一種基于lltsa和pnn的風機故障診斷方法
【專利摘要】本發(fā)明公開了一種基于LLTSA和PNN的風機故障診斷方法，該方法用于對風電場中的多個風力發(fā)電機組中的風機進行故障診斷，將徑向傳感器安裝于風機中受監(jiān)測部位的徑向，以采集監(jiān)測部位的徑向振動數(shù)據(jù)，為后續(xù)建立故障診斷模型提供依據(jù)，同時也用于最終的故障診斷。其中，建立故障診斷模型時，需要對LLTSA算法中的目標維數(shù)d及參數(shù)領域點數(shù)e進行遍歷尋優(yōu)，以篩選出準確率最高的故障診斷模型。本發(fā)明提供的基于LLTSA和PNN的風機故障診斷方法能夠有效診斷分析風機中主要部件的振動故障，提取出風機組振動信號中的早期微弱的突變故障信息并對其進行診斷，從而為風電機組故障診斷人員提供有力的科學依據(jù)，提高風機故障診斷的效率和準確率。
【專利說明】
一種基于LLTSA和PNN的風機故障診斷方法
技術領域
[0001] 本發(fā)明屬于風力發(fā)電領域，具體而言，涉及一種基于LLTSA和PNN的風機故障診斷 方法。
【背景技術】
[0002] 風電機組狀態(tài)監(jiān)測時容易受到噪聲干擾，且噪聲具有非線性非平穩(wěn)的特點，同時 敏感特征難以捕捉，數(shù)據(jù)量較大，在線快速提取有效敏感特征并辨識故障狀態(tài)非常困難。
[0003] 傳統(tǒng)的風機故障診斷技術一般包括時域分析、頻域分析、幅值域分析、倒譜分析和 包絡分析等，這些方法各有優(yōu)劣，在振動波形分析中有著重要的作用，但無法通過建立診斷 模型的方式診斷出故障類別，因此對風機故障的診斷不夠精準。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明提供一種基于LLTSA和PNN的風機故障診斷方法，用以對風電場中的多個風 力發(fā)電機組中的風機進行故障診斷，。
[0005] 為了達到上述目的，本發(fā)明提供了一種基于LLTSA和PNN的風機故障診斷方法，其 包括以下步驟：
[0006] S1:將一徑向傳感器安裝于風機中的主軸承的徑向，于風機中的主軸承正常、主軸 承中的內(nèi)圈發(fā)生故障、主軸承中的滾動體發(fā)生故障以及主軸承中的外圈發(fā)生故障四種情況 下每一種情況發(fā)生時，均多次進行以下步驟S2~S11;
[0007] S2:采集徑向傳感器的振動信號y(t)，并將振動信號y(t)復制N份并分別加入一個 白噪聲信號m(t)，得到N個包含白噪聲的信號yi(t)，其中，
[0008] yi(t)=y(t)+ru(t),
[0009] l<i<N，且i為整數(shù)，N個白噪聲信號m(t)符合正態(tài)分布；
[00?0] S3:對yi(t)分別進行分解，得到IMF分量Cij(t)和余項ri(t)，其中Cij(t)表示對yi ⑴進行分解得到的第j個頂F分量，其中，1彡j ;
[0011] S4:依據(jù)不相關的隨機序列統(tǒng)計均值為零的原理，將各MF分量Cij(t)進行整體平 1 N 均，得到平均后的MF分量q(t)，其中,
[0012] S5:對cj⑴分別作快速傅立葉變換FFT，得到Sj⑴；
[0013] S6:設置一分析頻率下限匕和分析頻率上限f2,分別計算Cj(t)在下限頻率和上 限頻率f2之間的能量百分比
[0014]
'' '，
[0015] 其中，fs為快速傅立葉變換FFT后，Sj(f)的分析頻率最大值；
[0016] S7 :設置一閾值E，將能量百分比大于閾值E的cj (t)篩選出來并將其合并得到C ⑴；
[0017] S8:將c(t)分段，每段長度為M，且M = 2m，其中m為大于等于6的整數(shù)，分段后的數(shù)據(jù) 以xk表示，其中，Kk<M;
[0018] S9:選取以下時域指標:絕對均值|?|、有效值xrms、最大峰值xP、方差Dx、峰峰值x P-P、 峰值指標《、波形指標Sf、脈沖指標If、裕度指標CL f、峭度指標Kv和重復性描述因子Rf，其中：
[0021] xp=max|xk|，
[0019]
[0020]
[0022]
?中?為分段后的一段數(shù)據(jù)中X1~XM的平均值，
[0026]其中Xmax為?~XM中的最大值，
1UIS
[0027]其中，Xr為方根幅值
X
[0028]
其中β為峭度，
[0029]重復性描述因子Rf的計算方法如下：
[0030]將一段數(shù)據(jù)平均截取為a段，每段包含的周期數(shù)為整數(shù)，每段包含b個數(shù)據(jù)，其中， 義^表示截取后的第a段數(shù)據(jù)中的第b個數(shù)據(jù)，
[0031 ]計算a段數(shù)據(jù)的差分：{ Δ χη，Δ χ12,…，Δ xlb-1;…；Δ xal，Δ xa2,…，Δ xab-丨}，，其 中，Δ Χ11 = Χ12_Χ11，Δ Χ12 = Χ13~Χ12，Δ xib-l = xib~xib_l，Δ Xai = Xa2_Xal，Δ Xa2 = Xa3~Xa2，Δ xab-1 -Xab-Xab-1 ?
