首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于正余弦麻雀搜索与峭度解卷积的发电机故障诊断

基于正余弦麻雀搜索与峭度解卷积的发电机故障诊断

2025-05-05 32 上传者：管理员

摘要：提出了一种基于结合正余弦麻雀搜索算法和最大相关峭度解卷积的风电机组发电机故障诊断方法。该方法通过正余弦麻雀搜索算法优化最大相关峭度解卷积算法的参数，有效提取故障信号中的微弱特征。实验结果表明，该方法能够在复杂噪声环境下准确识别发电机的早期故障特征，为风电机组的故障预警和维护提供了有力的技术支持。

关键词：
发电机
故障诊断
正余弦
风电机组
麻雀搜索算法
加入收藏

随着全球能源结构的变化和可再生能源的不断兴起,风力发电作为一种清洁且高效的能源形式,使其被应用领域不断扩展[1]｡风力发电机组具有高效的能量转换能力和良好的电网适应性,已成为风电场的主流选择｡然而,在运行过程中,风电机组面临的复杂工况和恶劣的环境条件导致其故障频发,严重影响了发电效率和系统的稳定性｡因此,对风电机组进行有效的故障诊断与状态监测,对于提高其可靠性､降低运维成本具有重要意义｡

发电机作为风电机组的核心部件,其故障诊断的准确性直接关系到整个系统的安全运行｡常见的机械故障类型包括转子不平衡､轴承故障､绕组短路等,这些故障在早期阶段表现为微弱的信号特征,容易被背景噪声掩盖｡传统的故障诊断方法,例如基于振动信号的时频分析,虽然在一定程度上能够识别故障特征,但是在噪声干扰较大的情况下,其诊断准确性和可靠性仍然存在不足[2]｡

为了实现对风电机组部件早期微弱故障的精准诊断,首先,需要对采集到的故障信号进行有效的噪声抑制,并增强其中的故障特征频率｡针对这一挑战,许多学者尝试从这些信号中提取关键特征,以提高故障诊断的准确性｡文献[3]针对滚动轴承早期故障特征容易受到强背景噪声干扰导致提取困难的问题,提出了一种基于参数优化VMD-MCKD的故障诊断方法｡实验结果表明,该方法能够有效提取并突出故障信号中的冲击成分,即使在强噪声环境下,仍能准确诊断滚动轴承的早期故障｡文献[4]针对在强噪声背景下,滚动轴承早期故障的冲击信号微弱且难以提取特征的问题,提出了一种结合VMD和MCKD的降噪与故障特征增强方法｡研究表明,尽管存在不同的噪声干扰,尤其是低信噪比的情况下,该方法依然能够保持出色的信号处理效果,有效提取故障特征｡文献[5]提出了一种基于MCKD的轴承故障诊断方法,该方法通过MCKD算法对振动信号进行噪声抑制和特征强化,进而通过增强后的包络谱提取轴承的故障特征频率,实现了精准的故障诊断｡

1、建模思路和方法

为了实现对风电机组发电机早期微弱故障的精准诊断,本文提出使用SCSSA-MCKD组合算法进行风电机组发电机故障诊断的方法｡该方法通过结合正余弦与柯西变异的麻雀搜索算法(sine-cosineandCauchymutationsparrowsearchalgorithm,SCSSA)与优化最大相关峭度解卷积(maximumcorrelationkurtosisdeconvolution,MCKD)算法的参数,有效地提取故障信号中的微弱特征｡SCSSA算法在全局搜索方面表现优异､收敛速度较快,因此,能够有效应对MCKD算法中参数选择｡通过结合SCSSA和MCKD的优势,所提方法能够在复杂的噪声环境下,准确地识别出发电机的早期故障特征,为风电机组的故障预警和维护提供有力的技术支持｡

2、基本原理

2.1SCSSA算法

麻雀搜索算法(sparrowsearchalgorithm,SSA)是一种模拟麻雀觅食行为的启发式优化算法｡麻雀群体通过相互之间的协作与竞争,在寻找食物的过程中,能够在未知的环境中找到最优解｡SCSSA在SSA的基础上,结合了正余弦变换和柯西变异机制,提高了算法在全局搜索和局部搜索中的平衡性,从而提升了优化性能[6]｡SCSSA是一个启发式搜索算法,在复杂的优化问题应用中,具有较强的全局搜索能力｡

SSA主要基于以下几个方面的行为:

