本發明涉及風力發電設備故障診斷，更具體地說，它涉及一種風力發電機軸承故障診斷方法及系統。

背景技術：

1、風力發電機作為一種重要的可再生能源發電設備，其在運行過程中，發電機軸承常常處于惡劣的工作環境下，面臨著強背景噪聲和電磁噪聲的干擾。這些干擾因素使得發電機軸承的故障特征信息難以被準確檢測，進而給風力發電機的正常運行和維護帶來了諸多挑戰。

2、在現有的故障診斷技術中，存在以下幾個方面的問題：

3、首先，對于滾動軸承故障特征信息的檢測，傳統方法難以有效克服強噪聲干擾的影響。雖然數學形態學中的一些濾波器可用于信號處理，但在選擇結構元素的尺度時，現有的峭度準則和信噪比方法不夠準確，導致難以精準地從強背景噪聲中提取微弱的故障特征信息。

4、其次，風力發電機調心滾子軸承故障振動信號具有非平穩、非線性的特點，傳統的故障特征提取方法難以有效適應這種復雜的信號特性，無法全面準確地提取出能夠反映軸承故障狀態的特征信息。

5、最后，支持向量機(svm)作為一種常用的分類工具，在處理數據時不能充分挖掘數據的深層規律，對于復雜的風力發電機軸承故障診斷場景，其診斷效果存在一定的局限性。

6、因此，迫切需要一種更加準確、高效且能夠適應復雜環境和多樣化故障模式的風力發電機軸承故障診斷方法及系統。

技術實現思路

1、針對現有技術存在的不足，本發明的目的在于提供一種風力發電機軸承故障診斷方法及系統。

2、為實現上述目的，本發明提供了如下技術方案：

3、第一方面，一種風力發電機軸承故障診斷方法，包括以下步驟：

4、通過d/senl020、d/senn020傳感器采集風力發電機軸承振動數據并進行預處理；

5、通過增強組合差分形態濾波器ecgmf對采集的風力發電機軸承振動信號進行去噪處理；

6、采用固有時間分解itd算法對去噪處理后的振動信號進行分解，提取主要分量瞬時幅值并進行頻譜分析，獲取風力發電機軸承故障特征；

7、將支持向量機svm與神經網絡模型結合構建深度支持向量機dsvm模型；

8、將特征向量輸入到深度支持向量機dsvm模型中進行訓練，并對風力發電機軸承進行故障判斷，輸出診斷結果。

9、優選地，所述振動數據包括主軸承軸向振動數據、主軸承水平振動數據、主軸承垂直振動數據、后軸承垂直振動數據、定子軸向振動數據、定子水平振動數據；所述預處理包括數據可視化檢查和數據歸一化。

10、優選地，通過增強組合差分形態濾波器ecgmf對采集的振動信號進行去噪處理，包括：

11、根據數據可視化分析以及對振動源特性的了解，確定要采用的多尺度范圍；選擇高度為零的扁平形結構元素；

12、對于每個選定的尺度值，設置與之對應的結構元素尺寸；明確在當前尺度下增強組合差分形態濾波器ecgmf變換中涉及的各種數學形態學運算的組合方式；對預處理后的振動信號依次進行數學形態學運算；

13、所述數學形態學由膨脹、腐蝕、開運算和閉運算四種基本運算符組成；假設原始一維信號f(n)的定義為f＝(0,1,…,n-1)，結構元素g(m)的定義為g＝(0,1,…,m-1),n≥m；其中，n是用于表示一維信號f(n)的離散采樣點位置索引或者序號的自變量；m是用于表示結構元素g(m)定義域內元素位置索引或序號的變量；則四種基本運算符定義如下：

14、膨脹算子：

15、腐蝕算子：(fθg)(n)＝min[f(n+m)-g(m)]

16、開算子：

17、閉算子：

18、其中，——膨脹運算符；θ——腐蝕運算符；——開運算符；·——閉運算符；

19、腐蝕算子可削減信號的峰值且能擴大信號的波谷，閉算子可抑制信號的負脈沖；相反，膨脹算子可削減信號的谷值且能擴大信號的波峰，開算子可抑制信號的正脈沖；

20、根據這種特性，兩種由膨脹算子和閉算子組成的級聯算子定義為：

21、

22、一種由腐蝕算子和開算子組成的級聯算子定義為：

23、

24、fdc和fcd抑制負脈沖和提取正脈沖信號的能力得到增強；相反，feo抑制正脈沖和提取負脈沖的能力信號的能力得到增強，因此可定義新的差分算子：

25、

26、考慮到風力發電機軸承的早期故障信息經常受到嚴重的背景噪聲干擾，所以為了從強背景噪聲中提取微弱的故障特征信息，結合fcd_eo和fdc_eo算子的特點，提出一種新的增強組合差分形態學算子：

27、ecgmf(n)＝fcd_eo(n)·fdc_eo(n)