[0032] 計算a段數(shù)據(jù)的平均重復波形{?,5ζ,.，其中
[0033] 計算a段數(shù)據(jù)的平均重復波形的平均差分
[0034] 以{Δ%* Δ%* Μ3、~> …、為標準，分別計算其與a段數(shù)據(jù) 的差分{ ΔΧ11，ΔΧ12，···，Axib-1; · · · ; AXal，AXa2，···，AXab-丨}以及a段數(shù)據(jù)的平均重復波形 之間的差分值，若某點處差分值為負，則定義該點處的差分量為〇,若某點處的差分值為零， 則定義該點處的差分量為1，若差分值為正，則定義該點處的差分量為2，
[0035] 統(tǒng)計a段數(shù)據(jù)的差分{ Δ χη，Δ χυ，···，Δ xlb-1; · · · ; Δ xal，Δ xa2，···，Δ xab-丨}，的差 分量與a段數(shù)據(jù)的平均重復波形的差分量不同的點數(shù)c，
[0036] 計算重復性描述因子Rf: c
[0037] 心=7， D
[0038] S10:選取以下頻域指標:平均頻率favg、譜峰穩(wěn)定指數(shù)S、第一頻帶相對能量Erl、第 二頻帶相對能量E r2、第三頻帶相對能量Er3、第四頻帶相對能量Er4和第五頻帶相對能量Er5， 其中：
[0039]其中，fk為快速傅立葉變換FFT的頻率值， A、·'
' Λ ，
[0040]
[0041] 艮1=_^§(:1^/]^(〇沉，其中及為快速傅立葉變換??1'后，5(〇為分析頻率最大 值的五分之一，F(xiàn) s為快速傅立葉變換FFT后，S(f)的分析頻率最大值，
[0042]
[0043]
[0044]
[0045]
[0046] S11:分別計算S8步驟中得到的Μ段數(shù)據(jù)的上述時域指標和頻域指標，Μ段數(shù)據(jù)的上 述時域指標和頻域指標構成一個MX 18的高維流形，并對MX 18的高維流形分別進行各維度 的歸一化；
[0047] S12:分別統(tǒng)計于風機中的主軸承正常、主軸承中的內(nèi)圈發(fā)生故障、主軸承中的滾 動體發(fā)生故障以及主軸承中的外圈發(fā)生故障四種情況時對MX 18的高維流形分別進行各維 度的歸一化的結果，得到分別對應主軸承正常、主軸承中的內(nèi)圈發(fā)生故障、主軸承中的滾動 體發(fā)生故障以及主軸承中的外圈發(fā)生故障時的樣本集A、樣本集B、樣本集C和樣本集D; [0048] S13:分別提取樣本集A、樣本集B、樣本集C和樣本集D中70 %的高維數(shù)據(jù)組成訓練 集，其余30%的高維數(shù)據(jù)組成測試集，對于樣本A、樣本集B、樣本集C和樣本集D中的訓練集 和測試集，分別進行如下步驟S14~S20中的處理，得到主軸承正常時的PNN神經(jīng)網(wǎng)絡模型 P1、主軸承中的內(nèi)圈發(fā)生故障時的PNN神經(jīng)網(wǎng)絡模型P2、主軸承中的滾動體發(fā)生故障時的 PNN神經(jīng)網(wǎng)絡模型P3以及主軸承中的外圈發(fā)生故障時的PNN神經(jīng)網(wǎng)絡模型P4;
[0049] S14:對LLTSA算法中目標維數(shù)d及參數(shù)領域點數(shù)e進行遍歷尋優(yōu)，其中，d的初始值 為l，e的初始值為20;
[0050] S15:采用LLTSA算法提取訓練集中的低維敏感流形；
[0051] S16:設置徑向基函數(shù)的擴展系數(shù)SPREAD為1.5,根據(jù)提取出的訓練集中的低維敏 感流形構建PNN神經(jīng)網(wǎng)絡模型；
[0052] S17:使用測試集測試PNN神經(jīng)網(wǎng)絡模型的準確率；
