文摘

中国风力发电行业近年来大幅增加的关注清洁能源和可再生能源发电增加了。机械故障诊断的风电传动是一种常见的风维护方法。它最近成为一个研究热点领域的机械故障诊断方法的故障识别基于图片属性。时频图像,另一方面,更适合故障分析和故障诊断的风能比时域和频域的图像传输机械,因为它们包含更多关于齿轮的运行状态的信息。这项工作提出并应用图像特征采用故障诊断方法的缺陷诊断风力机械齿轮。特征提取适合齿轮和齿轮箱故障进行了分析,并改进的人工免疫算法用于故障识别。通过收集正常振动信号和两种变速箱的故障振动信号在风电场风能电力传输和数据处理的基础上提取图像特征,改进后的算法最终申请了故障分析。实验结果表明,改进的故障诊断速度显然是真正的价值否定选择算法,可以提高故障诊断的速度提高了5%。

1。介绍

风能驱动系统经常在恶劣的工作环境,操作和故障诊断与检测可以通过信号处理技术。在过去的30年里,旋转电机的故障诊断已经吸引了很多研究的兴趣(1]。降低维护成本和防止意外停机的主要任务是制造商和运营商的电驱动(2]。轴承故障是旋转机械失败最常见的原因之一,因此轴承预测对提高可用性和降低成本至关重要。状态监测和故障诊断系统的使用(CMFDS)风力涡轮机是至关重要的减少计划外故障(3,4]。断层运动系统的识别一直是一个困难的问题;在风能转换系统变得更加困难,因为风力发电场的可持续性和可行性是严重依赖降低操作和维护成本(5,6]。状态维修的齿轮传动系统,可靠的识别故障类型和故障严重程度的评估需要以及风力发电的诊断机械故障传播通过图像特征提取7,8]。

一旦风力涡轮机的传导机制失败,它会发出一个信号通过振动信号的变化。近年来,机械故障的监测和诊断通常是意识到通过监测和分析他们的振动信号。振动数据,特别是在系统启动和停止收集,包含丰富的信息关于齿轮箱状态监测9]。机械设备发生故障时,它通常是振动信号中反映出来。程等。10]别墅等人发现了一个自适应时频分析方法基于局部均值分解诊断齿轮和滚动轴承问题(LMD)。针对齿轮故障振动信号的调制特点或滚柱轴承,转动设备的LMD-based缺陷检测方法,提出了可有效检测设备操作失败(11)和使用机械的振动信息系统在不同负荷和速度预测和检测故障,这是更快和更可靠的比有限的工作条件下的分析。多组分提取是一个可行的方法,分析旋转机械的振动信号。因此,王et al。12拉吉和Murali设计摩擦缺陷诊断方法(VMD)基于变分模态分解。在旋转机械通常被视为轴承故障振动信号脉冲(13]。本文提出了一种新的形态学算法和模糊推理技术来消除噪声检测脉冲。来自和Sugumaran14使用三种方法,特征提取,分类、比较和分类实现vibration-based综合离心泵状态监测系统,提高旋转机械的检验效率。小波分析的特征提取和NaveBayes算法和贝叶斯网络分类算法进行了比较。

风力动力传动机械、时频图像包含丰富的运行状态信息,更适合风电传动机械的故障分析。哈里斯和杨15)提出一种新的智能诊断系统,特征选择的工具基于Mahalanobis距离和救援算法用于选择重要功能,可以表示机器的条件来提高分类精度(16]。对于旋转机械,一种改进的多小波包EEMD multifault提出了诊断方法。改善EEMD分解结果和提高弱multifault功能组件不同的狭窄的乐队,用作预滤器multi-wavelet包。通过选择一个合适的基于振动噪声振幅特征,增加EEMD进一步改进提高分解结果的准确性和有效性。在旋转机械故障诊断,燕et al。17总结基于连续小波变换的故障诊断,故障诊断基于离散小波变换,基于小波包变换的故障诊断,基于第二代小波变换的故障诊断。Tobon-Mejia et al。18)提供了一种新方法估算剩余寿命和轴承的信心基于小波包分解和高斯混合隐马尔可夫模型。他等。19]提出一套super-wavelet变换(ESW)检查电机轴承故障的振动特征,为了实现故障的灵活性特点,基于可调q值小波变换的组合(TQWT)和希尔伯特变换。盲源分离(BSS)的使用和检测齿轮箱故障的非线性特征提取技术。处理的非平稳振动和检索原始故障特征向量,李et al。20.]采用小波包变换(WPT)和经验模态分解(EMD)的非线性分析方法,能够稳定和准确分析的齿轮故障。

