本发明涉及风电机组故障诊断，尤其涉及一种基于转频波动特性的风电机组叶轮不平衡诊断方法。
背景技术：
1、风电机组作为可再生能源的重要组成部分，其运行的稳定性和可靠性直接影响到电力供应的安全和效率。风电机组的叶轮是其核心部件之一，由于长期暴露在复杂的自然环境中，叶轮容易受到各种故障的影响，其中叶轮不平衡故障是较为常见且严重的一类故障。叶轮不平衡不仅会引起机组的振动问题，还可能导致其他部件的损坏，影响机组的整体性能和寿命。
2、传统的叶轮不平衡故障诊断方法主要依赖于振动信号的分析。然而，由于风电机组的工作环境复杂多变，振动信号容易受到噪声和其他因素的干扰，使得故障诊断的准确性和可靠性受到影响。此外，风电机组的叶轮转频变化较快，瞬时转频的波动特性对于故障诊断具有重要的意义，但目前大多数方法未能充分利用这一特性进行故障诊断。
3、瞬时转频波动特性可以反映风电机组叶轮在运行过程中的真实状态，利用这一特性可以有效地识别和诊断叶轮的不平衡故障。然而，如何提取和分析瞬时转频波动特性，以提高故障诊断的准确性和实时性，仍然是一个亟待解决的技术难题。
技术实现思路
1、本发明的目的是提供一种基于转频波动特性的风电机组叶轮不平衡诊断方法，实现对风电机组叶轮不平衡故障的准确诊断，提升风电机组的运行可靠性和安全性。
2、为实现上述目的，本发明提供了一种基于转频波动特性的风电机组叶轮不平衡诊断方法，包括以下步骤：
3、s1、基于局部峰值搜索算法获取风电机组齿轮箱振动信号的时频脊线和叶轮瞬时转频曲线；
4、s2、对提取的叶轮瞬时转频曲线进行角域重采样，获得角域上的叶轮瞬时转频；
5、s3、运用最小二乘法原理对角域瞬时转频曲线进行多项式拟合去除趋势项，获得叶轮瞬时转频的波动项；
6、s4、对角域叶轮瞬时转频波动项进行傅里叶变换，获得频谱分析，提取并分析信号中频率成分，实现风电机组叶轮质量不平衡故障诊断。
7、优选的，在步骤s1中，计算叶轮瞬时转频的具体过程如下：
8、s11、基于振动加速度传感器获取风电机组传动系统振动信号，通过滑动窗口得到不同时间段信号的频率分布，基于stft算法获得振动信号的时频谱分布x(τ,f)，如下所示：
9、
10、其中，x(t)为初始信号，h(t)为窗函数；x(τ,f)为信号x(t)在τ时刻频率为f的信号频率成分；*为共轭函数；h(t-τ)为滑动窗口；信号的能量密度频谱为：
11、sp(τ,f)＝|x(τ,f)|2 (2)
12、s12、在分析时段上随机获取n个初始时刻点，索引初始时刻谱能量最大的频率，筛选分析频段内时频谱能量最大的频率，如下所示：
13、f(t,f)＝argmaxx(t,f) (3)
14、s13、对当前时刻分析频段内时频谱能量最大的频率与前一时刻的频率进行比较，判断条件如下所示：
15、(f(t,f)＞αf(t-1,f))||(f(t,f)＜βf(t-1,f)) (4)
16、其中，α、β由专家经验获得；若式(4)不成立，那么该时刻谱能量最大对应的频率值为0，循环式(3)和(4)直至满足式(4)为止，从而获取该时刻点的频率值；
17、s14、基于局部峰值搜索算法，从该时刻向前、向后搜索下一时刻对应的频率值，直到搜索全部分析时段为止，得到分析时段的时频脊线；
18、s15、重复步骤s11～s14提取所需谱能量较高的时频脊线
19、s16、确定与叶轮瞬时转频fr之间的比例系数kf，计算叶轮瞬时转频，如下所示：
20、
21、优选的，在步骤s2中，对提取的叶轮瞬时转频曲线进行角域重采样，获得角域上的叶轮瞬时转频，具体过程如下：
22、s21、叶轮旋转角位移θ(t)，如下所示：
23、θ(t)＝at2+bt+c (6)
24、其中，a,b,c为待求系数；t为采样时间；
25、s22、根据三个连续的键相信号的时间点t0,t1,t2与等角度增量δφ之间的关系建立如下方程组：
26、
