[发明专利]基于熵的多源风电机组轴承故障诊断方法

权利要求书

1.基于熵的多源风电机组轴承故障诊断方法，其特征是，包括以下步骤：

(1)、采用加速度传感器对风电机组轴承振动信号进行数据采集，并进行处理、分析获得采集样本数据特征物理量；具体为：采用多个加速度传感器检测轴承振动从而获取故障振动信号，对信号进行经验模态分解EMD，取前5个本征模函数IMF，对各IMF进行功率谱分析，并求取功率谱熵作为样本数据特征物理量；所述对各IMF进行功率谱分析并求取功率谱熵，具体过程如下：

A、记对采集样本数据进行EMD分解所得前5个IMF为c_q(t),q＝1,2,3,4,5，分别对其采用加汉宁窗Welch法求取功率谱，记每个IMF分量的功率谱S_q(f)；

B、每个IMF的功率谱熵为：

式中，N代表采样点数，q代表IMF序号，P_qj代表第q个IMF功率谱中采样j点处功率在整个功率谱中所占百分比；

(2)、基于轴承故障特征矩阵，加入信息熵作为权重，求取采集样本数据灰色关联度，获取基本概率分配BPA值作为BPA证据；具体过程如下：

A、将滚动轴承故障类型：内圈故障、外圈故障及滚动体故障，顺次记为故障域{A₁,A₂,A₃}，其特征参考序列为(x_t1,x_t2,x_t3,x_t4,x_t5),t＝1,2,3，取各自故障下大量样本数据训练平均值，构成轴承故障特征矩阵：

B、将第i个加速度传感器采集的轴承振动信号经步骤(1)后所获取样本数据特征物理量记为P⁽ⁱ⁾＝(y⁽ⁱ⁾₁,y⁽ⁱ⁾₂，y⁽ⁱ⁾₃,y⁽ⁱ⁾₄,y⁽ⁱ⁾₅)，i＝1,2,…,n，n表示传感器个数；计算P⁽ⁱ⁾对故障域{A₁,A₂,A₃}的灰关联度{γ_i1,γ_i2,γ_i3}，具体为：

B1、计算P⁽ⁱ⁾对故障A_t在q维的关联系数α_tq：

其中，t＝1,2,3，q＝1,2,3,4,5，ρ为分辨系数，在0～1之间；

B2、将P⁽ⁱ⁾对故障A_t的灰关联度定义为：

B3、计算权重ω_q：

将P⁽ⁱ⁾对故障域{A₁,A₂,A₃}的关联系数张成3×5矩阵，即：

灰关联熵定义为：

其中，

灰关联熵采用信息熵，信息熵表示信息的不确定性程度，信息熵越大，所含信息量越小，定义权重：

C、归一化灰关联度{γ_i1,γ_i2,γ_i3}，即获得第i个证据信息对故障A_t的BPA证据为m_i(A_t)：

D、按前述A、B、C步骤，计算获得n个加速度传感器对应的n个BPA证据m_i(A_t)i＝1,2,…,n；

(3)、基于模糊交互熵修正BPA证据组，对修正后的证据组进行融合获得轴承故障诊断结果；具体过程如下：

301、计算模糊交互熵：

设n个证据BPA为：m_i＝[m_i(A₁) m_i(A₂) m_i(A₃)],i＝1,2,…,n

记n个证据BPA平均值为：m₀＝[m₀(A₁) m₀(A₂) m₀(A₃)]

则模糊交互熵定义为：

302、修正BPA：

定义修正证据组BPA系数为：

λ_i＝1-F(m_i||m₀) (10)

则BPA修正如下：

其中，i＝1,2,…,n,t＝1,2,3,m_i^*为修正后证据组BPA值；

303、证据融合：

记其中两个证据修正后BPA值为：

m_i^*＝[m_i^*(A₁) m_i^*(A₂) m_i^*(A₃) m_i^*(X)],m_j^*＝[m_j^*(A₁) m_j^*(A₂) m_j^*(A₃) m_j^*(X)]则

这两个证据融合公式为：

计算时，对于n个加速度传感器获得的n个证据，首先取第1个证据m₁^*、第2个证据m₂^*按式(12)进行推理合成，再将合成结果与第3个证据m₃^*合成，反复执行，直至最后一个证据m_n^*合成，得到基于各证据源即各加速度传感器信息推理出的概率分配m(A_t)，选择m(A_t)中概率最大值对应的故障A_t作为最终风电机组轴承故障诊断结果。