基于人工神经网络的故障诊断方法可以处理和接受模糊的信息,并已自学习和自组织的能力。它具有高非线性、高容错和并行处理。这些特点使它在故障诊断领域的应用和取得好结果。为了处理大量故障数据在时间和自动提供准确的诊断结果,有学者已经做了很多聪明的旋转机械故障诊断的研究,提出了基于深层神经网络的诊断方法,它使用信号处理技术来提取特征和输入到安对故障进行分类。诊断结果表明,该方法不仅适应可用的故障特性的测量信号也比先前的方法具有较高的诊断准确性。学者提出了一种新的基于小波包分解方法(WPD)和经验模态分解(EMD),提取旋转机械故障的特征频率和早期故障诊断的神经网络方法,根据分析当前的缺陷特征提取和故障诊断技术。旋转设备早期故障诊断模型与横向裂缝调查。结果表明,该方法可以有效地获取信号特征以早期诊断旋转机械故障。学者们建立了一个数学研究确定最重要的固有模态函数(IMF)。分类轴承缺陷,所选特征被用来训练人工神经网络(ANN)。 The experimental findings suggest that the proposed method for classifying bearing faults based on vibration signals of operation failure is accurate, the accuracy of fault classification can reach 98%. To extract universal multiclass pavement statistical characteristics, researchers suggested a new intelligent problem detection scheme based on wavelet packet transform (WPT), distance assessment technology (DET), and support vector regression (SVR). WPT preprocesses the gathered signals at various decomposition depths. Scholars have used the K-nearest neighbor (KNN) classifier to determine the condition of a ball bearing using vibration and load signals.

本研究调查一个缺陷诊断方法对风力发电机传动机械图像特征提取的基础上,以提高风电传动机械故障的检测。即振动信号从风力发电机传动系统的重要组成部分,如齿轮箱、低速轴、高速轴和发电机,都聚集在正常和故障模式。时频分析采用短时傅里叶变换和小波变换时频光谱。时频图像特性然后使用灰度共生矩阵法提取,特征向量得到使用和故障诊断的人工免疫算法,提高故障诊断的准确性。

2。该方法

一般风动力传动机械的故障诊断过程基于图像特征包括图像采集、图像处理、特征提取、判断和识别,最后预警或报警。整个过程如图1。摘要振动信号处理、特征提取、判断和识别进行了研究。

2.1。振动信号处理

机械部件产生的振动信号传输系统的风力涡轮机包含大量的信息与他们的机械状态有关。然而,由于风力涡轮机的复杂结构和干扰,和非常不稳定的操作条件下风速的影响变量,非平稳振动信号显示明显,这使得它很难提取机械状态的特征信息。因此,传动系统的振动信号需要预处理。此外,由于强烈的背景噪声的干扰,其振动特征很容易隐藏,所以时频分析方法通常是用于处理风力发电机传动系统的振动信号。

时频分析的原理,给出了频率描述在给定的时间点,并给出每个时间点的频率描述随着时间轴的运动。从时频联合分布,以横轴为时间,纵轴为频率,可以准确地诊断风能通过数据传输错误。

2.1.1。短时傅里叶变换

STFT的基本思想是原始信号截断窗口功能,翻译的一些固定的非平稳信号近似信号的截断信号和平稳信号改变了傅里叶变换得到信号的频谱在不同的时间段。因为需要有窗的截断的非平稳信号,短时傅里叶变换(STFT)也被称为窗口的傅里叶变换(WFT)。如果基函数, ,使用,它被定义为:

