一种风力发电机组轴承的在线监测与故障诊断系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108760302A(43)申请公布日2018.11.06(21)申请号201810431637.4(22)申请日2018.05.08(71)申请人南京风电科技有限公司地址210000江苏省南京市经济技术开发区恒广路12号科创基地514室(72)发明人潘爱华王安正于长生袁倩(74)专利代理机构北京挺立专利事务所(普通合伙)11265代理人倪钜芳(51)Int.Cl.G01M13/04(2006.01)权利要求书2页说明书7页附图1页(54)发明名称一种风力发电机组轴承的在线监测与故障诊断系统(57)摘要一种风力发电机组轴承的在线监测与故障诊断系统，步骤一：创建模版库：离线创建风力发电机组轴承振动模版库；步骤二：数据采集：在风电机组在线监测平台中，同步采集四个方向上的轴承的振动加速度信号，数据采集界面完成数据采集卡的配置工作；步骤三：信号初步融合：在信号采集的过程中，传感器会受到噪声和传感器自身的影响，对所采集到的信号做预处理，使所获信号能够最大限度的保留故障信息；步骤四：特征值提取：采用EMD算法将融合后的振动信号分解到不同频带内；步骤五：故障监测：分别采用BP神经网络、欧式距离的方式计算故障特征向量与振动模版的相似度，将两种方法的结果作为证据体送入D-S证据理论中进行决策判断，并进行故障预警。CN108760302ACN108760302A权利要求书1/2页1.一种风力发电机组轴承的在线监测与故障诊断系统，其特征在于：具体包括以下几个步骤：步骤一：创建模版库：离线创建风力发电机组轴承振动模版库，包括：轴承内圈故障、轴承外圈故障、轴承滚动体故障和轴承正常状态；步骤二：数据采集：在风电机组在线监测平台中，同步采集四个方向上的轴承的振动加速度信号，数据采集界面完成数据采集卡的配置工作，具体包括：设备号的选择、通道号的选择、缓冲区大小、采样速率和采样点数；步骤三：信号初步融合：在信号采集的过程中，传感器会受到噪声和传感器自身的影响，对所采集到的信号做预处理，使所获信号能够最大限度的保留故障信息，通过相关函数加权法将同步采集的四个方向的振动加速度信号进行融合。步骤四：特征值提取：采用EMD算法将融合后的振动信号分解到不同频带内，然后计算分解后的固有模态分量IMF的能量值，公式如(1)所示：其中，n为第j个IMF的信号总长度，xjm是第j个IMF的第m个点对应的信号幅值；分别计算i个IMF的能量，则用其构成的特征向量为，公式如(2)所示：T＝[Ec1,Ec2,…,Eci](2)其进行归一化处理后最终的故障特征向量为，公式如(3)所示：T＝[E1,E2,…,Ei](3)步骤五：故障监测：分别采用BP神经网络、欧式距离的方式计算故障特征向量与振动模版的相似度，将两种方法的结果作为证据体送入D-S证据理论中进行决策判断，并进行故障预警。2.根据权利要求书1所述的一种风力发电机组轴承的在线监测与故障诊断系统，其特征在于：所述步骤五具体包括以下几个步骤：步骤5.1：利用振动模版中的能量特征值数据训练BP神经网络，并保存模型；步骤5.2：将获取n个故障特征向量作为输入向量送入训练好的BP神经网络模型中，获得诊断结果并将其作为一个证据体；步骤5.3：将获取的n个故障特征向量与振动模版中的能量特征值进行欧式距离相似度测度匹配，所采用的匹配，公式如(4)所示：其中，xi为故障特征向量x的第i个分量，xj为振动模版库中特征向量x的第j个分量，D(xi,xj)为欧式距离相似性测度值，并将其作为第二个证据体；步骤5.4：将两个证据体进行D-S证据理论的合成，设置识别框架U＝{F1,F2,F3,F4}分别代表内圈故障、外圈故障、滚动体故障、正常情况；分别计算两个证据提的基本概率赋值，公式如(5)所示：2CN108760302A权利要求书2/2页其中：dij—证据体i与目标j输出向量的曼哈顿距离(ManhattanDistance)；q—故障类型数；p—证据体的总数；α—各证据体的可靠性系数，表示对此证据体的判断结果的信任程度；mi(j)—第i个证据体对目标j的基本概率赋值；mi(U)—第i个证据体的不确定性的概率赋值；然后根据公式如(6)所示：其中：代表各证据体之间的冲突程度，如果K≠1，则m(C)作为基本的概率赋值；若K＝1，则m1,m2,…,mn之间相互矛盾，无法按公式进行组合，系数称为归一化系数，该系数的作用是防止在组合过程中给空集赋予了非零的概率值。步骤5.5：基于基本概率赋值的决策进行报警：设而且满足以下条件，公式如(7)所示：如果存在，公式如(8)所示：则将A1作为判决的最终结果，ε1和ε2是预设的判决门限阈值，门限值为ε1＝0.55，ε2＝0.1。3CN108760302