本發(fā)明屬于風(fēng)電
技術(shù)領(lǐng)域：
，涉及基于子空間和模糊C均值聚類的風(fēng)電機組軸承故障診斷法。
背景技術(shù)：
：由于風(fēng)場大部分位于環(huán)境復(fù)雜惡劣的地區(qū)，經(jīng)常受極端天氣的影響。隨著機組累計運行時間的增加，機組部件不斷老化，極易出現(xiàn)故障。風(fēng)電機組上的主軸、偏航、變槳、發(fā)電機、齒輪箱等許多部位都裝配有軸承，軸承故障在機組故障中占有很高的比例。為了減少風(fēng)電機組的停機時間，降低機組的維修費用，對風(fēng)電機組的重要軸承部件進(jìn)行狀態(tài)監(jiān)測很有必要。目前的軸承故障特征提取方法主要有時域分析法和頻域分析法。時域分析法通過計算有效值、裕度因數(shù)、峭度系數(shù)、峰值等時域參數(shù)，與正常情況下的參數(shù)指標(biāo)進(jìn)行對比來判斷軸承是否發(fā)生故障；頻域分析法一般計算振動信號的幅值譜、功率譜及階次包絡(luò)譜等，根據(jù)頻譜圖中幅值突出的頻率成分提取軸承的故障特征頻率，實現(xiàn)軸承的故障診斷。由于風(fēng)電機組軸承的運行條件惡劣，受力復(fù)雜，并經(jīng)常受到交變載荷、沖擊載荷的影響，使得軸承成為風(fēng)電機組常見的易發(fā)生故障的部件之一。目前振動信號分析技術(shù)是旋轉(zhuǎn)機械設(shè)備狀態(tài)監(jiān)測與故障診斷的主要手段，但風(fēng)電機組與其他大型旋轉(zhuǎn)機械設(shè)備存在重大區(qū)別，風(fēng)機在運行過程中轉(zhuǎn)速是變化的，其振動信號往往表現(xiàn)出非平穩(wěn)的特性，使得傳統(tǒng)的故障診斷方法難以實現(xiàn)故障狀態(tài)的精確判別。風(fēng)力發(fā)電系統(tǒng)越來越復(fù)雜，所包含的零部件件也越來越多，使得其振動信號頻率成分十分復(fù)雜，很難檢測出其故障特征信息。實際風(fēng)場中的風(fēng)電機組振動信號一般為非平穩(wěn)信號，傳統(tǒng)的時域分析方法和頻域分析方法只能夠處理平穩(wěn)信號，但是對屬于非平穩(wěn)信號的軸承振動信號則幾乎無能為力，無法有效地診斷實際風(fēng)電機組發(fā)生的故障。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于提供基于子空間和模糊C均值聚類的風(fēng)電機組軸承故障診斷法，解決了風(fēng)機在運行過程中轉(zhuǎn)速是變化的，其振動信號往往表現(xiàn)出非平穩(wěn)的特性，使得傳統(tǒng)的目前的振動信號分析技術(shù)診斷故障方法難以實現(xiàn)故障狀態(tài)的精確判別的問題。本發(fā)明所采用的技術(shù)方案是按照以下步驟進(jìn)行：步驟1：利用隨機子空間的線性狀態(tài)空間模型提取出反映故障本質(zhì)信息的特征向量；其中，X是狀態(tài)量，Y是采集到的振動信號，w是系統(tǒng)噪聲，v是測量噪聲，A是系統(tǒng)矩陣，C是輸出矩陣；步驟2：將得到的每個特征向量作為一個數(shù)據(jù)樣本，所有的特征向量組成總的數(shù)據(jù)樣本，然后利用FCM對數(shù)據(jù)樣本進(jìn)行分類，得到故障的分類。