28、在每個尺度下，對經過當前尺度增強組合差分形態濾波器ecgmf變換操作后的振動信號進行頻譜分析；

29、根據目標設備的故障機理、以往經驗以及相關理論研究，確定與設備故障相關的特征頻率；

30、針對每個尺度下的頻譜圖，計算特征頻率強度系數，則特征頻率強度系數ccfi定義如下所示：

31、

32、其中，——第i個故障頻率的幅值；——每個j點的幅值；m、n——故障頻率和總頻譜數量；

33、由于故障特征頻率受到干擾的影響相對較小，因此選擇特征頻率強度系數ccfi來確定結構元素的最優尺度；所求特征頻率強度系數ccfi的數值越大，故障特征信號提取越明顯，因此把最大的特征頻率強度系數ccfi值所對應的尺度作為結構元素的最優尺度；

34、根據確定的結構元素的最優尺度，設置相應的結構元素參數；重新確定在最優尺度下增強組合差分形態濾波器ecgmf變換中涉及的各種數學形態學運算；將經過預處理的原始振動信號代入增強組合差分形態濾波器ecgmf中進行數學形態學運算，以完成去噪處理。

35、優選地，采用固有時間分解itd算法對去噪處理后的振動信號進行分解，提取主要分量瞬時幅值并進行頻譜分析，獲取風力發電機軸承故障特征，包括：

36、對去噪后的振動信號進行采用固有時間分解itd分解，振動信號可以分解為一系列具有不同特征尺度的固有旋轉分量和一個趨勢分量之和，具體為：

37、對信號xt，定義ξ為基線提取算子，使得從信號xt中抽取一個基線后剩下的余量信號成為一個固有旋轉分量；信號xt的一次分解為：

38、xt＝ξxt+(1-ξ)xt＝lt+ht

39、其中，lt＝ξxt是基線信號，ht＝(1-ξ)xt是固有旋轉分量；

40、假設{tk,k＝1,2,…}是信號xt的局部極點，定義t0＝0為簡化符號，分別用xk和lk表示x(tk)和l(tk)；假設在[0,tk]定義lt和ht，且xt在t∈[0,tk+2]有定義；在連續極點間隔(tk,tk+1]上定義分段線性基線提取因子ξ：

41、

42、其中，α∈(0,1)，取0.5；通過一次分解得到一個基線信號lt和一個固有旋轉分量ht，其中固有旋轉分量ht表示信號中的局部相對高頻成分；

43、將一次分解得到的基線信號作為新的輸入信號繼續分解，直到獲得一個單調信號；這就將原振動信號xt分解成若干個從高到低不同頻率段的固有旋轉分量之和與一個單調趨勢分量，整個過程表示為：

44、

45、其中，ψξkxt是第k+1層固有旋轉分量，ξpxt是單調趨勢分量或在單調趨勢分量得到之前停止分解提取到最低頻率的基線信號；

46、對含有明顯周期性沖擊成分的前k個固有旋轉分量的瞬時幅值進行頻譜分析，提取軸承故障特征向量其中i＝1,2,…,k，具體為：

47、固有時間分解itd算法以全波為單位，提出了一種新的定義瞬時幅度、瞬時相位和瞬時頻率的方法；

48、所述瞬時相位，全波是指2個相鄰的上過零點之間的信號；半波是指2個過零點之間的信號；單調區間是指2個相鄰的極值點之間的信號；基于此，瞬時相位θt可以定義為：

49、

50、其中，a1＞0,a2＞0，分別表示一個全波的正半波和負半波部分的幅度，t1和t5為2個上過零點時刻，t2為正半波的極大值點(a1)時刻，t3為下過零點時刻，t4為負半波的極小值點(-a2)時刻；

51、所述瞬時頻率，瞬時頻率ft是瞬時相位θt的微分，即：

52、

53、所述瞬時幅度，瞬時幅度at以半波為單位定義，即2個過零點之間的信號的極值點的值，在每一個半波內是一個定值，即：

54、

55、完成頻譜分析后，從每個固有旋轉分量的頻譜中提取出與軸承故障相關的特征信息，組成軸承故障特征向量其中i＝1,2,…,k，即對選取的前k個固有旋轉分量都進行上述的特征提取操作，得到對應的軸承故障特征向量。

56、優選地，將支持向量機svm與神經網絡模型結合構建深度支持向量機dsvm模型，包括：

57、所述深度支持向量機dsvm模型整體結構包含輸入層、隱藏層和輸出層；所述輸入層接收提取到的軸承故障特征向量；所述隱藏層對輸入數據進行特征映射，選擇全連接神經網絡結構作為隱藏層；所述輸出層將神經網絡的輸出層替換為支持向量機svm，使用支持向量機svm對映射后的數據進行分類，通過求解分類超平面，將樣本數據分為正負兩類；

58、支持向量機svm的目標函數同樣適用于深度支持向量機dsvm模型的輸出層的分類過程，假設原始數據為xi，隱藏層映射后的數據為φ(xi)，則深度支持向量機dsvm模型的目標函數如下所示：