27、s23、将公式(7)代入到公式(6)中进行求解得到a,b,c，如下所示：
28、
29、s24、根据求得的二次项系数，获得角位移与时间的关系式，从而计算出等角度间隔重采样所对应的时刻，如下所示：
30、
31、s25、为避免重复采样，θ满足：
32、
33、式中，δθ为转轴重采样的角度增量，n为采样点数。
34、优选的，在步骤s3中，运用最小二乘法原理对角域瞬时转频曲线进行多项式拟合去除趋势项，获得叶轮瞬时转频的波动项，具体过程如下：
35、s31、待去除趋势项的原始数据为(xn,yn),n＝1,2,k,n，xn为自变量，yn为因变量即输出项；构造一个多项式拟合函数y(x)表示趋势项，如下所示：
36、
37、其中，ak为多项式系数；k为多项式阶数，为正整数，取值由原始待分析信号趋势所确定；当k＝1时即为线性趋势项进行求解；
38、s32、基于最小二乘法，通过最小化所有数据点的误差平方和e，找到最佳{ak}的值，使得拟合的曲线y(x)与实际数值y(x)之间的差距最小，如下所示：
39、
40、s33、确定趋势项需要求解{ak}的值，使得e最小，根据多元函数求极值条件，如下所示：
41、
42、其中，j＝0,1,2,k,m，用矩阵进行表示得：
43、
44、其中，当m＝1时，y(x)＝a0+a1x，则a0,a1的取值，如下所示：
45、
46、s34、用原始信号减去y(x)所表示的趋势项，即去除待分析原始信号y(x)中的趋势，如下所示：
47、
48、优选的，在步骤s4中，实现风电机组叶轮质量不平衡故障诊断，包括以下步骤：
49、s41、当叶轮存在质量不平衡时，风电机组叶轮转频fr，如下所示：
50、
51、其中，tw为风对叶轮的转矩，te为发电机电磁转矩，np为发电机极对数，j为转动惯量，fwind为随机风速导致的叶轮转频，frg为叶轮质量不平衡导致的转频波动；
52、s42、在fr中，frg cos(θ)只是波动项，fwind中即存在趋势项，也存在波动项，通过最小二乘法去趋势处理后，转频fr只剩下波动项fr-wave，如下所示：
53、fr-wave＝fr-wave-frg cos(θ) (18)
54、其中，fr-wave为由风速导致的转频变化中的波动分量；
55、s43、对fr-wave进行频谱分析后，频谱中的主要频率特征为质量不平衡特征，特征频率为：
56、1/2πrad-1(19)。
57、因此，本发明采用上述一种基于转频波动特性的风电机组叶轮不平衡诊断方法，通过分析风电机组瞬时转频波动曲线，从而溯源风电机组转频波动的成因，当提取的转频波动规律与风电机组叶轮质量不平衡特征有关时，可以诊断出风电机组叶轮存在质量不平衡故障，从而及时检修风电机组叶片，实现对风电机组叶轮不平衡故障的准确诊断，提升风电机组的运行可靠性和安全性，这对风电机组的安全平稳运行意义重大。
58、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
1.一种基于转频波动特性的风电机组叶轮不平衡诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于转频波动特性的风电机组叶轮不平衡诊断方法，其特征在于，在步骤s1中，计算瞬时叶轮转频的具体过程如下：
3.根据权利要求1所述的一种基于转频波动特性的风电机组叶轮不平衡诊断方法，其特征在于，在步骤s2中，对提取的叶轮瞬时转频曲线进行角域重采样，获得角域上的叶轮瞬时转频，具体过程如下：
4.根据权利要求1所述的一种基于转频波动特性的风电机组叶轮不平衡诊断方法，其特征在于，在步骤s3中，运用最小二乘法原理对角域瞬时转频曲线进行多项式拟合去除趋势项，获得叶轮瞬时转频的波动项，具体过程如下：
5.根据权利要求1所述的一种基于转频波动特性的风电机组叶轮不平衡诊断方法，其特征在于，在步骤s4中，实现风电机组叶轮质量不平衡故障诊断，包括以下步骤：