[0053] S18:判斷參數(shù)領域點數(shù)k的值是否小于30，若為是，則令e的值加1，否則進一步判 斷目標維數(shù)d的值是否小于18;
[0054] S19:若d的值小于18,則令d的值加1，否則結束遍歷尋優(yōu)過程；
[0055] S20:篩選出遍歷尋優(yōu)過程中準確率最高的PNN神經(jīng)網(wǎng)絡模型并確定LLTSA算法中 參數(shù)d和e的最優(yōu)值ds和es;
[0056] S21:對一風機中的徑向傳感器執(zhí)行步驟S2~S11，得到該風機的歸一化后的MX 18 的尚維流形；
[0057] S22:將LLTSA算法中的目標維數(shù)d及參數(shù)領域點數(shù)e分別設置為上述么和^，并采用 LLTSA算法從S21中得到的MX 18的高維流形中提取低維流形，以及將提取出的低維流形分 別輸入至P1、P2、P3和P4中；
[0058] S23:判斷P1、P2、P3和P4的輸出概率，其中，輸出概率最大的神經(jīng)網(wǎng)絡模型對應的 情況即為風機中的徑向傳感器的工作情況。
[0059] 在本發(fā)明的一實施例中，白噪聲信號m(t)滿足e=:a/vWSlne+0.5alnN=0，其中e 為標準離差即yKt)與⑴之間的偏離量，a為白噪聲的幅值。
[0060] 在本發(fā)明的一實施例中，步驟S8中，m的值為10。
[0061] 本發(fā)明提供的基于LLTSA和PNN的風機故障診斷方法能夠有效診斷分析風機中主 要部件的振動故障，提取出風機組振動信號中的早期微弱的突變故障信息并對其進行診 斷，從而為風電機組故障診斷人員提供有力的科學依據(jù)，提高風機故障診斷的效率和準確 率。
【具體實施方式】
[0062] 下面對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例 僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技 術人員在沒有付出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范 圍。
[0063] 本發(fā)明提供了一種基于LLTSA和PNN的風機故障診斷方法，其包括以下步驟：
[0064] S1:將一徑向傳感器安裝于風機中的主軸承的徑向，于風機中的主軸承正常、主軸 承中的內(nèi)圈發(fā)生故障、主軸承中的滾動體發(fā)生故障以及主軸承中的外圈發(fā)生故障四種情況 下每一種情況發(fā)生時，均多次進行以下步驟S2~S11;
[0065] 以上幾種故障僅舉例，實際上，風機中的多個部位均可能發(fā)生故障，例如齒輪箱中 的一級行星齒輪、齒輪箱中的二級行星齒輪、齒輪箱中的高速軸、發(fā)電機驅動端和發(fā)電機非 驅動端，當對上述部位進行故障監(jiān)測時，徑向傳感器需設置于監(jiān)測部位的徑向，以采集受監(jiān) 測部位的徑向振動數(shù)據(jù)，為后續(xù)建立故障診斷模型提供依據(jù)，同時也用于最終的故障診斷。
[0066] S2:采集徑向傳感器的振動信號y(t)，并將振動信號y(t)復制N份并分別加入一個 白噪聲信號m(t)，得到N個包含白噪聲的信號 yi(t)，其中，
[0067] yi(t) =y(t)+ru(t),
[0068] 1<;1^^，且;[為整數(shù)，1'1個白噪聲信號]^(1:)符合正態(tài)分布；
[0069] S3:對yi(t)分別進行分解，得到IMF分量Cij⑴和余項ri(t)，其中Cij⑴表示對yi ⑴進行分解得到的第j個頂F分量，其中，1彡j ;
[0070] S4:依據(jù)不相關的隨機序列統(tǒng)計均值為零的原理，將各MF分量Cij(t)進行整體平 均，得到平均后的MF分量 Cj(t)，其中