進(jìn)一步，所述步驟1中提取特征向量的步驟如下：1)正交投影首先，定義由量測量組成的分塊Hankel矩陣Y：其中，{yk}k＝1,…,N+i+j為系統(tǒng)的(N+i+j)個測量輸出，Yp和Yf均為分塊Hankel矩陣，p表示歷史測量值，f表示未來測量值；i和j+1分別為歷史量測量和未來測量形成分塊矩陣的行數(shù)，min{i,j+1}≥n，矩陣Yp的維數(shù)為i×N，矩陣Yf的維數(shù)為(j+1)×N，N＞＞max{i,j+1}；對Y陣進(jìn)行重新分塊，如式(2)所示其中，為Yf的第一行移到了Yp的末行之后的矩陣，為Yf去掉了第一行后的矩陣；對于式(1)，將Yf正交投影到Y(jié)p的空間上，則正交投影Pm定義為其中，為求Moore-Penrose逆，為矩陣Yp的逆矩陣；同樣對于式(2)，將正交投影到的空間上，則有正交投影Pm-1為2)奇異值分解對投影矩陣Pm進(jìn)行奇異值分解，則有Pm=U1U0S100S0V1TV0T---(5)]]>其中，U1＝[u1…un]和V1＝[v1…vn]為酋矩陣，S1＝diag{σ1…σn}為對角矩陣，σi是S1的第i個奇異值，U0、V0和S0為零矩陣；根據(jù)式(5)所示的奇異值分解，計算得到狀態(tài)量Xk，對投影矩陣Pm-1進(jìn)行奇異值分解，計算得到狀態(tài)量Xk+1；3)將計算出的狀態(tài)量Xk和Xk+1，代入隨機狀態(tài)空間模型：Xk+1=AXk+wkYk=CXk+vk,]]>利用最小二乘法，估計出系統(tǒng)矩陣A，系統(tǒng)矩陣A的特征值[x1,x2,…,xn]即為隨機子空間方法提取出的故障特征向量。進(jìn)一步，所述步驟2中對特征向量組成總的數(shù)據(jù)樣本進(jìn)行分類的方法如下：步驟1：確定聚類中心個數(shù)K和加權(quán)指數(shù)m，初始化分類矩陣B，迭代次數(shù)l＝0；步驟2：根據(jù)下式計算所有樣本[x1,x2,…,xn]的聚類中心Z＝[z1,z2,…,zk]：zj=(Σj=1nbijmxj)/(Σj=1nbijm)]]>式中，bij為第j個故障特征向量對第i個聚類中心的隸屬度，m為加權(quán)指數(shù)，n為故障特征向量的總個數(shù)，xj為第j個故障特征向量；步驟3：根據(jù)下式更新分類矩陣B：bij=1Σe=1K(dijdej)2/(m-1)]]>式中，dij為第j個故障特征向量對第i個聚類中心的歐式距離，dej為第j個故障特征向量對第e個聚類中心的歐式距離；步驟4：對于給定判別精度ε，如果兩次迭代的分類矩陣之差小于ε，則停止迭代，否則設(shè)置l＝l+1，返回步驟2，直至滿足條件。本發(fā)明的有益效果是能夠有效地識別風(fēng)電機組軸承不同類型故障。附圖說明圖1是本發(fā)明軸承故障診斷方法流程示意圖；圖2是四種狀態(tài)下的滾動軸承振動信號時域波形圖；圖3是隨機子空間方法提取的特征向量圖。具體實施方式下面結(jié)合具體實施方式對本發(fā)明進(jìn)行詳細(xì)說明。1子空間算法提取故障特征隨機子空間的線性狀態(tài)空間模型描述如下：Xk+1=AXk+wkYk=CXk+vk]]>其中，X是狀態(tài)量，一般是不可測量，沒有實際的物理意義，只是為了便于描述這個系統(tǒng)動態(tài)的數(shù)學(xué)對象；Y是觀測量，在這里就是采集到的振動信號；w是系統(tǒng)噪聲，由于建模不精確和一些干擾造成的；v是測量噪聲。