1)觅食行为:麻雀通过感知食物的位置和数量,更新自己的位置,以寻找最优的食物源｡

2)警觉行为:麻雀对周围环境的变化敏感,当感知到环境危险时,会通过警觉行为避免被捕食者攻击,防止陷入局部极值｡SSA的基本步骤包括:

1)每个麻雀个体在空间中更新位置,模拟在搜索空间中的运动｡

2)根据个体的表现,更新食物源的位置,促使群体逐渐向最优解收敛｡

SCSSA算法对传统的麻雀搜索算法进行了改进,引入了正余弦变换和柯西变异来增强全局搜索能力和局部搜索精度[7]｡

正余弦变换(sine-cosinetransformation)是一种常用于优化算法中的数学工具,主要目的是通过引入周期性函数来引导搜索空间中的探索｡通过使用正弦和余弦函数,SCSSA可以更加平滑地调整搜索步长,进而增强全局搜索能力｡

柯西变异(Cauchymutation)是一种基于柯西分布的随机过程,用于提高算法的全局搜索能力,尤其是在优化过程中避免过早收敛｡柯西分布有较大的尾部,因此,产生较大的随机波动,增加搜索空间中的探索范围｡

SCSSA算法的基本流程如下:

1)初始化:随机生成麻雀群体的位置,每个麻雀个体的位置代表一个潜在解｡初始化的个体包括食物源的位置以及警觉行为的位置｡

2)正余弦变换更新:对于每个麻雀个体,根据其位置与食物源的位置距离,使用正余弦变换来调整其位置｡通过正余弦函数的作用,麻雀能够在全局范围内进行搜索,探索更多的解空间｡

3)柯西变异更新:根据个体的表现和搜索进度,在一些个体上应用柯西变异,使搜索在局部区域内更加精细,从而增加找到全局最优解的概率｡

4)适应度评估:每次更新后,评估个体的适应度,选择适应度最好的个体作为食物源｡

5)搜索和警觉行为调整:根据麻雀的搜索行为和警觉行为,调整其位置｡食物源位置较好的麻雀会吸引其他个体进行靠近,而警觉行为较强的麻雀会避免进入潜在的危险区域｡

6)停止搜索:当达到设定的最大迭代次数或达到所需的精度标准时,停止搜索并输出最优解｡

2.2MCKD算法

最大相关峭度解卷积(maximumcorrelationkurtosisdeconvolution,MCKD)是一种用于信号处理的先进算法,主要用于提取被噪声淹没的微弱故障信号[8]｡MCKD的核心思想是通过解卷积运算来突出信号中的周期性冲击成分,从而提高信号的相关峭度值,这使得其在早期故障诊断中表现出色[9]｡MCKD算法的基本步骤和相关表达式如下:

1)信号建模

假设输入信号x(t)包含周期性冲击信号和噪声｡MCKD的目标是设计一个滤波器f(t),使得输出信号y(t)能够最大化相关峭度｡

2)滤波器设计

设计一个FIR滤波器f(t),其长度为L｡滤波器的设计目标是最大化输出信号的相关峭度｡相关峭度定义表示式如下:

式中:T为冲击信号的周期;M为移位数｡

3)解卷积运算

通过滤波器f(t)对输入信号x(t)进行卷积操作,得到输出信号y(t)表示式如下:y(t)=f(t)*x(t)(2)式中:*为卷积运算｡

4)优化过程

SCSSA优化MCKD的参数主要包括冲击信号周期T､滤波器长度L和移位数M｡通过SCSSA的迭代过程,自动调整这些参数,以最大化适应度函数[10]｡在每次迭代中,SCSSA会根据当前种群的适应度值更新个体位置,并通过正余弦搜索策略和柯西变异操作来探索新的解空间｡SCSSA优化MCKD参数的流程如图1所示[11]｡

图1SCSSA优化MCKD参数流程

3、实例验证与分析

为验证SCSSA-MCKD故障诊断方法效果,以内蒙古某风电场的一台双馈式风电机组为例,样机结构如图2所示｡

图2两级行星一级平行级机组传动链结构

3.1振动信号获取

通过安装在发电机上的振动加速度传感器,可以获取发电机驱动端和非驱动端水平测点的振动加速度信号及转速信号,采样频率为25600Hz｡数据采集时间为2022年11月至2023年3月,涵盖了机组运行期间的相关信号｡所采集的振动加速度和转速信号数据的分析结果如表1所示｡

