一種風力發(fā)電機組齒輪箱的故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于故障診斷技術(shù)領(lǐng)域，涉及一種風力發(fā)電機組齒輪箱的故障診斷方法。
【背景技術(shù)】
[0002] 齒輪箱的故障診斷一般分為四個階段，分別為信號檢測，特征提取，故障識別和診 斷決策。目前，風力發(fā)電機組齒輪箱故障診斷研究主要集中在在線狀態(tài)監(jiān)測系統(tǒng)的開發(fā)、信 號處理與分析、部件故障機理研究、典型故障特征提取、故障診斷方法研究和人工智能應(yīng)用 等幾個方面。
[0003] 在進行齒輪箱故障診斷過程中，常采用時頻分析方法，如短時傅里葉變換、 Wigner-Ville分布、小波變換等。但這幾種方法對于處理非線性、非平穩(wěn)的振動信號都存在 一定的缺點和不足，不能充分凸顯信號特征。
[0004] 近年來，人工智能技術(shù)的發(fā)展為齒輪箱的故障診斷提供了一定的理論支持，如專 家系統(tǒng)、故障樹分析法，神經(jīng)網(wǎng)絡(luò)，支持向量機等。專家系統(tǒng)主要存在推理能力弱，知識庫維 護性差的不足；故障樹分析法受主觀因素影響大；神經(jīng)網(wǎng)絡(luò)需要大量的樣本才能保證診斷 精度；而支持向量機在小樣本下依然可以達到較高診斷精度。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種風力發(fā)電機組齒輪箱的故障診斷方法，解決了現(xiàn)有技 術(shù)齒輪箱故障診斷過程中使用時頻分析方法不能有效處理非線性、非平穩(wěn)振動信號的問 題。
[0006] 本發(fā)明所采用的技術(shù)方案是，一種風力發(fā)電機組齒輪箱的故障診斷方法，通過采 集風力發(fā)電機齒輪箱的振動信號，利用集合經(jīng)驗模態(tài)分解方法提取故障特征信息，然后歸 一化處理提取故障特征向量，最后將測量得到的故障特征向量輸入經(jīng)過優(yōu)化并訓練好的支 持向量機模型中進行風力發(fā)電機組齒輪箱的故障診斷，具體按照以下步驟實施：
[0007] 步驟1 :針對典型故障情況，采集風力發(fā)電機齒輪箱的振動信號，利用集合經(jīng)驗模 態(tài)分解方法對振動信號進行分解，得到不同尺度的IMF分量，將各IMF分量的能量作為故障 特征信息；對包含信號主要特征信息的MF分量進行選取，然后歸一化處理得到該信號的 故障特征向量；
[0008] 步驟2 :利用遺傳算法優(yōu)化支持向量機，構(gòu)建基于遺傳算法優(yōu)化的支持向量機診 斷模型；然后利用訓練樣本和測試樣本對優(yōu)化的支持向量機進行訓練和測試；
[0009] 步驟3 :將實際采集的風力發(fā)電機齒輪箱的振動信號，利用步驟1的集合經(jīng)驗模態(tài) 分解方法提取該信號的特征向量，將獲得的特征向量輸入到步驟2所建立并訓練好的診斷 模型中，根據(jù)其輸出情況來判斷故障類型。
[0010] 本發(fā)明的特點還在于，
[0011] 在步驟1中，利用集合經(jīng)驗模態(tài)分解方法獲取振動信號的故障特征向量的過程如 下：
[0012] 步驟1. 1、在原始振動信號x(t)中加入高斯白噪聲序列n(t)，即
[0014] 式中，X(t)為待分解的序列，x(t)為原始序列，n(t)為尚斯白噪聲序列；
[0015] 步驟1. 2、將序列X (t)通過EMD算法分解為一組頂F ;
[0016] 步驟1. 3、每次加入相同幅值的尚斯白噪聲序列，重復步驟1. 1、步驟1. 2 ;
[0017] 步驟1. 4、計算分解得到的各個頂F的均值，得到消除模態(tài)混疊的頂F分量作為最 終的結(jié)果，BP
