[发明专利]一种风力发电机振动故障诊断方法及存储介质

说明书

本发明涉及一种风力发电机振动故障诊断方法及存储介质，所述方法包括以下步骤：获取风力发电机的振动信号f(t)；通过变分模态分解算法将获取的振动信号分解得到k个模态分量u_k(t)；计算k个模态分量的能量熵，并根据各个模态的能量熵构建特征向量；将特征向量输入支持向量机的模型中进行故障识别。变分模态分解算法将振动信号分解转化为非递归、变分模态分解方式，属于约束条件下的函数优化问题，以各模态估计带宽最小为目标，更新各模态函数和相应的中心频率，其实质为一组自适应维纳滤波器组，相对于EMD仍能够准确分解提取振动故障信息，能有效地避免EMD分解中出现模态混叠的问题。

技术领域

本发明涉及风力发电机技术领域，特别涉及一种风力发电机振动故障诊断方法及存储介质。

背景技术

当今传统能源越来越紧缺，同时环境气候越来越恶劣，对新能源的利用和开发已成为各国关注地焦点。风能是一种可再生绿色能源，已得到诸多国家的大力开发、研究和利用。但是，随着风电机组地大量建设、运行和生产，亦产生了一系列新的技术和环境问题。这就亟需研究相关的风电监测与故障诊断技术。

利用有效的设备监测和故障诊断手段，能对风电机组运行各个参数连续监测，可实时跟踪各种状态信息，分析风电运行状况和诊断故障，并根据诊断结果安排合适的检修计划，从而降低设备事故率和运行维修费。振动信号作为众多诊断信息的最重要载体，基于振动信号诊断方法得到越来越多的关注，如现有的基于经验模态分解(Empirical ModeDecomposition，EMD)的风力发电机故障诊断方法；EMD是一种非线性信号分析方法，它可以将一个复杂信号分解成多个IMF的组合。但EMD依赖于信号局部极值信息，容易产生模态混叠问题。

发明内容

为此，需要提供一种风力发电机振动故障诊断方法及存储介质，解决现有基于经验模态分解进行故障分析存在模态混叠的问题。

为实现上述目的，发明人提供了一种风力发电机振动故障诊断方法，包括以下步骤：

获取风力发电机的振动信号f(t)；

通过变分模态分解算法将获取的振动信号分解得到k个模态分量u_k(t)；

计算k个模态分量的能量熵，并根据各个模态的能量熵构建特征向量；

将特征向量输入支持向量机的模型中进行故障识别。

进一步优化，所述“通过变分模态分解算法将获取的振动信号分解得到k 个模态分量”具体包括以下步骤：

将风力发电机的振动信号f(t)转化为频域信号

初始化模态分量中心频率拉格朗乘法算子n←0；

n＝n+1；

利用公式和更新和中心频率α为二次惩罚因子；

对于所有ω≥0，更新双上升步长：τ为噪声容限参数；

判断和是否满足收敛条件公式：其中ξ＞0；

若满足，则停止迭代，若不满足，则返回至n＝n+1，继续迭代。

进一步优化，还包括以下步骤：

获取风力发电机在正常状态、内圈故障状态、外圈故障状态及滚动体故障状态的振动信号各n组作为训练样本及各n组作为测试样本；

将训练样本及测试样本进行变分模态分解算法分解后进行能量特征提取后，输入LIBSVM模型中进行样本训练后，得到最后的支持向量机的模型。

进一步优化，所述LIBSVM模型的惩罚参数为2，函数参数为1。

进一步优化，所述“计算k个模态分量的能量熵，并根据各个模态的能量熵构建特征向量”之后还包括：