本發明公開了基于熵的多源風電機組軸承故障診斷方法，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，進行EMD處理、加窗Welch法功率譜分析、求取功率譜熵，獲得樣本數據特征物理量；（2）基于軸承故障特征矩陣，加入信息熵作為權重，求取待測樣本數據灰色關聯度，獲取BPA值作為BPA證據；（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。本發明提出的基于熵的風電機組軸承故障診斷方法可處理多個軸承加速度傳感器中有傳感器損壞導致部分數據失效或異常情況。

技術領域

本發明涉及軸承故障診斷領域，尤其是適用于基于多個傳感器信息識別軸承故障狀態的方法。

背景技術

隨著時代的進步與發展，電能在國民生活與工業生產中的地位愈發重要，風力發電由于其技術優勢，以及風能資源的大規模存在，廣泛普及。由于風電機組的日趨復雜化和大型化，機組發生故障的機率大大增加。而風力發電機組作為一大型旋轉機械，軸承起著傳遞扭矩的作用，軸承的運轉狀態直接決定了設備能否正常工作，且軸承通常處在極端的工作環境中，極易發生故障，所以軸承的故障診斷就顯得尤為重要。

風電機組軸承故障振動信號大部分是非平穩、非線性的，且不可避免的夾雜噪聲信號，直接采用周期圖法提取振動信號功率譜熵作為診斷依據顯然不可取；基于灰色關聯分析獲取BPA時，采用等權灰關聯系數效果也不夠明顯；基于單個傳感器的故障判斷，在自然或人為干擾條件下，更可能出現誤判現象。

發明內容

本發明所要解決的技術問題是：針對非平穩、非線性的風電機組軸承故障振動信號不可直接采用傳統傅里葉分析獲取功率譜熵；基于灰色關聯分析獲取BPA時，采用等權灰關聯系數效果不夠明顯；單一傳感器對軸承故障識別風險大、不確定的問題，提出的基于熵的多源風電機組軸承故障診斷方法。

本發明為解決上述技術問題而采用的技術方案是：

本發明提出一種基于熵的多源風電機組軸承故障診斷方法，具體包括以下步驟：

(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；

(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BPA值作為BPA證據；

(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。

作為本發明的多源風電機組軸承故障診斷方法進一步優化方案，步驟(1)中，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EMD經驗模態分解，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。

作為本發明的多源風電機組軸承故障診斷方法進一步優化方案，步驟(1)中，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。

作為本發明的多源風電機組軸承故障診斷方法進一步優化方案，步驟(2)的具體過程如下：