在公式, ,窗口函数应该是一个对称的实值函数。

对于一个给定的时间t, ,这是定位信号的频率x(t)在一个很小的范围附近t。的翻译t,所有本地化整个信号提取的光谱特征。因此,短时傅里叶变换)是全球和地方特性之间的一座桥梁。从公式1节省时间和频移特性的短时傅里叶变换可以证明的。(1)让使用者特征:STFT没有时移不变性,其振幅不变的因素及其相位差是一个阶段,见公式。 (2)频移特点:也就是说,STFT变换的频移信号(t)看到公式。

在公式(3),x(t)代表了振动信号。

2.1.2。小波变换

与频率的窗口函数可以动态地改变,所以它可以全面观察信号和转换断层的特征信号在时频域。它可以提取信号的故障信号的有效信息。它可以将故障信号划分为不同级别的多尺度,和具有较强的扩展和翻译功能。同时,小波变换结合本地化的傅里叶变换的概念,并克服问题,窗口大小不能自由转换,以便窗口可以用不同的频率调整本身。

让x (t)是一个有限的能量函数,即 ,那么它的小波变换为:

在公式(4),是小波变换的结果。

,基本小波函数翻译和比例获得: 在哪里b是位置参数,一个> 0是尺度参数,因素是归一化常数,能量变换前后保持不变,即

小波函数的频域表示如下:

公式(7)表明,当规模参数变小和时域分辨率变得更高,相应的频域分辨率变得较低;当参数规模更大、频域分辨率变得更高,相应的时域分辨率变得更低。结果表明,小波变换自适应窗口的优势。与STFT相比,小波变换的“窗口函数”是由衰减函数,不叠加三角函数。因此,可以扩展自适应小波,这解决问题的时间和频率分辨率不能同时达到最优。

2.2。图像特征提取

原始信号分解后的信号处理方法,故障特征提取需要的分数。如果提取的特征可以准确地描述每个组件的机械状态的风力发电机传动系统,高灵敏度的变化不同工况下的力学状态,故障诊断系统的故障识别能力将大大提高。

从时频特征提取图像的质量将直接影响风力发电机的故障诊断结果,所以如何提取图像特征信息已成为一个研究热点。从图像中提取有用的信息来描述二维图像中包含的丰富的特征信息,当风力发电机传动机械是正常的,错误的。(1)图像纹理特征:它是一个衡量当地像素之间的关系。它包括图像的安排和组织秩序的表面结构。它指的是表面性质的信息包含在一个地区的形象,和表达的改变图像像素的灰度空间。在模式识别、图像的纹理特征可以反映图像的区域特征,可以抵抗噪声和旋转不变性的影响,和不会导致识别失败由于错误在某些像素。有四种最常用的纹理特征提取方法:结构、统计、光谱和模型。(2)通常,颜色特征是功能集成的图像或图像区域的像素,基于图像像素。但是颜色特征不能捕获图像中对象的局部特性,并不能反映图像的大小和方向的变化。常见的颜色特征的提取方法有:颜色直方图和颜色,颜色的时刻。(3)图像形状特征:一般来说,图像的形状特征可以用区域特征或边界特性,也广泛应用于图像识别和其他应用程序。

它是一个重要的方法来提取灰度共生矩阵的图像纹理特征分析。

2.3。灰度共生矩阵法

灰度共生矩阵法提取图像纹理特征分析是一个重要的图像特征提取方法。通过研究两种不同的联合分布概率灰度图像中像素区域,它可以准确地反映空间复杂性,粗糙度,重复的时频图像的纹理方向风力发电机传动机械。其实质是开始从像素位置(x,y))的灰度我。的频率 同时出现的像素距离d和灰度j(位置 )是统计。

在方程(8),p代表的频率同时发生的像素。

在公式, 图像的像素坐标。 灰度值。 灰度共生矩阵的生成步骤,灰度共生矩阵是方向生成,如图2。 ,当d和,我们可以得到一个l∗l应用灰度共生矩阵建立维度,所代表的符号p .一般来说,图像可以算在四个不同的方向:0,45岁,90年和135年。

