一种风机监测数据时频特征分级细化分析的方法

技术领域

本发明涉及海上风电或陆上风电领域，尤其涉及一种风机监测数据时频特征分级细化分析的方法。

背景技术

风机工作在复杂的载荷环境中。通常情况下，在进行风机状态监测时，获得的状态监测数据不仅包含一定的环境噪声成分，还会受运行中的风机机电设备干扰。一般认为，风机状态监测中的不同类型干扰因素特征有差异，通常会体现出不同的作用频域和作用周期。

然而，由于风机工作环境及工作状态各不相同，不同风机运行中的各种不同类型干扰因素难以进行统一分析处理；因此，在预先分析获取某一风机运行特征及运行干扰特征之前，无法利用常规的时频分析方法有效、精准分析风机响应特征。这是由于常规时频分析方法往往具有固定的时间和频率分辨率，只能对风机响应进行一般筛选分析；同时，时频多分辨率分析方法虽然能精准捕捉风机时频域特征，但是相应方法的时频信息量太大，无法区分风机运行特征和运行干扰特征。

目前，已建成风电项目状态评估、运行维护需求凸显。分析识别风机监测数据响应特征，及时准确掌握和评估风机结构实际响应状态特征，对风机运行维护决策非常重要。

发明内容

本发明的目的在于提供一种风机监测数据时频特征分级细化分析的方法，得到第一级瞬时特征频率、第二级瞬时特征频率以及对应的特征响应，从而能够准确掌握、评估风机结构实际响应状态特征，达到服务风电结构状态评估、运行维护的目的。

本发明所采用的技术方案是：一种风机监测数据时频特征分级细化分析的方法，包括以下步骤：

(1)根据风机状态监测数据(位移、加速度、应变或倾斜等)，计算监测数据极值及其特征、时程统计特征，分离直流分量，分析提取趋势项，核验并从监测数据中剔除异常值，获得预处理结果；

根据已有的风机状态监测数据，计算监测数据极值及其特征，计算监测数据时程统计特征，计算分离监测数据直流分量，分析监测数据趋势项，并进行异常值核验，以便后续处理；

所述监测数据极值，包括监测数据极大、极小值和绝对值极大、极小值等；

所述监测数据特征，包括监测数据极值出现频次、相应出现时刻等；

所述时程统计特征，包括但不限于均值、均方值、方差、概率密度函数、有量纲参数指标及无量纲参数指标等；其中，所述有量纲参数指标包括但不限于方根幅值、平均幅值、均方幅值及峰值等，所述无量纲参数指标包括但不限于波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标及峭度指标等。

所述直流分量，是指监测数据中的非零均值成分，与监测响应的偏移相关，会在频域中出现零频率处的冲击响应函数；

所述趋势项，是指监测数据中周期大于监测数据时程长度的频率成分；相关分析方法包括但不限于最小二乘法、滤波方法等。

所述异常值检验，包括但不限于利用3σ准则(偏差不大于三倍标准差准则)等方法分析及剔除异常值等；

(2)为分析监测数据的相关性和功率谱特征，利用时域统计方法、傅里叶变换(FFT)方法和短时傅里叶变换方法(STFT)对步骤(1)中获得的结果进行分析，根据分析结果中的曲线峰谷值，获取监测数据中较显著的瞬时特征频率及响应信息集合；

所述步骤包括：

(2.1)利用傅里叶变换(FFT)获取频率域分布(无时间信息)的监测数据频率特征；

(2.2)利用短时傅里叶变换(STFT)获取加窗的监测数据时频分布特征；

(2.3)根据上述(2.1)和(2.2)，分析并提取监测数据中较显著的频率值(瞬时特征频率){f

所述监测数据频率特征，包括但不限于频谱、自功率谱及互功率谱等频域变换特征；

所述加窗，是指利用t＝τ时刻Δt时间内的监测数据进行频域变换(FFT),获得t＝τ时刻分辨率为Δf的频域响应，进而获得监测数据在时间频率窗Δt×Δf上的分布的作法，即时间频率分辨率为Δt×Δf；

所述加窗的时频分布特征，是指给定时间分辨率Δt、频率分辨率Δf计算获得的监测数据的功率谱特征；

所述较显著的频率及其响应信息，是指所述加窗的时频分布特征中出现的功率谱极值对应频率及其响应功率谱幅值。

(3)利用自适应时频分析方法或多分辨率时频分析方法对步骤(1)中获得的结果进行分析，求解不同信号模式分量(或不同频率分辨率分量)，根据不同信号分量对应的频域曲线的峰谷值，获取监测数据中不同时频分辨率的瞬时特征频率{f

