[发明专利]一种风力发电机电振动信号消噪方法及存储介质

说明书

本发明涉及一种风力发电机电振动信号消噪方法及存储介质，所述方法包括以下步骤：通过变分模态分解算法将风力发电机振动信号分解为一组模态分量；分别计算每个模态分量的多尺度排列熵值；对每个模态分量的多尺度排列熵值进行判断是否超过预设熵值；若超过预设熵值，对多尺度排列熵值超过预设熵值的模态分量进行降噪处理；将经过降噪处理的模态分量及未经过降噪处理的模态分量进行组合重构得到降噪后的振动信号。通过变分模态分解与多尺度排列熵进行结合对振动信号进行消噪，可以有效减少信号的失真，消噪效果好。

技术领域

本发明涉及风力发电机技术领域，特别涉及一种风力发电机电振动信号消噪方法及存储介质。

背景技术

风能作为一种清洁、可再生能源越来越受到人们的重视，风力发电机在全球范围内迅猛发展。如何确保风力发电机稳定、高效的运行成了一项关键技术，振动信号能够反映机械内部信息，对振动信号的分析广泛用于旋转机械的早期故障诊断。

然而，实际采集到的振动信号由于各种原因常含有大量的干扰信号。在振动信号预处理过程中首先就必须对干扰信号滤波。

在信号噪声处理方面，已有很多方法被研究和应用。传统的滤波方法对于连续平稳信号可以取得较好的滤波效果，但对于非平稳、非线性信号则无法达到同等效果，甚至滤波后导致信号失真。为此，许多学者提出了粒子滤波、贝叶斯滤波、小波滤波、卡尔曼滤波、自适应滤波、数学形态滤波等方法。

采用卡尔曼滤波对光纤陀螺漂移信号进行消噪，达到非平稳随机情况下的最优滤波且性能优越。然而它只有在信号和噪声统计特性已知的情况下，才能获得最优滤波，而在实际工程应用中，往往无法得到这些统计特性，因此很难实现真正的最优滤波；数学形态学应用于旋转机械振动信号中，并通过仿真取得了良好的实验效果，但还有许多问题需要进一步解决，如存在如何选取最优估计结构元素和形态变换；各种基于小波分析的滤波方法也被用于信号滤波处理，效果明显优于其它非线性和线性滤波方法。但是，但小波函数是不具备唯一性，往往只能通过不断地实验来选择小波函数和参数确定；而现有文献《Denoising of ECG signals based on noise reduction algorithms in EMD andwavelet domains》(Kabir MA，Shahnaz C.Biomedical Signal Processing and Control，2012，7(5)：481-489.)提出一种基于EMD和离散小波变换(DWT)域的降噪算法，消噪效果整体上优于传统的基于EMD或DWT消噪方法。经验模态分解(Empirical Mode Decomposition，EMD)是一种非线性信号分析方法，它可以将一个复杂信号分解成多个IMF的组合。但EMD依赖于信号局部极值信息，容易产生模态混叠问题，模态分解过多，导致消噪效果不佳。Dragomiretskiy于2014年最近提出的一种多分量信号自适应分解方法，即变分模态分解。该方法分解过程是通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽，从而能够自适应地实现信号的频域剖分及各分量的有效分离。相比EMD，VMD相当于一组自适应的维纳滤波器，所以不存在EMD方法固有的模态混叠，表现出更好的噪声鲁棒性。风电机组通常环境噪声干扰较为严重，振动信号故障特征微弱，VMD算法只能完备的分解信号，有时无法突出微弱故障信号。

发明内容

为此，需要提供一种风力发电机电振动信号消噪方法及存储介质，解决现有基于VMD算法对信号分解无法突出微弱故障信号的问题。

为实现上述目的，发明人提供了一种风力发电机电振动信号消噪方法，包括以下步骤：

通过变分模态分解算法将风力发电机振动信号分解为一组模态分量；

分别计算每个模态分量的多尺度排列熵值；

对每个模态分量的多尺度排列熵值进行判断是否超过预设熵值；

若超过预设熵值，对多尺度排列熵值超过预设熵值的模态分量进行降噪处理；