[发明专利]一种用于风电机组特征信号提取的改进变分模态分解方法

说明书

本发明公开了一种用于风电机组特征信号提取的改进变分模态分解方法。为了克服风电机组有效信号提取难和变分模态分解的自适应性的问题，本发明根据信号经变分模态处理后得到的固有模态函数的特性，从相关系数，波峰幅值和中心频率这三个方面确定最优分解参数。这是一种后验的改进变分模态分解方法，使得提取的固有模态函数包含的噪声和干扰信息更少，提升了准确性和可靠性。

技术领域

本发明涉及风力发电机组信号处理领域，尤其一种用于风电机组特征信号提取的改进变分模态分解方法。

背景技术

风电行业步入黄金发展时期，因风电机组内部构造愈加复杂，为其日常运行和维护带来了更多挑战；在进行日常测试时，振动信号往往包含机组各个部件的信号，并且其中夹杂大量非平稳信号，这使得采用传统的信号处理方法很难从中提取出有效信息。若采用非线性信号处理方法，可以利用时频变换从非平稳信号中提取出有效信息，其中变分模态分解(Variational Mode Decomposition，VMD)在处理非平稳信号时能够有效减少虚假信息和增强有效信号的提取能力，但是，变分模态使用时需要预先确定分解的数量，分解个数过大会产生模态裂解和虚假模态，个数过小会产生模态混叠和模态遗漏，存在自适应性问题。

一种在中国专利文献上公开的“一种基于宽带傅里叶分解的非平稳信号分析方法”，其公告号CN111767811A，包括带宽傅立叶分解首先通过傅立叶变换将原始的时域信号转换为频域信号，然后通过傅立叶谱带宽优化算法将频域信号分解为稀疏的窄带子信号，并通过傅立叶逆变换将频域的窄带子信号转换为时域的带宽模态分量，最后通过希尔伯特(Hilbert)变换提取信号的特征。此方案在进行信号分解分析时仅基于傅里叶变换，而傅里叶变换属于一种整体变换，缺少时域定位功能，因此使用此方案方法进行信号分解分析时，得到的信号频谱反应的是整体信号中包含的某一频率分量的平均值，使得结果存在时间和频率分辨上的局限性。

发明内容

本发明主要解决现有技术中风电机组有效信号提取难以及变分模态分解自适应性的问题；提供一种用于风电机组特征信号提取的改进变分模态分解方法，采集风电机组的振动信号并进行数据预处理，用改进变分模态分解处理振动信号，使得提取的固有模态函数在独立性和降噪上达到最佳，最后从提取的固有模态函数中计算特征频率；根据信号经变分模态处理后得到的固有模态函数的特性，从相关系数，波峰幅值和中心频率这三个方面确定最优分解参数；本发明方案属于一种后验的改进变分模态分解方法，使得提取的固有模态函数包含的噪声和干扰信息更少，提升了准确性和可靠性。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

本发明包括以下步骤：采集风电机组振动信号；对振动信号进行去趋势项处理，减少干扰；采用传统变分模态分解(VMD)处理振动信号，得到不同分解个数下的固有模态函数(IMFs)；结合固有模态函数的相关系数、波峰幅值和中心频率这三个方面来自适应确定变分模态分解的个数K，对母线槽振动信号进行自适应变分模态分解处理，得到各个独立的固有模态函数；分析提取得到固有模态函数，确定包含有用信息的固有模态函数。在收集到信号后对信号进行去趋势项能够减小振动信号的采集误差；此外，利用改进变分模态分解处理振动信号，使得提取的固有模态函数在独立性和降噪上达到最佳。

作为优选，所述的获取不同参数下固有模态函数的过程，具体包括以下步骤：建立变分模态分解的数学模型；采用增广拉格朗日法将约束变分问题转化成非约束变分问题，得到增广拉格朗日表达式；采用交替方向乘子法来解此非约束变分问题，得到更新公式；在迭代求解变分模型过程中不断更新各IMF分量的频率中心和宽带，直至满足迭代停止条件，最终对求解出的模态求逆傅里叶变换，得出经过VMD分解后的K个固有模态IMF；令K依次取2到10，并且代入VMD中，获得不同VMD分解个数K下的固有模态函数。

作为优选，所述的变分模态分解的数学模型见下列表达式：