表1传感器测点数据采集信息

3.2基于SCSSA-MCKD的信号分析

振动分析工程师对该机组振动信号进行分析,发现早期故障信号中存在明显噪声,且发电机故障发现不及时｡故障信号的时域波形如图3所示,噪声导致波形中仅有少数较为显著的振动冲击,无法看出其规律｡

图3故障信号时域波形

故障信号的频域波形如图4所示,在低频段可以观察到几个明显的频率峰值｡由于信号存在调制效应,这些频率无法与已知的故障特征频率直接匹配｡

图4故障信号频谱

对故障信号进行了包络解调,得到包络谱如图5所示｡

由图5可以看出,故障特征不够突出,无法进行准确的故障诊断｡因此,这里将引入SCSSA-MCKD故障诊断方法,使用SCSSA算法对MCKD算法中的图5故障信号包络谱[L,T,M]3个参数进行优化,确保找到最佳的MCKD参数｡SCSSA优化MCKD适应度曲线如图6所示｡

图5故障信号包络谱

图6SCSSA优化MCKD适应度曲线

优化代码运算后,得到优化代码运算过程｡MCKD最佳参数[L,T,M]=[231,88,1]｡利用SCSSA优化后的MCKD算法处理的信号包络谱如图7所示｡

图7MCKD算法处理的信号包络谱

由图7可以看出,与MCKD优化前的包络谱相比,优化后的包络谱中出现明显故障特征频率,包括其2倍频､3倍频､4倍频的谱线,这说明信号的故障特征频率被准确提取出来｡

为了进一步验证本文方法在风电机组发电机故障诊断中的有效性,针对发电机常见的故障类型,如轴承故障､转子不平衡､定子绕组故障等,进行实验验证｡对于轴承故障,诊断准确率达到92.5%;对于转子不平衡故障,准确率为91.8%;对于定子绕组故障,准确率为89.3%｡这些数据证明,本文方法在故障诊断方面表现出色,能够有效提取不同故障类型的特征频率,并实现高精度诊断｡

4、结语

本文提出了一种基于SCSSA-MCKD的风电机组发电机故障诊断方法,通过优化MCKD算法的参数,有效提高了故障信号的特征提取能力｡实验结果表明,该方法在复杂噪声环境下能够准确识别发电机的早期故障特征,具有较高的诊断准确性和可靠性｡该方法为风电机组的故障预警和维护提供了一种有效的技术手段,对于提高风电机组的运行可靠性和降低运维成本具有重要意义｡未来可以进一步探索该方法在其他类型的风电机组故障诊断中的应用,并结合更多的优化算法和信号处理技术,提升故障诊断的性能｡

参考文献:

[1]左学谦,魏加呈,熊巍.双馈式风力发电机故障诊断技术研究[J].机械管理开发,2024,39(6):124-126.

[3]陶翰铭,张栋良,吴坤鹏,等.基于参数优化VMD-MCKD的滚动轴承早期故障诊断[J].噪声与振动控制,2024,44(6):156-164.

[4]费红博,张超,吴乐,等.基于VMD-MCKD的微弱故障信号降噪及冲击特征增强方法[J/OL].机电工程,2025:1-11[2025-01-06].

[5]郭奇,祁雷,赵杨,等.基于MCKD的海上风机齿轮箱轴承故障诊断方法[J].油气田地面工程,2024,43(6):62-67,72.

[6]蔡士超.基于SCSSA-VMD的滚动轴承故障诊断[D].淮南:安徽理工大学,2024.

[7]李爱莲,全凌翔,崔桂梅,等.融合正余弦和柯西变异的麻雀搜索算法[J].计算机工程与应用,2022,58(3):91-99.

[8]李庆.稀疏正则化理论的旋转机械健康状态监测关键技术研究[D].上海:东华大学,2019.

[9]唐贵基,王晓龙.最大相关峭度解卷积结合稀疏编码收缩的齿轮微弱故障特征提取[J].振动工程学报,2015,28(3):478-486.

[10]高锐文,胡定玉,师蔚,等.基于最大相关峭度解卷积和谱峭度的滚动轴承声信号故障特征增强[J].噪声与振动控制,2022,42(2):102-107.

[11]陈立海,谭奥,贺永辉,等.基于SCSSA-VMD-MCKD的轴承早期微弱故障异常检测方法[J].机电工程,2024,41(12):2129-2141.

文章来源:杨禄铭,池献龙,施德华.基于正余弦麻雀搜索与峭度解卷积的发电机故障诊断[J].微特电机,2025,53(04):39-42.