[0019] 式中，Cj (t)表示對原始振動信號進行EEMD分解得到的第j個IMF分量;m表示加 入白噪聲的次數(shù)；(t)表示第i次加入白噪聲時按照EMD分解得到的第j個頂F分量；
[0020] 步驟1. 5、計算經(jīng)過EEMD分解后的各頂F分量的能量以及經(jīng)過EEMD分解后的各 頂F分量與原信號的能量比n i，根據(jù)n i的大小，選取前η個包含豐富信號特征信息的頂F 分量作為信號的特征向量；
[0021] 各IMF分量的能量計算公式如下：
[0023] 各頂F分量與原信號的能量比計算公式如下：
[0025] 其中，Ei為第i個IMF分量的能量，X i為第i個IMF分量的在時間Δ t內(nèi)的幅值， n i為第i個MF分量的能量與原信號的能量比值；
[0026] 步驟1. 6、計算各分量平均能量：
[0028] 式中，為第i個IMF分量的平均能量；
[0029] 步驟1. 7、以上一步計算的平均能量構(gòu)建一個特征向量P :
[0031] 步驟1. 8、構(gòu)造特征向量矩陣，對上一步得到的特征向量進行歸一化處理，處理方 法如下：
[0033] 式中，Einiax為各個IMF分量中能量的最大值，E inun為各個IMF分量中能量的最小 值；
[0034] 歸一化處理之后，特征向量為：
[0036] 即向量P '為最終提取到的信號特征向量。
[0037] 本發(fā)明的特點還在于，
[0038] 在步驟2中，利用遺傳算法優(yōu)化支持向量機的具體步驟如下：
[0039] 步驟2. 1、初始化種群規(guī)模：將提取到的特征向量分為訓練樣本和測試樣本，對訓 練樣本中的特征向量和參數(shù)（c，。2)進行編碼，創(chuàng)建種群，并設(shè)置初始參數(shù)；
[0040] 步驟2. 2、進行復制、交叉和變異遺傳操作，產(chǎn)生新的一代種群；
[0041] 步驟2. 3、計算適應(yīng)度函數(shù)值：采用3折交叉驗證方法評估粒子的適應(yīng)度，3-CV的 適應(yīng)度函數(shù)如下所示：
[0043] 式中，CV(c，。2)表示校驗分類精度，γ t，γ f分別表示分類正確與錯誤的個數(shù)；
[0044] 在3-CV折交叉驗證中，訓練數(shù)據(jù)集被隨機分為三個互斥的子集，其中兩個子集作 為訓練集，剩下一個子集作為測試集，上述過程重復三次，以使每個子集被校驗；
[0045] 步驟2. 4、檢查結(jié)束條件，若滿足，則結(jié)束尋優(yōu)過程，否則轉(zhuǎn)至第2. 2步重復運行， 結(jié)束條件為尋優(yōu)達到最大進化代數(shù)。
[0046] 本發(fā)明的有益效果是，一種風力發(fā)電機組齒輪箱的故障診斷方法，主要針對風力 發(fā)電機組齒輪箱故障信號非線性以及非平穩(wěn)性的特點，將集合經(jīng)驗模態(tài)方法與支持向量機 相結(jié)合，提出了一種集合經(jīng)驗模態(tài)算法和基于遺傳算法優(yōu)化支持向量機相結(jié)合的故障診斷 方法，能夠充分凸顯信號特征。本發(fā)明適合于風力發(fā)電機組齒輪箱的故障診斷，且診斷結(jié)果 精度較高，方便運行維護人員及時對故障進行處理，從而減少不必要的損失。
【附圖說明】
[0047] 圖1為本發(fā)明中基于遺傳算法優(yōu)化支持向量機的方框圖；
[0048] 圖2為本發(fā)明實施例中齒輪箱正常狀態(tài)下原始振動信號圖；
[0049] 圖3為本發(fā)明實施例中齒輪箱齒面磨損狀態(tài)下原始振動信號圖；
[0050] 圖4為本發(fā)明實施例中齒輪箱斷齒狀態(tài)下原始振動信號；