59、

60、其中，表示超平面的法向量；b表示超平面的截距；c表示懲罰函數；ξi表示松弛變量，主要是為了處理數據可能存在的線性不可分情況而引入的；yi表示樣本的真實類標簽通常在二分類問題中，yi的取值為+1或-1，分別對應兩個不同的類別；φ(xi)表示經過深度支持向量機dsvm模型隱藏層映射后的數據；l表示樣本的數量；

61、將目標函數式的約束條件進行改寫，如下所示：

62、

63、將目標函數式改寫為無約束的最優化問題，把它稱作為深度支持向量機dsvm模型的損失函數，如下所示：

64、

65、深度支持向量機dsvm模型的損失函數主要分為兩個部分，第一部分是表示間隔超平面距離最大化，也是神經網絡模型中的正則化項；第二部分是hinge損失，允許一些樣本點被錯誤分類；c為懲罰參數，如果c選擇較大值，會使得被分錯的樣本點盡可能地少；如果c選擇較小的值，會使得間隔超平面之間的距離盡可能地大，可以容忍一些被分錯的訓練樣本點。

66、優選地，將特征向量輸入到深度支持向量機dsvm模型中進行訓練，并對風力發電機軸承進行故障判斷，輸出診斷結果，包括：

67、將提取到的軸承故障特征向量數據集劃分為訓練集、驗證集和測試集，將訓練集特征向量輸入深度支持向量機dsvm模型，經隱藏層特征映射后由輸出層的支持向量機svm分類得到預測結果；

68、依據預測結果與真實標簽按深度支持向量機dsvm模型的損失函數算損失值，再用反向傳播算法依此更新模型各層參數，反復迭代訓練直至滿足停止條件；

69、在迭代訓練中或結束后，用驗證集特征向量輸入模型得到預測結果，結合對應真實標簽計算評估指標，包括準確率、召回率、f1值，并據此優化模型；

70、最后將測試集特征向量輸入優化后的模型得到預測結果，以清晰方式輸出故障診斷結果用于軸承故障診斷。

71、第二方面，一種風力發電機軸承故障診斷系統，包括振動數據采集模塊、增強組合差分形態濾波器模塊、固有時間尺度分解模塊、深度支持向量機模塊以及診斷結果輸出模塊；

72、所述振動數據采集模塊，通過d/senl020、d/senn020傳感器采集風力發電機軸承振動數據并進行預處理；

73、所述增強組合差分形態濾波器模塊，通過增強組合差分形態濾波器ecgmf對采集的風力發電機軸承振動信號進行去噪處理；

74、所述固有時間尺度分解模塊，采用固有時間分解itd算法對去噪處理后的振動信號進行分解，提取主要分量瞬時幅值并進行頻譜分析，獲取風力發電機軸承故障特征；

75、所述深度支持向量機模塊，將支持向量機svm與神經網絡模型結合構建深度支持向量機dsvm模型；

76、所述診斷結果輸出模塊，將特征向量輸入到深度支持向量機dsvm模型中進行訓練，并對風力發電機軸承進行故障判斷，輸出診斷結果。

77、與現有技術相比，本發明具備以下有益效果：

78、1、本發明中，利用增強組合差分形態濾波器ecgmf檢測軸承故障信息，并采用特征頻率強度系數來優化結構元素尺度，可以有效提取滾動軸承信號中的故障特征信息。與其他形態濾波器相比，增強組合差分形態濾波器ecgmf在提取大型風力發電機滾動軸承的故障成分并抑制噪聲方面具有優越性。同時，從峭度和故障能量比2個衡量指標上，增強組合差分形態濾波器ecgmf相比其他形態濾波器均具有明顯優勢；對于大型風力發電機滾動軸承的故障診斷，增強組合差分形態濾波器ecgmf相比其他形態學濾波器具有更高的特征提取效率。

79、2、本發明中，風電機組軸承振動信號具有復雜非線性、時變和多耦合特征。固有時間分解itd算法可以將復雜信號分解成若干個固有旋轉分量和一個趨勢分量之和。對含有明顯周期性沖擊成分的固有旋轉分量的瞬時幅值進行頻譜分析，提取故障特征頻率處的幅值作為軸承故障診斷的特征向量。固有時間分解itd算法能夠準確地提取非平穩信號的動態特性，有較高的拆解效率和頻率分辨率，適合分析具有時變譜的非平穩信號，且邊緣效應小，不用樣條插值，沒有篩選過程，可以實時處理大量數據。

80、3、本發明中，利用深度支持向量機dsvm模型對發電機軸承進行故障診斷，一方面相比于支持向量機svm米線,深度支持向量機dsvm模型的隱藏層能代替人為選擇核函數的過程。此外，深度支持向量機dsvm模型通過反向傳播更新網絡參數，不需要求解二次規劃問題。另一方面，相比于神經網絡，深度支持向量機dsvm模型的輸出層的分類過程可解釋性更強。提升了對數據深層規律挖掘的能力。