一种风电转盘轴承故障特征提取方法

本发明涉及机电设备状态监测，尤其涉及一种风电转盘轴承故障特征提取方法。

背景技术：

1、目前风电机组传动系统的齿轮箱、电动机等关键部件的故障率较高，而齿轮箱、电动机失效大都由轴承故障导致。近年来，风电技术发展迅速，风电相关产业也越来越热门。因此风电故障诊断研究具有重大意义。同时对于风电机组的可靠性要求也越来越高。这就要求故障信号提取精度高。尽管现代风力涡轮机配备了大量传感器来收集各种数据，但是这些数据可能是非结构化的，需要进行有效的处理和分析。处理大规模数据的挑战在于识别出与轴承故障相关的模式和特征，以便进行准确的诊断。风力涡轮机通常位于恶劣的环境条件下，如高海拔、极端温度和恶劣天气等。这些条件可能导致传感器故障或数据质量下降，从而影响轴承故障诊断系统的准确性和可靠性。

2、传统方法通常基于设定的阈值或规则来判断轴承是否故障，这种方法可能忽略了一些轻微的故障迹象或早期故障信号，导致故障被漏检或延误。并且大多通常仅依赖于单一传感器的数据来进行故障诊断，这种方法无法捕捉到多种故障模式的复杂特征，降低了诊断的准确性和可靠性。

3、受外界环境噪声以及振噪耦合的影响，风电轴承早期故障信号特征微弱，因此，提出一种能够准确的、有效的在强背景噪声的情况下提取识别故障特诊信号的风电转盘轴承故障特征提取方法是十分有必要的。

技术实现思路

1、本发明的目的在于提供一种风电转盘轴承故障特征提取方法，实现准确的、有效的在强背景噪声的情况下提取识别故障特诊信号。

2、为实现上述目的，本发明采用的一种风电转盘轴承故障特征提取方法，包括如下步骤：

3、采集风电转盘轴承的故障信号；

4、对每一种故障信号进行样本滤波处理，得到若干个分量，选取分量进行分析；

5、计算选取分量的均方差σ、峭度k和能量e；

6、计算每一个信号中选取的分量的峭度均值、能量均值和均方差均值；

7、建立模糊bp神经网络；

8、分别将每一个信号中选取的分量的峭度均值、能量均值和均方差均值作为模糊bp神经网络的参数；

9、分别对模糊bp神经网络进行训练及故障识别。

10、其中，在对每一种故障信号进行样本滤波处理，得到若干个分量，选取分量进行分析的步骤中：

11、将若干个分量按频率大小从高到低依次排列，选取前6个分量进行分析。

12、其中，在计算选取分量的均方差σ、峭度k和能量e的步骤中：

13、均方差σ的计算公式为：

14、

15、其中，在计算选取分量的均方差σ、峭度k和能量e的步骤中：

16、峭度k的计算公式为：

17、

18、其中，在计算选取分量的均方差σ、峭度k和能量e的步骤中：

19、能量e的计算公式为：

20、

21、其中，在对每一种故障信号进行样本滤波处理，得到若干个分量，选取分量进行分析的步骤中，样本滤波处理的过程为：

22、初始化目标集规模m，最大迭代次数gmax，随机步长因子α，并确定相关峭度值作为寻优过程中的目标函数；

23、随机初始化m个峭度的位置，并计算各自相关峭度值作为最高值；

24、根据位置参数对信号作mckd运算，并计算每个位置的ii；

25、依照ii大小确定移动方向；

26、更新位置参数[li，ti]，并对这一代中最优个体的位置进行随机扰动；

27、循环迭代，直至迭代次数达到最大设定值，输出最佳影响参数组合[l，t]和相关峭度值ck。

28、其中，在建立模糊bp神经网络的步骤中：

29、模糊bp神经网络包括五层结构，第1层为输入层，有3个神经元作为输入信号传送到下一层；第2层为网络的隐含层，计算各输入分量属于语言变量值的模糊集的隶属度函数第3层的每一个结点代表一条模糊规则，用来匹配模糊规则的前件，计算出每条规则的适用度，对于给定的输入变量，距离输入点较近的语言变量值的隶属度值很大，距离输入点较远的语言变量值的隶属度较小，当隶属度非常小时取为零；第4层是对第3层的数据进行归一化运算；第5层为后件网络，用于计算每一条规则的后件。

30、其中，在分别对模糊bp神经网络进行训练及故障识别的步骤中：

31、将得到的均方差、峭度和能量的均值中的30组数据作为训练样本对模糊bp神经网络进行训练，训练结束后再用其他21组数据作为测试样本进行故障识别。

32、本发明的一种风电转盘轴承故障特征提取方法，通过采集风电转盘轴承的故障信号；对每一种故障信号进行样本滤波处理，得到若干个分量，选取分量进行分析；计算选取分量的均方差σ、峭度k和能量e；计算每一个信号中选取的分量的峭度均值、能量均值和均方差均值；建立模糊bp神经网络；分别将每一个信号中选取的分量的峭度均值、能量均值和均方差均值作为模糊bp神经网络的参数；分别对模糊bp神经网络进行训练及故障识别，实现了准确的、有效的在强背景噪声的情况下提取识别故障特诊信号。

技术特征：

1.一种风电转盘轴承故障特征提取方法，其特征在于，包括如下步骤：

2.如权利要求1所述的风电转盘轴承故障特征提取方法，其特征在于，在对每一种故障信号进行样本滤波处理，得到若干个分量，选取分量进行分析的步骤中：

3.如权利要求1所述的风电转盘轴承故障特征提取方法，其特征在于，在计算选取分量的均方差σ、峭度k和能量e的步骤中：

4.如权利要求1所述的风电转盘轴承故障特征提取方法，其特征在于，在计算选取分量的均方差σ、峭度k和能量e的步骤中：

5.如权利要求1所述的风电转盘轴承故障特征提取方法，其特征在于，在计算选取分量的均方差σ、峭度k和能量e的步骤中：

6.如权利要求1所述的风电转盘轴承故障特征提取方法，其特征在于，在对每一种故障信号进行样本滤波处理，得到若干个分量，选取分量进行分析的步骤中，样本滤波处理的过程为：

7.如权利要求1所述的风电转盘轴承故障特征提取方法，其特征在于，在建立模糊bp神经网络的步骤中：

8.如权利要求2所述的风电转盘轴承故障特征提取方法，其特征在于，在分别对模糊bp神经网络进行训练及故障识别的步骤中：

技术总结
本发明涉及机电设备状态监测技术领域，具体涉及一种风电转盘轴承故障特征提取方法；采集风电转盘轴承的故障信号；对每一种故障信号进行样本滤波处理，得到若干个分量，选取分量进行分析；计算选取分量的均方差σ、峭度K和能量E；计算每一个信号中选取的分量的峭度均值、能量均值和均方差均值；建立模糊BP神经网络；分别将每一个信号中选取的分量的峭度均值、能量均值和均方差均值作为模糊BP神经网络的参数；分别对模糊BP神经网络进行训练及故障识别，通过上述方式，实现了准确的、有效的在强背景噪声的情况下提取识别故障特诊信号。

技术研发人员：吕中亮,罗佳森,贾翔宇,彭麟昊,夏可文,赵志强,李玲凤,徐友苇,丁北辰
受保护的技术使用者：重庆科技大学
技术研发日：
技术公布日：2024/6/23