[发明专利]一种风力涡轮机轴承故障诊断方法

说明书

本发明所设计的一种风力涡轮机轴承故障诊断方法，首先利用熵最小原理设计最优滤波器，突出信号中的脉冲冲击；其次，用局部均值分解对故障信号进行分解，提取与原信号相关度较大的PF分量计算参数指标，组成特征向量集合；最后，建立改进极限学习机的风力涡轮机轴承故障分类模型，并将特征向量集合输入到改进极限学习机中进行故障的诊断。本发明方法一方面利用最小熵解卷积有效地提高信噪比，使风力涡轮机轴承故障特征明显；另一方面利用局部均值分解方法得到了原始信号完整的时频分布，从改进极限学习机的故障模型中可直接检测出风力涡轮机轴承故障类型。

技术领域

本发明涡轮发动机维护领域，尤其涉及一种基于改进极限学习机的涡轮发动机轴承故障诊断方法。

背景技术

风能作为一种可再生能源，绿色、节能、高效，是未来能源科学重点发展的方向。随着风力发电站的快速发展，风力涡轮机的维护也变得越来越重要。人们对风力涡轮机可靠形与安全运行的要求越来越高，而轴承是风力涡轮机的关键部分，其性能好坏对整个系统的可靠运作有着至关重要的影响。轴承故障可能导致风力涡轮机的突然停机，进而导致整个系统的瘫痪，带来巨大的经济损失甚至是人员伤亡。因此，风力涡轮机轴承的故障诊断在工业应用中具有重要意义。

轴承故障发生往往伴随着振动信号的变化，而机械振动信号具有非线性、非平稳的特性，因此可以通过检测、处理分析振动信号来监测轴承的健康状态。本发明涉及到的最小熵解卷积通过搜索一组最佳的滤波器系数，使经过逆滤波器输出信号的峭度最大化、熵值最小，突出信号中的脉冲特性；局部均值分解是一种新的自适应信号处理方法。

目前，还没有通过处理轴承的振动信号，从而有效检验涡轮发动机故障存在与否的诊断方法。

发明内容

本发明提供了一种风力涡轮机轴承故障类型诊断方法，在风力涡轮机轴承故障诊断方面具有显著的有效性和准确性。

一种风力涡轮机轴承故障诊断方法，包含以下步骤：

Ⅰ：建立最小熵解卷积模型并获取轴承发出的信号，利用最小熵解卷积模型对信号进行降噪处理并得到有效故障信号。

Ⅱ：利用局部均值分解对有效故障信号进行分解以得到新信号，所述新信号包括若干个乘积函数PF，每个PF都是一个包络信号和一个具有物理意义的纯调频信号的乘积。

Ⅲ：建立风力涡轮机轴承的改进极限学习机故障分类模型，改进的极限学习机是一种双层多标签极限学习机网络。

Ⅳ：将新信号输入到改进极限学习机，根据得到的新的信号进行指标计算，指标包括标准差、峰值、均方根值、偏斜度、谱峭度、绝对平均值、方根幅值、峰峰值、脉冲指标、波形指标、峭度指标、裕度指标。

Ⅴ：将指标计算结果组成故障特征向量输入到改进极限学习机中进行故障分类识别，得到轴承故障类型的分类结果。

本发明方法一方面利用最小熵解卷积有效地提高信噪比，抑制噪声，使弱振动信号的故障特征被提取出来，从而使轴承故障特征明显；另一方面，利用局部均值分解方法将一个复杂的非平稳多分量信号分解成多个单分量信号，计算多个指标，由此得到特征向量组，从改进极限学习机的故障模型中可直接检测出轴承故障类型。同时，利用双层多标签极限学习机，可以将故障类型甄别出来，得到较高准确性的分类结果。

为进一步完善上述方案，本发明进一步设置为：步骤Ⅰ中所述的建立提高信噪比的最小熵解卷积模型，包括以下步骤：

①对于获得的信号，用时域卷积表示为：

x＝h_u*u+h_d*d+h_e*e，