[发明专利]基于熵的多源风电机组轴承故障诊断方法

摘要

本发明公开了基于熵的多源风电机组轴承故障诊断方法，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，进行EMD处理、加窗Welch法功率谱分析、求取功率谱熵，获得样本数据特征物理量；（2）基于轴承故障特征矩阵，加入信息熵作为权重，求取待测样本数据灰色关联度，获取BPA值作为BPA证据；（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。本发明提出的基于熵的风电机组轴承故障诊断方法可处理多个轴承加速度传感器中有传感器损坏导致部分数据失效或异常情况。

主权项

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。