所述自适应时频分析方法，包括但不限于经验模式分解(EMD)、变分模式分解(VMD)等自适应时频分析方法；

所述多分辨率时频分析方法，包括但不限于小波多分辨率分析(WMRA)、小波包多分辨率分析(WPMRA)等多分辨率时频分析方法；

所述自适应时频分析方法或多分辨率时频分析方法，包括以下步骤：

(3.1)计算截取监测数据不同分辨率分量(或本征模式IM)D

(3.2)利用FFT计算不同分辨率分量D

(3.3)根据(3.1)和(3.2)，分析并提取监测数据中出现的所有不同分辨率的功率谱极值对应频率及其响应功率谱幅值，即为瞬时特征频率{f

所述步骤(3)中，利用自适应时频分析方法或多分辨率时频分析方法分离了时间域和频率域的瞬时特征频率及响应信息，由于步骤(2)所得结果为在时间域近似加权(或平均)的特征频率及响应，步骤(3)相比步骤(2)保留了时间域特征、细化了频率域特征，因此步骤(3)所得结果相比步骤(2)更丰富，二者可能存在部分瞬时特征频率及响应信息交集；

所述步骤(2)和步骤(3)中，由于是针对步骤(1)所得结果的不同分析步骤，并在后续步骤(4)中对二者所得结果进行处理分析，步骤(2)和步骤(3)的实施顺序没有先后限制；

(4)基于步骤(2)和(3)中得出的瞬时特征频率及响应信息集合，依据给定的瞬时特征频率差异阈值，得出第一级瞬时特征频率、第二级瞬时特征频率；

所述计算分离方法，是指基于(2)和(3)中得出的结果，计算{f

所述{f

所述瞬时特征频率差异阈值δ

所述第一级瞬时特征频率{f}

所述第二级瞬时特征频率{f}

(5)根据步骤(4)，所得第一级瞬时特征频率即对应于风机中持续时间长、出现频次高的特征响应，所得第二级瞬时特征频率即对应于风机中持续时间短、出现频次低的特征响应，所得第一级、第二级瞬时特征频率及其响应信息即为分级细化后的风机时频响应特征。

本发明的有益效果：

1、本发明提出一种风机监测数据时频特征分级细化分析的方法，该方法不需要预先分析风机的运行模态特征及运行干扰特征，即可有效、精准分析风机响应特征。

2、本发明依次利用多种时频域分析方法，结合一般频域方法、自适应/多分辨率时频分析方法的优势，分级细化分析识别了风机响应特征，即持续时间长、出现频次高的特征和持续时间短、出现频次低的特征。

3、本发明细化分析得出的风机特征与风机结构响应(结构模态、故障特征等)或激励特征等分别对应，可用于风机状态识别评估和运维决策。

附图说明

图1是本发明实施流程图。

图2是实施例的原始监测数据时程图像。

图3是实施例的监测数据短时傅里叶变换(STFT)结果时频图像，其中频率分辨率Δf＝0.05Hz，时间分辨率Δt＝33.3s。

图4是实施例的监测数据小波多分辨率分析(WMRA)结果图像。

图5是实施例的监测数据短时傅里叶变换(STFT)结果中D1的时频图像，其中频率分辨率Δf＝0.05Hz，时间分辨率Δt＝33.3s。

图6是实施例的监测数据短时傅里叶变换(STFT)结果中D2的时频图像，其中频率分辨率Δf＝0.05Hz，时间分辨率Δt＝33.3s。

具体实施方式

以下将通过具体实施例对本发明进行详细描述，但本领域技术人员了解，下述实施例不是对本发明保护范围的限制，任何在本发明基础上做出的改进和变化都在本发明的保护范围之内。

如图1所示，一种风机监测数据时频特征分级细化分析的方法，包括以下步骤：

(1)根据已有的风机状态监测数据，可得如图2所示原始监测数据时程图像，计算监测数据极值(极大值、极小值、绝对值极大、极小值)及其时程统计特征(均值和标准差等)，如表1，计算分离监测数据直流分量，利用最小二乘法计算确定监测数据趋势项特征，并进行异常值核验，剔除异常值；

表1监测数据极值及其特征

(2)基于预处理结果，利用时域统计方法计算监测数据自相关、互相关系数，进而利用傅里叶变换(FFT)方法求解监测数据频谱、自功率谱和互功率谱，由此求解监测数据相干函数；此外，利用短时傅里叶变换(STFT)得出监测数据时频结果图像，如图3所示(其中频率分辨率Δf＝0.05Hz，时间分辨率Δt＝33.3s)；综合以上频谱、自功率谱、互功率谱、相干函数和时频结果中的极值，进而得出监测数据中较显著的瞬时特征频率{f

(3)基于预处理结果，利用小波多分辨率时频分析方法(WMRA)，分8个频率分辨率求解监测数据不同分辨率分量(本征模式IM)D

基于WMRA计算得出的不同分辨率分量(本征模式IM)D

(4)基于(2)和(3)中得出的瞬时特征频率及响应信息集合{f

(5)基于(4)，得出风机中持续时间长、出现频次高的特征响应(对应第一级瞬时特征频率{f}

上述实施例并非是对于本发明的限制，本发明并非仅限于上述实施例，只要符合本发明要求，均属于本发明的保护范围。