[发明专利]一种风力机传动系统的故障诊断方法

说明书

本发明属于信号处理技术领域，尤其涉及一种风力机传动系统的故障诊断方法，其用于解决在复杂传递路径、复杂环境工况和强背景噪声干扰下风力机传动系统故障特征信息难以提取问题。包括：步骤1、采集风力发电机轴承的振动测试信号，随后对信号进行多尺度数学形态学处理，得到多尺度信号；步骤2、计算各个尺度下的信息熵因子和特征能量因子；计算出综合评价指标因子；步骤3、利用综合评价指标因子筛选MACDIF中的最优结构元素尺度加权区间范围；步骤4、对各个尺度下的形态学分析信号进行加权处理，获得MACDIF重构信号；步骤5、对最终的重构信号进行FFT频谱分析，从分析的结果中识别出发电机轴承的故障特征频率，完成风力发电机轴承的故障诊断。

技术领域

本发明属于信号处理技术领域，尤其涉及一种风力机传动系统的故障诊断方法，具体用于复杂传递路径、复杂环境工况和强背景噪声干扰下提取风力机传动系统的故障特征信息。

背景技术

风能作为清洁的可再生能源，伴随着世界风电行业的兴起，风力发电技术也在全球迅速兴起。其中为代表的风力发电机正在逐年迅猛发展起来。但是由于风力发电机常年服役在极端的环境中，并受到低速重载的影响，其传动系统容易损坏，这通常给风机运营商带来巨大的经济损失。轴承和齿轮作为风力发电机传动系统的关键零部件，由于受到交变重载荷的影响，经常会发生故障。当这些部件发生故障时，通常产生非线性和非稳态的振动信号，然而这些故障信号通常淹没在强背景噪声干扰中，因此检测这些故障特征信息势在必行。

不同于传统的时频分析方法，形态学是一种有效的非稳态、非线性的信号处理方法。形态学可以直接提取时域信号中的故障特征信息，它有良好的滤波性能，因此现在被广泛地应用在机械故障诊断中。不同于传统的单尺度形态学分析方法，多尺度形态学分析方法可以在各个尺度上计算原始信号，从而获得更全面的故障特征信息。形态学多尺度运算的尺度区间选择问题对最终的输出结果影响巨大。虽然ACDIF是一种有效的形态学算子，但是它只应用在单尺度数学形态上。为了提取风机轴承和齿轮更丰富的故障信息，本发明提供一种时频域相结合的尺度选则策略。提供了一种多尺度形态学分析方法，实现风力发电机关键部件的故障特征提取。

发明内容

本发明就是针对现有技术存在的缺陷，提供一种风力机传动系统的故障诊断方法，其用于解决在复杂传递路径、复杂环境工况和强背景噪声干扰下风力机传动系统故障特征信息难以提取问题。

为实现上述目的，本发明采用如下技术方案，包括以下步骤：

步骤1、采集风力发电机轴承的振动测试信号f(n)，随后对信号f(n)进行多尺度数学形态学处理，得到多尺度信号MACDIFf_λ(n)，其中λ＝1,2,3…n，n代表形态学的最大尺度；

步骤2、计算各个尺度λ下的信息熵因子IE(MACDIFf_λ(n))和特征能量因子FEF(MACDIFf_λ(n))；计算出综合评价指标因子IF(MACDIFf_λ(n))；

步骤3、利用综合评价指标因子IF(MACDIFf_λ(n))筛选MACDIF中的最优结构元素尺度加权区间范围[1,λmax],式中λmax表示形态学运算的最大尺度；

步骤4、在确定最优尺度范围[1,λmax]后，对各个尺度下的形态学分析信号进行加权处理，从而获得最终的MACDIF重构信号F(f(n))；

步骤5、对最终的重构信号F(f(n))进行FFT频谱分析，从分析的结果中识别出发电机轴承的故障特征频率(fo、2fo、3fo…nfo)，最终完成风力发电机轴承的故障诊断。(当轴承发生故障时，时域图像中会产生周期振动的脉冲信号，这些脉冲信号在频谱中以轴承的故障特征频率fo、2fo、3fo…nfo的形式表现。如果从最终的分析结果中识别出轴承的故障特征频率，那么确定轴承发生故障)。

进一步地，步骤1中，通过加速度传感器采集风力发电机轴承的振动测试信号。