[0071 ] 具體實施時，白噪聲信號ni (t)較佳滿足e=a/·^或lne+0.5alnN=0，其中e為標準 尚差即yi(t)與Cj⑴之間的偏1?量，a為白噪聲的幅值。
[0072] S5:對cj(t)分別作快速傅立葉變換FFT，得到Sj (f);
[0073] S6:設置一分析頻率下限^和分析頻率上限f2,分別計算w(t)在下限頻率心和上 限頻率f2之間的能量百分比nJ:
[0074]
[0075] 其中，fs為快速傅立葉變換FFT后，Sj(f)的分析頻率最大值；
[0076] S7 :設置一閾值E，將能量百分比大于閾值E的cj (t)篩選出來并將其合并得到c (t)；
[0077] S8:將c(t)分段，每段長度為M，且M = 2m，其中m為大于等于6的整數(shù)，分段后的數(shù)據(jù) 以xk表示，其中，Kk<M;
[0078] 具體實施時，步驟S8中m的值較佳為10。
[0079] S9:選取以下時域指標:絕對均值P、有效值xrms、最大峰值xP、方差Dx、峰峰值x P-P、 峰值指標《、波形指標Sf、脈沖指標If、裕度指標CLf、峭度指標K v和重復性描述因子Rf，其中：
[0082] xp=max|xk|，
[0080]
[0081]
[0083]
$中孓為分段后的一段數(shù)據(jù)中X1~XM的平均值，
[0084] xp-p=max(xk)-min(xk)，
[0085]
[0086]
[0087]
?中Xmax為XI~XM中的最大值，
[0088]
中，Xr為方根幅值，
[0089]
，其中β為峭度
[0090] 重復性描述因子Rf的計算方法如下：
[0091 ]將一段數(shù)據(jù)平均截取為a段，每段包含的周期數(shù)為整數(shù)，每段包含b個數(shù)據(jù)，其中， 義^表示截取后的第a段數(shù)據(jù)中的第b個數(shù)據(jù)，
[0092] 計算a段數(shù)據(jù)的差分：{ Δ χη，Δ χυ，···，Δ xlb-1; · · · ; Δ xal，Δ xa2，···，Δ xab-丨}，，其 中，Δ Xu - X12_X11，Δ X12 - X13_X12，Δ Xib-1 - Xlb_Xlb-1，Δ Xai - Xa2_Xal，Δ Xa2 - Xa3-Xa2 Δ Xab-1 - Xab-Xab-1 ?
[0093] 計算a段數(shù)據(jù)的平均重復波形{?,，其中
>
[0094] 計算&段數(shù)據(jù)的平均重復波形{瓦,^,...，又；，...，^丨的平均差分
[0095] 以
為標準，分別計算其與a段數(shù)據(jù) 的差分{ Αχη，ΔΧ12，···，Axib-1; · · · ; AXal，AXa2，···，AXab-U，以及a段數(shù)據(jù)的平均重復波 形之間的差分值，若某點處差分值為負，則定義該點處的差分量為〇,若某點處的差分值為 零，則定義該點處的差分量為1，若差分值為正，則定義該點處的差分量為2，
[0096] 統(tǒng)計 a 段數(shù)據(jù)的差分{ Δχη，Δχυ，···，Axlb-1;···; Axal，Axa2，···，Axab-山的差分 量與a段數(shù)據(jù)的平均重復波形的差分量不同的點數(shù)c，
[0097] 計算重復性描述因子Rf:
[0098]
[0099] S10:選取以下頻域指標:平均頻率favg、譜峰穩(wěn)定指數(shù)S、第一頻帶相對能量Erl、第 二頻帶相對能量E r2、第三頻帶相對能量Er3、第四頻帶相對能量Er4和第五頻帶相對能量Er5， 其中：
[0100]
中，fk為快速傅立葉變換FFT的頻率值， kx-:l / Κχ-: i .,.
