基于最大重加权峭度盲解卷积的机械故障诊断方法

1.本发明属于风电机组故障诊断技术领域，具体涉及基于最大重加权峭度盲解卷积的机械故障诊断方法。


背景技术：

2.风电机组是风电场的主设备，价格占风电场总投资的74-82％，由于运行环境恶劣导致设备故障率高，且维护费用昂贵，因此风电机组的维护费用已成为风电场主要运营成本。降低风电机组维护费用是提高风电场运营经济效益的重要途径，为了有效降低风电机组的维护费用，风电企业纷纷引入状态监测、故障诊断和状态维护等技术。
3.在故障诊断环节，受噪声以及传递路径等影响，齿轮故障特征信号通常比较微弱，目前的故障诊断不能有效诊断风电机组齿轮故障。
4.因此，现阶段需设计基于最大重加权峭度盲解卷积的机械故障诊断方法，来解决以上问题。


技术实现要素：

5.本发明目的在于提供基于最大重加权峭度盲解卷积的机械故障诊断方法，用于解决上述现有技术中存在的技术问题，在故障诊断环节，受噪声以及传递路径等影响，齿轮故障特征信号通常比较微弱，目前的故障诊断不能有效诊断风电机组齿轮故障。
6.为实现上述目的，本发明的技术方案是：
7.基于最大重加权峭度盲解卷积的机械故障诊断方法，包括以下步骤：
8.s1：输入测量信号x，随机初始化滤波器h系数；
9.s2：通过滤波器h对测量信号x滤波，得到滤波信号s，计算滤波信号s的重加权峭度rk(s)；
10.s3：通过最大重加权峭度盲解卷积的迭代求解，不断更新滤波器h系数；
11.s4：重复步骤s2和s3使重加权峭度rk(s)达到最大且满足迭代次数；
12.s5：最大重加权峭度rk(s)对应的滤波信号s即为目标滤波信号。
13.进一步的，步骤s2中，计算滤波信号s的重加权峭度rk(s)的步骤如下：
14.(1)对滤波信号s进行m等分，得到各子段信号sm(m＝1,
…
,m)，m为不超过信号长度的任意正整数；
15.(2)计算各子段信号的峭度kurtm；
16.(3)对kurtm进行升序排列，并将其表示为向量形式，即：kurt
asc
；
17.(4)计算kurtm对其和的权重，即：
[0018][0019]
(5)对wm进行降序排列，同样将其表示为向量形式，即：w
desc
；
[0020]
(6)利用重排后的权重向量w
desc
对重排后的峭度向量kurt
asc
进行加权，得到信号
的重加权峭度rk：
[0021]
rk＝kurt
asc
·
(w
desc
)
t
ꢀꢀ
(2)。
[0022]
进一步的，m取值为4。
[0023]
进一步的，步骤s3中具体如下：
[0024]
最大重加权峭度盲解卷积求解滤波器系数表示为：
[0025][0026]
为求得rk最大值，令rk对滤波器系数的偏导数等于0，即：
[0027][0028]
首先，
[0029][0030]
其中，kurt
θ
为第θ段滤波信号的峭度，通过迭代求解，不断更新滤波器系数的方式求得方程的有效近似解，利用得到m个滤波器，对这m个滤波器加权求和得到更新后的滤波器，其过程如下：
[0031][0032][0033][0034]
其中，n为滤波信号长度，l为滤波器长度，x
θ
，s
θ
分别对应第θ段信号子段以及滤波信号；因此，得到更新后的滤波器：
[0035][0036]
一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被运行时执行如上述的一种基于最大重加权峭度盲解卷积的机械故障诊断方法。
[0037]
一种电子设备，包括处理器和存储器，所述存储器用于存储所述处理器的可执行命令，所述处理器通过运行所述可执行命令以实现如上述的一种基于最大重加权峭度盲解卷积的机械故障诊断方法。
[0038]
与现有技术相比，本发明所具有的有益效果为：
[0039]
本方案其中一个有益效果在于，提出一种新的盲解卷积方法，即最大重加权峭度盲解卷积。重加权峭度对故障信号中单个或少量强冲击干扰具有很好的鲁棒性，且无需待恢复故障冲击序列先验知识。基于此，最大重加权峭度盲解卷积方法能有效解决经典基于峭度最大化方法倾向于恢复单个主导冲击而非齿轮故障冲击序列的问题，同时相较于常见非全“盲”(依赖故障特征频率先验)方法在工业装备齿轮故障诊断方面具有更强的适用性。并且在风电涡轮机故障诊断中的应用案例证实所提方法对于齿轮故障诊断的有效性。