GLCM可以描述灰度图像的综合信息关于方向、相邻间隔、变化范围。灰度共生矩阵法的特征参数可用于灰度图像的纹理分析。(1)对比(定义为 ):用于描述图像纹理清晰。越大越明显的相邻像素双灰色的区别是,和图像纹理清晰吗 (2)相关性(定义为 ):用来描述图像的纹理方向。的方向是一个图像的纹理方向。它是用来测量元素的相似性应用灰度共生矩阵建立的行或列的方向。 平均值和标准偏差的公式 和 是和 ,分别为: (3)能源(定义为 ):也被称为角二阶矩和一致性,是一个衡量图像纹理的一致性。越大 ,图像纹理的粗糙,相反,更精细的纹理。当灰度分布有一个常数或周期性的形式,达到最大的能量。 (4)(定义为逆差距 ):度量图像纹理的局部变化。意味着图像包含纹理与理想的重复结构,所以逆差距越大,越普通的纹理。 (5)熵(定义为 ):图像纹理的复杂度是衡量图像内容的随机性。越大值,图像越复杂。 (6)方差:定义为 , (7)意味着(定义为 ): ,在公式, (8)方差总和(定义为 ): (9)的方差差异(定义为 ): (10)熵(定义为和 ): (11)微分熵(定义为 ): (12)(定义为集群的影子 ): (13)显著的集群(定义为 ): (14)最大概率(定义为 ):

2.4。时频图像的纹理特征提取

应用灰度共生矩阵建立有14个纹理特征参数计算,但这些参数不是所有无关紧要的。因此,如果所有的参数和特征提取,会有一些冗余。根据理论分析和实验结果的时频图像的纹理特性的风力发电机传动机械振动信号,选择四个特性本文对比关系,能量,和逆差异,形成灰度图像的纹理特征向量,并进行纹理分析。

四个特征值的含义和范围如表所示1。

在本文中,我们使用基于相关分析的灰度共生矩阵法和基于不变矩的胡融合的特点和基于不变矩的看了胡七高斯归一化的时频图像的目标。七个不变量定义为在平移、缩放和旋转变换, 。提出了四个特征值作为特征向量融合灰度共生矩阵法得到更明显的特征值。

2.5。负选择算法基于改进动态调整半径的大小

人工免疫算法可以训练检测器并生成检测器的数据库。抗原与成熟检测器数据库匹配识别抗原并输出错误的结果。免疫网络可以描述的相关特征免疫系统通过免疫分子的模型,及其作用来自免疫分子之间的相互作用。负选择算法(NSA)是一个重要的方式来训练检测器在人工免疫算法。算法的流程图如图3。(1)定义一个self-sample N个字符组成的字符串S探测器的训练。(2)随机生成初始检测器和匹配与self-sample字符串s .如果匹配,生成随机产生检测器;如果没有,它是添加到检测器集r .这是消极的选择。(3)检查探测器的数量是否满足要求,并返回(2如果探测器的数量没有达到;如果到达探测器的数量,它结束。

针对广泛应用的特征向量算法,探测器是广义的概念。提出了一个实值向量探测器。特征向量的实值向量探测器必须有相同的维度特征向量在设备的正常状态(纽约自己的空间)。和独特的各种故障状态的特征向量(nonself-space)风力发电机传动机械只能与其他空间的特征向量。它不能匹配正常状态的特征向量,即特征向量的空间。向量探测器满足以下公式:E(m s) >r。

欧氏距离是E;正常的状态向量在一个自己的空间年代;探测器的阈值r;和探测器向量米。大半径探测器减少探测器的数量,减少了训练时间和检测时间。同时,小半径探测器是用来覆盖区域固定探测器不能覆盖半径,这减少了黑洞并提高了nonself-areas的报道。通过负选择算法生成检测器的过程与可变半径如下:(1)算法

3所示。实验

3.1。数据源和处理流程

研究的数据主要来自大型风力发电机的故障数据在一个风电场。风机模型:sl77 - 1500;变速箱模型:PPSC1290;额定风速:10.8米/秒;单次抽样时间:1分钟;传动比:104.125;实时数据监控齿轮和变速箱的操作,通过故障诊断模型中,齿轮和齿轮箱的运行状态诊断。断层研究的主要类型是变速箱坏了牙齿和齿面磨损和剥落出错。

