一种风电机组传动系统振动信号重构方法及系统

所属的技术人员能够理解，本技术提供的风电机组传动系统振动信号重构方法的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

背景技术：

1、风力发电机组是将风的动能转换为电能的系统。风电机组传动系统是风电机组的重要部件，因其故障导致的异常停机占总异常停机时间的90%以上，也是故障率较高的关键部件。为此，为了能够提升风电机组传动系统的可靠性与可利用性，需要进行有效的故障诊断，采取有效的方式来降低重大事故发生几率。

2、目前有效的手段就是在传动系统早期故障状态下诊断出故障提前制定运维计划，减少停机时间，并避免安全事故的发生。然而，风电机组在随机风载、塔筒振动、叶片振动等强噪声的干扰下健康状态特征不明显，导致早期故障难以准确诊断。

3、对于风电机组传动系统早期故障信号特征来讲，由于早期故障信号微弱，容易淹没于系统结构振动噪声中，难以实现准确的降噪。而当前基于重构方法的信号降噪方法主要有两个问题：

4、（1）依赖于转速传感器的准确信息，降低了算法的适用性。

5、（2）依赖于传动系统的先验知识，限制了其方法降噪效果和适用性。

6、可以看出，风电传动系统在随机风载的输入下，呈现出变转速的工作特性，因此多数信号降噪方法会利用转速信号将信号转变为角域信号规避频谱问题。但是该方法额外引入转速传感器采集的转速信号，由于转速传感器会偶发失效，因此不利于风电传动系统健康监测的推广应用。基于故障信息（小波、频域分割等）降噪方法的依赖于先验知识的准确获取（完备故障波形字典、准确的阶次信息等），而风电机组传动系统的部件多、故障类多、型号多的特点导致构造过完备固定字典的可行性差，限制了其方法降噪效果。

技术实现思路

1、本发明提供一种风电机组传动系统振动信号重构方法，方法实现了在风机的变转速工况下准确信号重构，克服了风电机组变转速的干扰，提升了重构的精度和可靠性。

2、振动信号重构方法包括：

3、步骤s101：获取风电机组传动系统的振动信号，并采用ceemdan算法，对振动信号进行分解，其中，，n为数据长度，共得到l个本征模态函数，本征模态函数定义为；

