[發明專利]基于熵的多源風電機組軸承故障診斷方法

有效

• 申請號: 201810834562.4
• 申請日: 2018-07-26
• 公開（公告）號: CN109187021B
• 公開（公告）日: 2019-10-01
• 發明（設計）人: 葉彥斐;陳剛;陳蓉;羊康;陳恒;陸琳娜
• 申請（專利權）人: 河海大學
• 主分類號: G01M13/045
• 分類號: G01M13/045
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 朱小兵

1.基于熵的多源風電機組軸承故障診斷方法，其特征是，包括以下步驟：

(1)、采用加速度傳感器對風電機組軸承振動信號進行數據采集，并進行處理、分析獲得采集樣本數據特征物理量；具體為：采用多個加速度傳感器檢測軸承振動從而獲取故障振動信號，對信號進行經驗模態分解EMD，取前5個本征模函數IMF，對各IMF進行功率譜分析，并求取功率譜熵作為樣本數據特征物理量；所述對各IMF進行功率譜分析并求取功率譜熵，具體過程如下：

A、記對采集樣本數據進行EMD分解所得前5個IMF為c_q(t),q＝1,2,3,4,5，分別對其采用加漢寧窗Welch法求取功率譜，記每個IMF分量的功率譜S_q(f)；

B、每個IMF的功率譜熵為：

式中，N代表采樣點數，q代表IMF序號，P_qj代表第q個IMF功率譜中采樣j點處功率在整個功率譜中所占百分比；

(2)、基于軸承故障特征矩陣，加入信息熵作為權重，求取采集樣本數據灰色關聯度，獲取基本概率分配BPA值作為BPA證據；具體過程如下：

A、將滾動軸承故障類型：內圈故障、外圈故障及滾動體故障，順次記為故障域{A₁,A₂,A₃}，其特征參考序列為(x_t1,x_t2,x_t3,x_t4,x_t5),t＝1,2,3，取各自故障下大量樣本數據訓練平均值，構成軸承故障特征矩陣：

B、將第i個加速度傳感器采集的軸承振動信號經步驟(1)后所獲取樣本數據特征物理量記為P⁽ⁱ⁾＝(y⁽ⁱ⁾₁,y⁽ⁱ⁾₂，y⁽ⁱ⁾₃,y⁽ⁱ⁾₄,y⁽ⁱ⁾₅)，i＝1,2,…,n，n表示傳感器個數；計算P⁽ⁱ⁾對故障域{A₁,A₂,A₃}的灰關聯度{γ_i1,γ_i2,γ_i3}，具體為：

B1、計算P⁽ⁱ⁾對故障A_t在q維的關聯系數α_tq：

其中，t＝1,2,3，q＝1,2,3,4,5，ρ為分辨系數，在0～1之間；

B2、將P⁽ⁱ⁾對故障A_t的灰關聯度定義為：

B3、計算權重ω_q：

將P⁽ⁱ⁾對故障域{A₁,A₂,A₃}的關聯系數張成3×5矩陣，即：

灰關聯熵定義為：

其中，

灰關聯熵采用信息熵，信息熵表示信息的不確定性程度，信息熵越大，所含信息量越小，定義權重：

C、歸一化灰關聯度{γ_i1,γ_i2,γ_i3}，即獲得第i個證據信息對故障A_t的BPA證據為m_i(A_t)：

D、按前述A、B、C步驟，計算獲得n個加速度傳感器對應的n個BPA證據m_i(A_t)i＝1,2,…,n；

(3)、基于模糊交互熵修正BPA證據組，對修正后的證據組進行融合獲得軸承故障診斷結果；具體過程如下：

301、計算模糊交互熵：

設n個證據BPA為：m_i＝[m_i(A₁) m_i(A₂) m_i(A₃)],i＝1,2,…,n

記n個證據BPA平均值為：m₀＝[m₀(A₁) m₀(A₂) m₀(A₃)]

則模糊交互熵定義為：

302、修正BPA：

定義修正證據組BPA系數為：

λ_i＝1-F(m_i||m₀) (10)

則BPA修正如下：

其中，i＝1,2,…,n,t＝1,2,3,m_i^*為修正后證據組BPA值；

303、證據融合：

記其中兩個證據修正后BPA值為：

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)]則

這兩個證據融合公式為：

計算時，對于n個加速度傳感器獲得的n個證據，首先取第1個證據m₁^*、第2個證據m₂^*按式(12)進行推理合成，再將合成結果與第3個證據m₃^*合成，反復執行，直至最后一個證據m_n^*合成，得到基于各證據源即各加速度傳感器信息推理出的概率分配m(A_t)，選擇m(A_t)中概率最大值對應的故障A_t作為最終風電機組軸承故障診斷結果。