[发明专利]一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法

权利要求书

1.一种基于CEEMDAN-BNs的风力变桨距系统故障诊断方法，其特征在于，包括以下步骤：

在故障状态的样本时间序列信号中加入白噪声，进行CEEMDAN模态分解，获取多个模态分量信号的IMF和余量信号；

选取IMF信号中信噪比高且相关系数大的模态分量，通过希尔伯特变换对模态分量的瞬时频率和幅值进行计算，构建希尔伯特边际谱，通过希尔伯特边际谱构建能量特征矩阵；

对能量特征矩阵进行区间划分，将连续的特征值空间划分为有限个区域，并形成有限个状态；

根据划分后的能量特征矩阵及专家先验知识，构建贝叶斯网络拓扑结构；通过爬山算法搜索出贝叶斯网络的最优网络拓扑结构；

训练贝叶斯网络，将待诊断信号输入训练好的贝叶斯网络获得故障诊断结果；

所述通过希尔伯特边际谱构建能量特征矩阵，包括以下步骤：

通过峭度准则对模态分量进行筛选，选取模态分量中故障信息最多的分量，峭度准则公式如下：

式中：x为原始信号；α为信号均值；δ为信号的标准差；

对模态分量进行提取边际谱能量特征，将其均分为K个分解序列，并计算能量特征，构建能量特征矩阵，如下表达式：

其中，i＝1,2,3...L

式中：L为边际谱带宽；m为模态分量带宽；g_i(ω)为第i个子频带；

所述对能量特征矩阵进行区间划分，具体包括：

将取值范围划分为数个空间，最后用不同的符号对特征值所处的状态进行表示，划分方法如下：

式中：A_n为划分的区间符号，x_n为样本信号的空间划分点；

所述通过爬山法搜索出贝叶斯网络的最优网络拓扑结构，具体包括以下步骤：

从训练集中识别节点集，并构建初始结构和结构参数的最大似然估计；

对初始网络结构及结构参数进行评分；再对网络进行加减或删除有向边重构网络结构及结构参数并进行评分；

比较两个网络的评分并对评分高的网络再进行加减或删除边的操作；

循环直至评分函数不再更新，输出网络拓扑结构。

2.根据权利要求1所述的基于CEEMDAN-BNs的风力变桨距系统故障诊断方法，其特征在于，所述样本时间序列信号的获取，包括：

对风电机组的仿真模型进行监测，采集故障状态下的振动信号，对采集的信号进行数据分割和预处理，获得故障状态的样本时间序列信号。

3.根据权利要求1所述的基于CEEMDAN-BNs的风力变桨距系统故障诊断方法，其特征在于，所述CEEMDAN模态分解包括以下步骤：

确定样本时间序列信号为x(n)，加入高斯白噪声ωⁱ(n)得到新的加噪信号：

xⁱ(n)＝x(n)+σ₀ωⁱ(n)

式中，σ为白噪声标准差；

对新的噪声信号xⁱ(n)进行s次分解，得到第一阶的模态函数：

在第一阶段分解之后得到一阶余量信号：

对一阶余量信号r₁(n)加入白噪声进行重构得到新的余量信号：

r₁(n)+σ₁M₁(ωⁱ(n))

进行经验模态分解，得到第一个模态函数时停止，计算获得CEEMDAN的第二个模态函数：

以上步骤类推，当k＝2,3,…,K，则第k个余量信号为：

如上对第k个余量信号r_k(n)继续进行经验模态分解，得到第一个模态函数时停止，获得CEEMDAN的第k+1模态函数：

循环执行，直至余量信号无法分解，最终余量满足：

式中：K为CEEMDAN算法分解到的模态个数；样本时间序列信号x(n)最终表示为：

4.根据权利要求1所述的基于CEEMDAN-BNs的风力变桨距系统故障诊断方法，其特征在于，还包括：通过最大似然估计对贝叶斯网络的参数进行训练。