一种风电机组变工况下滚动轴承自适应异常检测方法

摘要

本发明涉及一种风电机组变工况下滚动轴承自适应异常检测方法，其步骤为：1）收集机组正常运行时，不同转速、不同功率下滚动轴承的振动数据；2）选取滚动轴承敏感振动特征参数；3）建立基于Shepard曲面的滚动轴承健康模型；4）计算滚动轴承异常状态的偏离度，实现滚动轴承自适应异常检测。本发明综合考虑了有功功率、转速对滚动轴承振动特性的影响，能实时追踪风电机组滚动轴承运行状态随时间的演化过程，实现风电机组不同工况下滚动轴承异常状态的自适应检测。本发明可广泛应用于风电机组异常状态检测领域中。

主权项

一种风电机组变工况下滚动轴承自适应异常检测方法，其特征在于，该方法包括以下步骤：1)采集已有的风电机组滚动轴承在正常运行时不同转速、不同功率下的L个振动数据，作为健康样本；2)选取敏感振动特征参数：根据风电机组滚动轴承振动信号的特点，将所采集的振动加速度信号的频域谱按频带平均分为M个子频带，求出每个子频带的能量构成M维特征向量，即敏感振动特征向量Y＝[y₁，y₂，…，y_M]；选用滚动轴承振动信号不同频谱带的能量参数组成敏感振动特征向量Y，具体提取方法为：(1)对一个长度为2N的时序信号x＝[x₁,x₂,…,x_2N]，将该时序信号x做离散傅立叶变换后求得时序信号x的频谱；(2)令X(f_i)为时序信号x在频率f_i时的强度，其中f_i＝(i/2N)f_s，0<i≤2N，f_s为时序信号x的采样频率；(3)将频带[0,f_s/2]平均分为M个子频带，每个子频带的间隔为f_s/2M，这些频带分别为[0,f_s/2M)，[f_s/2M,f_s/M)，…，[M‑1)f_s/2M,f_s/2]；以各频带信号的能量为元素构造振动信号的特征向量，令第j个频带的能量y_j为：$y_j=\underset{\omega }{\Sigma }X\left(\omega \right),$式中，X(ω)表示时序信号x在频率为ω时的强度，由此构造出敏感振动特征向量Y＝[y₁，y₂，…，y_M]；3)采用Shepard曲面插值方法，建立风电机组滚动轴承振动健康模型：对敏感振动特征向量Y＝[y₁，y₂，…，y_M]中每个频带的能量y_j，分别建立Shepard曲面健康模型Y_j＝F_j(P,S)，即建立基于功率信息和风速信息的风电机组滚动轴承振动健康模型，其中，j＝1，2，…，M，Y_j为滚动轴承振动信号中第j个特征参数的健康特征值；P为健康样本对应的风电机组有功功率；S为健康样本对应的机组转速；4)计算用于检测滚动轴承异常状态的偏离度，实现滚动轴承自适应异常检测。