[0101]
[0102] ，其中，Bf為快速傅立葉變換FFT后，S(f)為分析頻率最大 值的五分之一，F(xiàn)S為快速傅立葉變換FFT后，S(f)的分析頻率最大值，
[0103]
[0104]
[0105]
[0106]
[0107] S11:分別計算S8步驟中得到的Μ段數(shù)據(jù)的上述時域指標和頻域指標，Μ段數(shù)據(jù)的上 述時域指標和頻域指標構成一個MX 18的高維流形，并對MX 18的高維流形分別進行各維度 的歸一化；
[0108] S12:分別統(tǒng)計于風機中的主軸承正常、主軸承中的內(nèi)圈發(fā)生故障、主軸承中的滾 動體發(fā)生故障以及主軸承中的外圈發(fā)生故障四種情況時對MX 18的高維流形分別進行各維 度的歸一化的結果，得到分別對應主軸承正常、主軸承中的內(nèi)圈發(fā)生故障、主軸承中的滾動 體發(fā)生故障以及主軸承中的外圈發(fā)生故障時的樣本集A、樣本集B、樣本集C和樣本集D;
[0109] S13:分別提取樣本集A、樣本集B、樣本集C和樣本集D中70 %的高維數(shù)據(jù)組成訓練 集，其余30%的高維數(shù)據(jù)組成測試集，對于樣本A、樣本集B、樣本集C和樣本集D中的訓練集 和測試集，分別進行如下步驟S14~S20中的處理，得到主軸承正常時的PNN神經(jīng)網(wǎng)絡模型 P1、主軸承中的內(nèi)圈發(fā)生故障時的PNN神經(jīng)網(wǎng)絡模型P2、主軸承中的滾動體發(fā)生故障時的 PNN神經(jīng)網(wǎng)絡模型P3以及主軸承中的外圈發(fā)生故障時的PNN神經(jīng)網(wǎng)絡模型P4;
[0110] S14:對LLTSA算法中的目標維數(shù)d及參數(shù)領域點數(shù)e進行遍歷尋優(yōu)，其中，d的初始 值為l，e的初始值為20;
[0111] S15:采用LLTSA算法提取訓練集中的低維敏感流形；
[0112] S16:設置徑向基函數(shù)的擴展系數(shù)SPREAD為1.5,根據(jù)提取出的訓練集中的低維敏 感流形構建PNN神經(jīng)網(wǎng)絡模型；
[0113] S17:使用測試集測試PNN神經(jīng)網(wǎng)絡模型的準確率；
[0114] S18:判斷參數(shù)領域點數(shù)k的值是否小于30，若為是，則令e的值加1，否則進一步判 斷目標維數(shù)d的值是否小于18;
[0115] S19:若d的值小于18,則令d的值加1，否則結束遍歷尋優(yōu)過程；
[0116] S20:篩選出遍歷尋優(yōu)過程中準確率最高的PNN神經(jīng)網(wǎng)絡模型并確定LLTSA算法中 參數(shù)d和e的最優(yōu)值ds和e s;
[0117] S21:對一風機中的徑向傳感器執(zhí)行步驟S2~SI 1，得到該風機的歸一化后的Μ X 18 的尚維流形；
[0118] S22:將LLTSA算法中的目標維數(shù)d及參數(shù)領域點數(shù)e分別設置為上述么和^，并采用 LLTSA算法從S21中得到的MX 18的高維流形中提取低維流形，以及將提取出的低維流形分 別輸入至P1、P2、P3和P4中；
[0119] S23:判斷P1、P2、P3和P4的輸出概率，其中，輸出概率最大的神經(jīng)網(wǎng)絡模型對應的 情況即為風機中的徑向傳感器的工作情況。
[0120]本發(fā)明提供的基于LLTSA和PNN的風機故障診斷方法能夠有效診斷分析風機中主 要部件的振動故障，提取出風機組振動信號中的早期微弱的突變故障信息并對其進行診 斷，從而為風電機組故障診斷人員提供有力的科學依據(jù)，提高風機故障診斷的效率和準確 率。
[0121]本領域普通技術人員可以理解:實施例中的裝置中的模塊可以按照實施例描述分 布于實施例的裝置中，也可以進行相應變化位于不同于本實施例的一個或多個裝置中。上 述實施例的模塊可以合并為一個模塊，也可以進一步拆分成多個子模塊。
