表示时间，f表示频率。

由于短时傅里叶变换的窗函数时域及频域窗口固定、不具有自适应性，为克服这个缺陷，将其窗函数定义为具有自适应调节能力的Kaiser窗，即

式中，w_k(τ-t,f)表示Kaiser窗函数，I₀(x)为第一类修正零阶贝塞尔函数，β为窗口形状调节参数。

将加窗短时傅里叶变换式代入上式可得到信号x(t)的连续K-S分解为