4、步骤s102：针对l个，采用基于延迟互相关谱相似性检验的分量融合方法，对相似健康特征分量进行融合，融合后分量记为；

5、步骤s103：针对m个，采用基于功率谱相似性度量的分量融合方法，对噪声成分进行合并，合并后分量记为；

6、步骤s104：针对n个,采用基于差异性关联分析的分量筛选方法，筛选出健康分量，实现信号重构。

7、进一步需要说明的是，步骤s101中，采集风机齿轮箱水平方向振动信号，采样频率为25khz至27khz，采用时长4s至6s。

8、进一步需要说明的是，步骤s102还包括：

9、步骤s1021：计算振动信号的功率谱密度函数，记为和；

10、步骤s1022：计算与之间的相关系数，并定义为，

11、步骤s1023：将未合并的按照从大到小进行排序，排序后的定义为；

12、步骤s1024：计算当前最大相关系数分量，即包络信号与其他分量的包络信号，j为大于1的正整数，再计算两包络信号的互相关谱；

13、步骤s1025：当互相关谱呈现出周期性时，将与合并；

14、步骤s1026：重复步骤s1023-步骤s1025，直至所有均参与评估和融合，汇总得到m个。

15、进一步需要说明的是，步骤s1024中，计算两包络信号的互相关谱方式为：

16、

17、式中，为时移时两者的互相关系数，为信号长度，为的标准差，为的标准差，为均值。

18、进一步需要说明的是，步骤s1025中，基于预设采样频率以及预设采样时长的振动信号，当同时满足以下条件即满足周期性判定：

19、（1）除零点外的相关系数最大值>0.35；

20、（2）至少有三个极大值；

21、（3）互相关谱中的相关系数极大值之间的采样间隔呈正态分布。

22、进一步需要说明的是，步骤s103还包括：

23、步骤s1031：计算与振动信号的功率谱密度函数，定义为和；

24、步骤s1032：计算与之间的皮尔逊相关系数，记为；

25、步骤s1033：将未合并的按照从大到小进行排序，排序后的定义为；

26、步骤s1034：计算的包络信号；

27、步骤s1035：计算与其余之间的相关程度；

28、如果相关，则合并与；

29、步骤s1036：重复步骤s1033-步骤s1035，直至均参与评估和融合。汇总得到n个。

30、进一步需要说明的是，步骤s1034还计算归一化功率谱密度，

31、

32、式中，代表功率谱函数，使用welch分段功率谱估计方法，max()为最大值，min()为最小值。

33、进一步需要说明的是，步骤s104还包括：

34、步骤s1041：计算由生成评价参考信号，具体算法如下：

35、

36、步骤s1042：建立参考信号与的多维度评价矩阵m

37、

38、式中，、分别为振动信号与第j个的i个评价值；

39、步骤s1043：计算评价值与参考信号评价值之间的关联系数；

40、步骤s1044：计算对应的均值，得到与参考信号的灰色关联度；

41、步骤s1045：选取最小的分量作为重构信号，定义为。

42、进一步需要说明的是，步骤s1043中，基于如下公式计算评价值与参考信号评价值之间的关联系数，

43、

44、式中，和分别为 y和 x最小差和最大差的绝对值，为分辨系数。

45、本技术还提供一种基于分解融合筛选的风电机组传动系统振动信号重构系统，系统包括：信号分解模块、融合处理模块、分量融合模块以及筛选重构模块；

46、信号分解模块用于获取风电机组传动系统的振动信号，并采用ceemdan算法，对振动信号进行分解，其中，，n为数据长度，共得到l个本征模态函数，本征模态函数定义为；

47、融合处理模块用于针对l个，采用基于延迟互相关谱相似性检验的分量融合方法，对相似健康特征分量进行融合，融合后分量记为；

48、分量融合模块用于针对m个，采用基于功率谱相似性度量的分量融合方法，对噪声成分进行合并，合并后分量记为；

49、筛选重构模块用于针对n个,采用基于差异性关联分析的分量筛选方法，筛选出健康分量，实现信号重构。

50、从以上技术方案可以看出，本发明具有以下优点：

51、本技术涉及的风电机组传动系统振动信号重构方法使用ceemdan算法对振动信号进行分解，可以得到l个本征模态函数。使用ceemdan算法能够更有效地处理非线性和非平稳信号，并且减少模态混叠现象。因此，本技术的重构方法能够将原始振动信号分解为多个具有不同频率和尺度的分量，这些分量能够更准确地反映风电机组传动系统的振动特性。本技术的重构方法可以对具有相似健康特征的imf分量进行融合。还能够减少冗余信息，提高信号的信噪比，并且使得处理后的信号更易于后续的分析和故障诊断。

52、本技术的重构方法使用基于功率谱相似性度量的分量融合方法，可以识别并合并具有相似功率谱特征的噪声成分。方法有助于减少噪声对振动信号分析的影响，提高信号的质量。本技术基于差异性关联分析的分量筛选方法，能够对分解后的imf分量进行筛选，保留那些与健康状态密切相关的分量，并去除与健康状态无关或相关性较弱的分量。这样，有助于更准确地识别风电机组传动系统的健康状态，并且实现信号的重构，为后续的故障诊断和维护提供更有价值的信息。

53、本技术的重构方法能够减少噪声和冗余信息对振动信号分析的影响，提高信号的质量和信噪比。基于处理后的振动信号，可以制定更科学的维护策略，如预测性维护、预防性维护等。这有助于提前发现潜在故障，避免故障的发生或扩大，降低运维成本，提高风电机组的可靠性和使用寿命。