這些量均為相應(yīng)維數(shù)的列向量。A是系統(tǒng)矩陣；C是輸出矩陣。一、利用隨機子空間方法提取出反映故障本質(zhì)信息的特征向量。1、正交投影首先，定義由量測量組成的分塊Hankel矩陣Y：其中，{yk}k＝1,…,N+i+j為系統(tǒng)的(N+i+j)個測量輸出；Yp和Yf均為分塊Hankel矩陣，p表示歷史測量值，f表示未來測量值；i和j+1分別為歷史量測量和未來測量形成分塊矩陣的行數(shù)，一般不小于系統(tǒng)模型最大階數(shù)，min{i,j+1}≥n；矩陣Yp的維數(shù)為i×N，矩陣Yf的維數(shù)為(j+1)×N，N＞＞max{i,j+1}。為了計算投影矩陣Pm-1，從而進(jìn)一步求取狀態(tài)量Xk+1，對Y陣進(jìn)行重新分塊，如式(2)所示其中，為Yf的第一行移到了Yp的末行之后的矩陣，為Yf去掉了第一行后的矩陣。對于式(1)，將Yf正交投影到Y(jié)p的空間上，則正交投影Pm可以定義為其中，為求Moore-Penrose逆，為矩陣Yp的逆矩陣。同樣對于式(2)，將正交投影到的空間上，則有正交投影Pm-1為2、奇異值分解對投影矩陣Pm進(jìn)行奇異值分解，則有Pm=U1U0S100S0V1TV0T---(5)]]>其中，U1＝[u1…un]和V1＝[v1…vn]為酋矩陣，分別包含了n個左右奇異值向量；S1＝diag{σ1…σn}為對角矩陣，σi是S1的第i個奇異值；U0、V0和S0為零矩陣。根據(jù)式(5)所示的奇異值分解，可計算得到狀態(tài)量Xk，同理，對投影矩陣Pm-1進(jìn)行奇異值分解，可計算得到狀態(tài)量Xk+1。3、估計系統(tǒng)矩陣A，得到反映故障本質(zhì)信息的故障特征向量。將計算出的狀態(tài)量Xk和Xk+1，代入隨機狀態(tài)空間模型：再利用最小二乘法，估計出系統(tǒng)矩陣A。系統(tǒng)矩陣A的特征值[x1,x2,…,xn]即為隨機子空間方法提取出的故障特征向量。二、模糊C均值聚類識別故障類型將得到的每個特征向量xj(j＝1,2,…,n)作為一個數(shù)據(jù)樣本，所有的特征向量[x1,x2,…,xn]組成總的數(shù)據(jù)樣本，然后利用FCM對數(shù)據(jù)樣本進(jìn)行分類。模糊C均值聚類(FuzzyCMeansClustering，F(xiàn)CM)是一種基于目標(biāo)函數(shù)的聚類算法，以極小化所有數(shù)據(jù)點與各聚類中心的歐式距離及模糊隸屬度的加權(quán)和為目標(biāo)，不斷修正聚類中心和分類矩陣到符合終止準(zhǔn)則，將具有類似特征的數(shù)據(jù)樣本聚為一類，非常適用于風(fēng)電機組軸承的故障類型識別，本發(fā)明將子空間方法提取的故障特征向量輸入到FCM中進(jìn)行模式識別，具體步驟如下：步驟1：確定聚類中心個數(shù)K和加權(quán)指數(shù)m，初始化分類矩陣B，迭代次數(shù)l＝0。步驟2：根據(jù)下式計算所有樣本[x1,x2,…,xn]的聚類中心Z＝[z1,z2,…,zk]：zj=(Σj=1nbijmxj)/(Σj=1nbijm)]]>式中，bij為第j個故障特征向量對第i個聚類中心的隸屬度，m為加權(quán)指數(shù)，n為故障特征向量的總個數(shù)，xj為第j個故障特征向量。