[0122]最后應說明的是：以上實施例僅用以說明本發(fā)明的技術方案，而非對其限制;盡管 參照前述實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解:其依然可 以對前述實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換;而 這些修改或者替換，并不使相應技術方案的本質(zhì)脫離本發(fā)明實施例技術方案的精神和范 圍。
【主權項】
1. 一種基于化TSA和PNN的風機故障診斷方法，該方法用于對風電場中的多個風力發(fā)電 機組中的風機進行故障診斷，其特征在于，包括W下步驟： S1:將一徑向傳感器安裝于風機中的主軸承的徑向，于風機中的主軸承正常、主軸承中 的內(nèi)圈發(fā)生故障、主軸承中的滾動體發(fā)生故障W及主軸承中的外圈發(fā)生故障四種情況下每 一種情況發(fā)生時，均多次進行W下步驟S2~S11; S2:采集徑向傳感器的振動信號y(t)，并將振動信號y(t)復制N份并分別加入一個白噪 聲信號m(t)，得到N個包含白噪聲的信號yi(t)，其中， yi(t) =y(t)+m(t)， 且i為整數(shù)，N個白噪聲信號m(t)符合正態(tài)分布； S3:對yi(t)分別進行分解，得到IMF分量cu(t)和余項ri(t)，其中cu(t)表示對yi(t)進 行分解得到的第j個IMF分量，其中，1《j《N; S4:依據(jù)不相關的隨機序列統(tǒng)計均值為零的原理，將各IMF分量cu(t)進行整體平均，得 到平均后的IMF分量cj(t)，其中S5:對Cj (t)分別作快速傅立葉變換FFT，得到Sj(f); S6:設置一分析頻率下限fi和分析頻率上限f2,分別計算(3^*)在下限頻率fi和上限頻率 f2之間的能量百分比屯：其中，f S為快速傅立葉變換FFT后，& (f)的分析頻率最大值； S7:設置一闊值E，將能量百分比大于闊值E的cパt)篩選出來并將其合并得到c(t); S8:將c(t)分段，每段長度為M，且Μ=2"，其中m為大于等于6的整數(shù)，分段后的數(shù)據(jù)Wxk 表示，其中， S9 :選取W下時域指標:絕對均值|?|、有效值Xrms、最大峰值Xp、方差Dx、峰峰值Xp-p、峰值 指標cf、波形指標Sf、脈沖指標If、裕度指標CLf、峭度指標Κν和重復性描述因子Rf，其中：廷中X為分段后的一段數(shù)據(jù)中XI~XM的平均值，重復性描述因子Rf的計算方法如下： 將一段數(shù)據(jù)平均截取為a段，每段包含的周期數(shù)為整數(shù)，每段包含b個數(shù)據(jù)，其中，Xab表 示截取后的第a段數(shù)據(jù)中的第b個數(shù)據(jù)， 計算a段數(shù)據(jù)的差分：{ Δ XII，Δ X12, . . .，Δ Xlb-l; . . . ; Δ Xal，Δ Xa2, . . .，A Xab-l}，，其中， Λ XII 二 X12-X11，Δ X12 二 X13-X12, A X化-1 二 X化-χ化-1 Δ Xai 二 Xa2_Xal A Xa2 二 Xa3_Xa2, A Xab-1 二 ；K扎-Xab-1， 計算a段數(shù)據(jù)的平均重復波形計算a段數(shù)據(jù)的平均重復波形馬·是·是…馬，的平均差分{么％.濾2，盆聲、L義{岔:為，激每，紙3，…，么'為標準，分別計算其與a段數(shù)據(jù)的差 分{ Δ XII，Δ X12, . . .，Δ xib-l; . . . ; Δ Xai，Δ Xa2，···，A Xab-l似及a段數(shù)據(jù)的平均重復波形之 間的差分值，若某點處差分值為負，則定義該點處的差分量為0,若某點處的差分值為零，貝U 定義該點處的差分量為1，若差分值為正，則定義該點處的差分量為2， 統(tǒng)計 a 段數(shù)據(jù)的差分{ Δχιι，Δχι2，···，Axib-l; . . . ; Axal，Axa2，···，Axab-l}的差分量與 a 段數(shù)據(jù)的平均重復波形的差分量不同的點數(shù)C， 