附图说明
[0040]
图1为本技术实施例的风电传动系统齿轮箱测量信号和滤波信号示意图。
[0041]
图2为本技术实施例的滤波信号的重加权峭度计算过程示意图。
[0042]
图3为本技术实施例的本方案所提方法示意图。
具体实施方式
[0043]
下面结合本发明的附图1-3，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0044]
实施例：
[0045]
如图2所示，滤波信号的重加权峭度计算过程如下：
[0046]
(1)对滤波信号s进行m等分，得到各子段信号sm(m＝1,
…
,m)。
[0047]
(2)计算各子段信号的峭度kurtm。
[0048]
(3)对kurtm进行升序排列，并将其表示为向量形式，即：kurt
asc
。
[0049]
(4)计算kurtm对其和的权重，即：
[0050][0051]
(5)对wm进行降序排列，同样将其表示为向量形式，即：w
desc
。
[0052]
(6)利用重排后的权重向量w
desc
对重排后的峭度向量kurt
asc
进行加权，得到信号的重加权峭度rk：
[0053]
rk＝kurt
asc
·
(w
desc
)
t
ꢀꢀ
(2)
[0054]
其中，m的取值不依赖具体的公式，理论上不超过信号长度的任意正整数都能使算法正常运行，但每一个子段信号长度不能太小，否则子段信号的峭度kurtm将失去物理意义。通过对多组仿真信号和实际齿轮振动信号分析发现，当m＝4时，大部分数据分析均能取得理想结果，因此在使用所提方法时推荐m取值为4。
[0055]
基于此，最大重加权峭度盲解卷积求解fir滤波器系数可表示为如下所示的最大化问题：
[0056][0057]
为求得rk最大值，令rk对滤波器系数的偏导数等于0，即：
[0058][0059]
首先，
[0060][0061]
其中，kurt
θ
为第θ段滤波信号的峭度，可见，方程(4)是高度非线性的，难以直接求解。因此，通过迭代求解，不断更新滤波器系数的方式求得方程的有效近似解。此外，为简化运算，利用得到m个滤波器，对这m个滤波器加权求和得到更新后的滤波器，其过程如下：
[0062][0063][0064][0065]
其中，n为滤波信号长度，l为滤波器长度，x
θ
，s
θ
分别对应第θ段信号子段以及滤波信号。因此，得到更新后的滤波器：
[0066][0067]
如图3所示，综上，所提方法整体流程如下：
[0068]
(1)输入测量信号x，指定参数m＝4，随机初始化滤波器h系数，如：
[0069]
(2)通过滤波器h对测量信号x滤波，得到滤波信号s，根据公式(2)计算滤波信号的重加权峭度rk(s)。
[0070]
(3)根据式(9)更新滤波器h系数。
[0071]
(4)重复步骤2和3使rk(s)达到最大且满足迭代次数。
[0072]
(5)步骤4中最大rk(s)对应的滤波信号即为目标滤波信号。
[0073]
下面通过风电传动系统故障诊断应用来研究验证本方法。
[0074]
本数据来自于一风电涡轮机传动系统的振动监测。信号采集过程中，采样频率为97656hz，转速计测得齿轮箱输出小齿轮轴转速为1800rpm。截取信号长度51200点，如图1(a)所示，齿轮故障信息被完全掩盖。
[0075]
本方法的滤波信号如图1(b)所示。所提方法恢复得到的周期性冲击序列的频率为29.6hz(1/0.0338hz)，十分接近小齿轮理论故障特征频率(30hz)。因此，可初步认为小齿轮存在故障。在之后的停机开箱检测中发现小齿轮某一轮齿确已出现损伤，验证了方法的有效性。
[0076]
综上所述，本方案提出一种新的盲解卷积方法，即最大重加权峭度盲解卷积。重加权峭度对故障信号中单个或少量强冲击干扰具有很好的鲁棒性，且无需待恢复故障冲击序列先验知识。基于此，最大重加权峭度盲解卷积方法能有效解决经典基于峭度最大化方法倾向于恢复单个主导冲击而非齿轮故障冲击序列的问题，同时相较于常见非全“盲”(依赖故障特征频率先验)方法在工业装备齿轮故障诊断方面具有更强的适用性。并且在风电涡轮机故障诊断中的应用案例证实所提方法对于齿轮故障诊断的有效性。
[0077]
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。