基于最大重加权峭度盲解卷积的机械故障诊断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114528525A(43)申请公布日2022.05.24(21)申请号202210028718.6G01M13/021(2019.01)(22)申请日2022.01.11(71)申请人西南交通大学地址610000四川省成都市二环路北一段(72)发明人张新王家序吴磊孟凡善张忠强何劲峰赵艺珂杨涛孙舰凯夏恒(74)专利代理机构成都时誉知识产权代理事务所(普通合伙)51250专利代理师李双(51)Int.Cl.G06F17/15(2006.01)G06F17/18(2006.01)G06F17/11(2006.01)G01M13/028(2019.01)权利要求书2页说明书5页附图2页(54)发明名称基于最大重加权峭度盲解卷积的机械故障诊断方法(57)摘要本发明涉及基于最大重加权峭度盲解卷积的机械故障诊断方法，属于风电机组故障诊断技术领域，提出一种新的盲解卷积方法，即最大重加权峭度盲解卷积。重加权峭度对故障信号中单个或少量强冲击干扰具有很好的鲁棒性，且无需待恢复故障冲击序列先验知识。基于此，最大重加权峭度盲解卷积方法能有效解决经典基于峭度最大化方法倾向于恢复单个主导冲击而非齿轮故障冲击序列的问题，同时相较于常见非全“盲”(依赖故障特征频率先验)方法在工业装备齿轮故障诊断方面具有更强的适用性。并且在风电涡轮机故障诊断中的应用案例证实所提方法对于齿轮故障诊断的有效性。CN114528525ACN114528525A权利要求书1/2页1.基于最大重加权峭度盲解卷积的机械故障诊断方法，其特征在于，包括以下步骤：S1：输入测量信号x，随机初始化滤波器h系数；S2：通过滤波器h对测量信号x滤波，得到滤波信号s，计算滤波信号s的重加权峭度RK(s)；S3：通过最大重加权峭度盲解卷积的迭代求解，不断更新滤波器h系数；S4：重复步骤S2和S3使重加权峭度RK(s)达到最大且满足迭代次数；S5：最大重加权峭度RK(s)对应的滤波信号s即为目标滤波信号。2.如权利要求1所述的基于最大重加权峭度盲解卷积的机械故障诊断方法，其特征在于，步骤S2中，计算滤波信号s的重加权峭度RK(s)的步骤如下：(1)对滤波信号s进行M等分，得到各子段信号sm(m＝1,…,M)，M为不超过信号长度的任意正整数；(2)计算各子段信号的峭度Kurtm；(3)对Kurtm进行升序排列，并将其表示为向量形式，即：Kurtasc；(4)计算Kurtm对其和的权重，即：(5)对Wm进行降序排列，同样将其表示为向量形式，即：Wdesc；(6)利用重排后的权重向量Wdesc对重排后的峭度向量Kurtasc进行加权，得到信号的重加权峭度RK：TRK＝Kurtasc·(Wdesc)(2)。3.如权利要求2所述的基于最大重加权峭度盲解卷积的机械故障诊断方法，其特征在于，M取值为4。4.如权利要求2所述的基于最大重加权峭度盲解卷积的机械故障诊断方法，其特征在于，步骤S3中具体如下：最大重加权峭度盲解卷积求解滤波器系数表示为：为求得RK最大值，令RK对滤波器系数的偏导数等于0，即：首先，其中，Kurtθ为第θ段滤波信号的峭度，通过迭代求解，不断更新滤波器系数的方式求得方程的有效近似解，利用得到M个滤波器，对这M个滤波器加权求和得到更新后的滤波器，其过程如下：2CN114528525A权利要求书2/2页其中，N为滤波信号长度，L为滤波器长度，xθ，sθ分别对应第θ段信号子段以及滤波信号；因此，得到更新后的滤波器：5.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被运行时执行如权利要求1‑4任一项所述的一种基于最大重加权峭度盲解卷积的机械故障诊断方法。6.一种电子设备，其特征在于，包括处理器和存储器，所述存储器用于存储所述处理器的可执行命令，所述处理器通过运行所述可执行命令以实现如权利要求1‑4任一项所述的一种基于最大重加权峭度盲解卷积的机械故障诊断方法。3CN114528525A说明书1/5页基于最大重加权峭度盲解卷积的机械故障诊断方法技术领域[0001]本发明属于风电机组故障诊断技术领域，具体涉及基于最大重加权峭度盲解卷积的机械故障诊断方法。背景技术[0002]风电机组是风电场的主设备，价格占风电场总投资的74‑82％，由于运行环境恶劣导致设备故障率高，且维护费用昂贵，因此风电机组的维护费用已成为风电场主要运营成本。降低风电机组维护费用是提高风电场运营经济效益的重要途径，为了有效降低风电机组的维护费用，风电企业纷纷引入状态监测、故障诊断和状态维护等技术。[0003]在故障诊断环节，受噪声以及传递路径等影响，齿轮故障特征信号通常比较微弱，目前的故障诊断不能有效诊断风电机组齿轮故障。[0004]因此，现阶段需设计基于