計算重復性描述因子Rf:S10:選取W下頻域指標:平均頻率favg、譜峰穩(wěn)定指數(shù)S、第一頻帶相對能量Erl、第二頻 帶相對能量Er2、第；頻帶相對能量Er3、第四頻帶相對能量Er4和第五頻帶相對能量ErS，其中：其中，fk為快速傅立葉變換FFT的頻率值，，其中，恥為快速傅立葉變換FFT后，S(f)為分析頻率最大值的 五分之一，F(xiàn)s為快速傅立葉變換FFT后，S(f)的分析頻率最大值，Sll:分別計算S8步驟中得到的Μ段數(shù)據(jù)的上述時域指標和頻域指標，Μ段數(shù)據(jù)的上述時 域指標和頻域指標構成一個MX 18的高維流形，并對MX 18的高維流形分別進行各維度的歸 一化； S12:分別統(tǒng)計于風機中的主軸承正常、主軸承中的內(nèi)圈發(fā)生故障、主軸承中的滾動體 發(fā)生故障W及主軸承中的外圈發(fā)生故障四種情況時對MX 18的高維流形分別進行各維度的 歸一化的結果，得到分別對應主軸承正常、主軸承中的內(nèi)圈發(fā)生故障、主軸承中的滾動體發(fā) 生故障W及主軸承中的外圈發(fā)生故障時的樣本集A、樣本集B、樣本集C和樣本集D; S13:分別提取樣本集A、樣本集B、樣本集C和樣本集D中70%的高維數(shù)據(jù)組成訓練集，其 余30%的高維數(shù)據(jù)組成測試集，對于樣本A、樣本集B、樣本集C和樣本集D中的訓練集和測試 集，分別進行如下步驟S14~S20中的處理，得到主軸承正常時的P順神經(jīng)網(wǎng)絡模型P1、主軸 承中的內(nèi)圈發(fā)生故障時的PP^N神經(jīng)網(wǎng)絡模型P2、主軸承中的滾動體發(fā)生故障時的ΡΓ^Ν神經(jīng)網(wǎng) 絡模型P3W及主軸承中的外圈發(fā)生故障時的Ρ順神經(jīng)網(wǎng)絡模型Ρ4; S14:對化TSA算法中目標維數(shù)d及參數(shù)領域點數(shù)e進行遍歷尋優(yōu)，其中，d的初始值為1，e 的初始值為20; S15:采用化TSA算法提取訓練集中的低維敏感流形； S16:設置徑向基函數(shù)的擴展系數(shù)SPREAD為1.5,根據(jù)提取出的訓練集中的低維敏感流 形構建ΡΓ^Ν神經(jīng)網(wǎng)絡模型； S17:使用測試集測試ΡΓ^Ν神經(jīng)網(wǎng)絡模型的準確率； S18:判斷參數(shù)領域點數(shù)k的值是否小于30,若為是，則令e的值加1，否則進一步判斷目 標維數(shù)d的值是否小于18; S19:若d的值小于18，則令d的值加1，否則結束遍歷尋優(yōu)過程； S20:篩選出遍歷尋優(yōu)過程中準確率最高的ΡΓ^Ν神經(jīng)網(wǎng)絡模型并確定化TSA算法中參數(shù)d 和e的最優(yōu)值cU和es; S21:對一風機中的徑向傳感器執(zhí)行步驟S2~S11，得到該風機的歸一化后的MX 18的高 維流形； S22:將化TSA算法中的目標維數(shù)d及參數(shù)領域點數(shù)e分別設置為上述ds和es，并采用 LLTSA算法從S21中得到的Μ X 18的高維流形中提取低維流形，W及將提取出的低維流形分 別輸入至Ρ1、Ρ2、Ρ3和Ρ4中； S23:判斷Ρ1、Ρ2、Ρ3和Ρ4的輸出概率，其中，輸出概率最大的神經(jīng)網(wǎng)絡模型對應的情況 即為風機中的徑向傳感器的工作情況。2. 根據(jù)權利要求1所述的基于化TSA和Ρ順的風機故障診斷方法，其特征在于，白噪聲信 號m(t)滿足戶￡1/\府或1]1日+0.5日1曲=0,其中e為標準離差即yi(t)與Cj(t)之間的偏離量，a 為白噪聲的幅值。3. 根據(jù)權利要求1所述的基于化TSA和P順的風機故障診斷方法，其特征在于，步驟S8 中，m的值為10。
【文檔編號】G01M13/04GK105973596SQ201610301493
【公開日】2016年9月28日
【申請日】2016年5月9日
【發(fā)明人】萬鵬, 華青松, 汪鋒, 張雯, 解錫偉
【申請人】華銳風電科技(集團)股份有限公司