传感器收集的齿轮箱的振动信号进行了分析,处理和识别。

3.2。数据采集和规范化

振动信号的实验数据收集的四个传感器主要有三种状态:正常状态下,齿轮破损状态,齿面磨损状态。MATLAB的均方提取特征值,和60组正常状态数据,10组齿轮断裂的状态数据,10组齿轮表面磨损状态数据。

3.3。数据库生成检测器的人工免疫算法

人工免疫算法用于训练检测器和生成检测器数据库。抗原与成熟检测器数据库匹配识别抗原并输出错误的结果。(1)构建探测器设置通过使用变量阈值实际价值负选择算法收集一定数量的数据在这项研究中,100个样本的风力发电机齿轮箱积极选择数据和两种类型的故障数据,和时频分析的样本数据进行获取时频图像。(2)图像预处理特征向量都是来自这三个样本的时频的照片。使用离线训练的第一个50特征向量样本。过去的50特征向量都是考验。与离线训练检测器集合D,向量探测器E(m s) >R是就业。每个探测器分别匹配。探测器时打开欧几里得距离(距离匹配)E=r。(3)观察探测器,探测器被激活,确定故障类型,最后得到诊断的结果。

4所示。讨论

(1)数据归一化促进应用程序中数据的实验。表2显示了一些均方数据和归一化均方数据集。表中的数据2来自由MATLAB数据提取齿轮的振动传感器。(2)从灰度共生矩阵法提取图像的特征向量。积极的数据从一个风力涡轮机变速箱,以及两种类型的故障数据,处理工作。对于每个数据集,选择100个样本。这些样本数据的时频分析收益率时频图像。为了提取视觉特征,灰度共生矩阵法和基于不变矩的胡。每个图像的灰度共生矩阵法在四个偏移方向分别计算。经过加权融合方法,得到一种改进的灰度共生矩阵法。提取的特征的灰度共生矩阵法是值得图像特征向量的三种不同状态的齿轮和正常化。结果如表所示3。通过计算300个样本应用灰度共生矩阵建立基于特征向量,胡锦涛不变矩特征向量和GLCM-Hu特征向量,诊断结果如图4。在正常状态下,齿面磨损状态和齿轮断状态,应用灰度共生矩阵建立图像提取特征矢量的诊断准确率为83%,78%,和80%,分别;基于不变矩胡提取诊断准确性86%,76%,和82%,LCM-Hu融合和特征向量提取的90%,91%,94%。结果表明,融合和不变矩胡灰度共生矩阵法提取特性可以显著提高准确性。(3)与可变半径是真正的负选择算法用于故障诊断。数据5和6对比图的检出率和探测器的数量在不同半径的self-body改进的可变半径

从图6,我们可以看到探测器的检出率随着self-radius的增加,减少因为自我的大半径覆盖non-self-set的单个元素。改进算法训练检测器的检出率高于原算法训练的探测器,和黑洞范围是有效控制。与自体半径的增加,一个较小的半径探测器需要覆盖nonautologous地区,所以探测器所需数量的增加。

为了比较故障诊断基于改进的结果变量半径实际价值负选择算法和原算法,self-radius ,覆盖率c= 95%,c= 99%是在仿真实验中设置。检测器生成的数量是375年和613年。探测器的数量产生的改进的可变半径真正的负选择算法是281年和396年,和测试是重复20次。从图中的数据7可以看到,它的诊断加息增加覆盖范围。

5。结论

特征值之间的相关性是用来融合特征值在这个工作,和振动信号聚集在风力发电齿轮箱传动机械诊断在正常和故障情况。生成的特征向量有改善分辨率的特点。我们可以从实验观察发现所需的诊断准确性。同时,证明了基于图像特征提取的故障检测方法和一个真正的负选择算法可以准确地诊断风力发电机传动机械、故障诊断的两个分别是98%和93%,分别。

人工免疫算法可以深入研究使其具有相同的动态自适应函数作为免疫系统。通过改善友邦的数学模型,设置参数和研究友邦保险的融合,一个更加稳定的故障诊断模型建立了友邦保险。

数据可用性

的数据支持本研究的发现可以从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国华能科技工程集团有限公司有限公司“优化研究对防止沥青华锐风电风力涡轮机系统卡住了”。