步驟3：根據(jù)下式更新分類矩陣B：bij=1Σe=1K(dijdej)2/(m-1)]]>式中，dij為第j個故障特征向量對第i個聚類中心的歐式距離，dej為第j個故障特征向量對第e個聚類中心的歐式距離。步驟4：對于給定判別精度ε，如果兩次迭代的分類矩陣之差小于ε，優(yōu)選ε為分類矩陣B范數(shù)值的1％，則停止迭代，否則設(shè)置l＝l+1，返回步驟2，直至滿足條件。至此，F(xiàn)CM實現(xiàn)了對軸承故障特征向量的分類。二、算例分析驗證本發(fā)明在風(fēng)電機組實驗臺上進(jìn)行了軸承故障試驗。該系統(tǒng)主要由風(fēng)輪、主軸軸承與發(fā)電機組成，主軸軸承為滾動軸承，主要承受徑向載荷，同時也可承受由于風(fēng)對風(fēng)輪作用產(chǎn)生的部分軸向載荷，在軸承座上安裝加速度傳感器，用來采集振動加速度信號。傳感器采樣率fs為10KHz，采樣點數(shù)為3000。考慮到滾動軸承的局部損傷可能發(fā)生在外圈、內(nèi)圈和滾動體上，在軸承的內(nèi)圈、外圈與滾動體上切割溝槽來模擬軸承的局部損傷，設(shè)置的故障程度屬較輕微的程度。選取正常、內(nèi)圈故障、滾動體故障和外圈故障4類狀態(tài)下的振動信號各40組數(shù)據(jù)作為樣本。圖2為在風(fēng)力發(fā)電機軸承座上測取的滾動軸承4種振動加速度信號時域圖，從上到下依次為正常、內(nèi)圈故障、滾動體故障和外圈故障。圖3為隨機子空間方法提取得到的特征向量，從圖中可見不同狀態(tài)的特征具有不同的分布。最后，將提取得到的特征向量輸入到FCM中進(jìn)行分類，得到識別的軸承故障類型。結(jié)果表明，本發(fā)明所述方法能夠有效地識別風(fēng)電機組軸承不同類型故障。本發(fā)明利用隨機子空間方法對風(fēng)電機組軸承的時域振動信號進(jìn)行建模，估計出系統(tǒng)矩陣A并計算A的特征值，將其作為軸承的故障特征向量。將子空間方法提取出的故障特征向量作為輸入量，輸入到模糊C均值聚類方法中進(jìn)行模式識別，對不同狀態(tài)的特征進(jìn)行分類。本發(fā)明的優(yōu)點在于：將子空間方法應(yīng)用于風(fēng)機軸承的故障特征提取，采用的是振動數(shù)據(jù)，提高了判斷準(zhǔn)確率。本發(fā)明采用的振動信號分析法是一種有效的狀態(tài)檢測方法，特別適用于軸承等旋轉(zhuǎn)機械設(shè)備。風(fēng)電機組的軸承振動信號大都是非平穩(wěn)信號，傳統(tǒng)的分析方法無法取得好的效果。本發(fā)明的隨機子空間方法是一種分析非平穩(wěn)振動信號的有效方法，直接在時域里分析數(shù)據(jù)建立模型，可挖掘出反映故障本質(zhì)信息的特征。模糊C均值聚類是應(yīng)用最為廣泛的一種分類方法，受噪聲的影響小，能夠準(zhǔn)確穩(wěn)定地識別軸承不同類型的故障。以上所述僅是對本發(fā)明的較佳實施方式而已，并非對本發(fā)明作任何形式上的限制，凡是依據(jù)本發(fā)明的技術(shù)實質(zhì)對以上實施方式所做的任何簡單修改，等同變化與修飾，均屬于本發(fā)明技術(shù)方案的范圍內(nèi)。當(dāng)前第1頁1 2 3