[0051] 圖5為本發(fā)明實施例中齒面磨損狀態(tài)下各IMF分量與原信號能量比圖；
[0052] 圖6為本發(fā)明實施例中信號EEMD部分分解圖。
【具體實施方式】
[0053] 下面結(jié)合附圖和具體實施例對本發(fā)明進行詳細說明。
[0054] 本發(fā)明實施例提供的一種風力發(fā)電機組齒輪箱的故障診斷方法，通過采集風力發(fā) 電機齒輪箱的振動信號，利用集合經(jīng)驗模態(tài)分解方法提取故障特征信息，然后歸一化處理 提取故障特征向量，最后將測量得到的故障特征向量輸入經(jīng)過優(yōu)化并訓練好的支持向量機 模型中進行風力發(fā)電機組齒輪箱的故障診斷，具體按照以下步驟實施：
[0055] 步驟1 :針對典型故障情況，采集風力發(fā)電機齒輪箱的振動信號，利用集合經(jīng)驗模 態(tài)分解方法對振動信號進行分解，得到不同尺度的IMF分量；將各IMF分量的能量作為故障 特征信息，對包含信號主要特征信息的MF分量進行選取，然后歸一化處理得到該信號的 故障特征向量。
[0056] 在步驟1中，利用集合經(jīng)驗模態(tài)分解方法獲取振動信號的故障特征向量的過程如 下：
[0057] 步驟1. 1、在原始振動信號x(t)中加入高斯白噪聲序列η⑴，即
[0058] X (t) = X (t) +n (t) (1)
[0059] 式中，X(t)為待分解的序列，x(t)為原始序列，n (t)為高斯白噪聲序列；
[0060] 步驟1. 2、將序列X (t)通過EMD算法分解為一組頂F ;
[0061] 步驟1. 3、每次加入相同幅值的尚斯白噪聲序列，重復步驟1. 1、步驟1. 2 ;
[0062] 步驟1. 4、計算分解得到的各個頂F的均值，得到消除模態(tài)混疊的頂F分量作為最 終的結(jié)果，BP
[0064] 式中，Cj (t)表示對原始振動信號進行EEMD分解得到的第j個IMF分量;m表示加 入白噪聲的次數(shù)；(t)表示第i次加入白噪聲時按照EMD分解得到的第j個頂F分量；
[0065] 步驟1. 5、計算經(jīng)過EEMD分解后的各頂F分量的能量以及經(jīng)過EEMD分解后的各 頂F分量與原信號的能量比n i，根據(jù)n i的大小，選取前η個包含豐富信號特征信息的頂F 分量作為信號的特征向量；
[0066] 各IMF分量的能量計算公式如下：
[0068] 各頂F分量與原信號的能量比計算公式如下：
[0070] 其中，Ei為第i個IMF分量的能量，X i為第i個IMF分量的在時間Δ t內(nèi)的幅值， n i為第i個MF分量的能量與原信號的能量比值；
[0071] 步驟1. 6、計算各分量平均能量：
[0073] 式中，為第i個頂F分量的平均能量；
[0074] 步驟1. 7、以上一步計算的平均能量構(gòu)建一個特征向量P :
[0076] 步驟1. 8、構(gòu)造特征向量矩陣，對上一步得到的特征向量進行歸一化處理，處理方 法如下：
[0078] 式中，Einiax為各個IMF分量中能量的最大值，E inun為各個IMF分量中能量的最小 值；
[0079] 歸一化處理之后，特征向量為：
[0081] 即向量P '為最終提取到的信號特征向量。
[0082] 步驟2 :利用遺傳算法優(yōu)化支持向量機，構(gòu)建基于遺傳算法優(yōu)化的支持向量機診 斷模型，然后利用訓練樣本和測試樣本對優(yōu)化的支持向量機進行訓練和測試；其中，圖1示 出了本發(fā)明中基于遺傳算法優(yōu)化支持向量機的流程，利用遺傳算法優(yōu)化支持向量機的具體 步驟如下：
[0083] 步驟2. 1、初始化種群規(guī)模：將提取到的特征向量分為訓練樣本和測試樣本，對訓 練樣本中的特征向量和參數(shù)（c，。2)進行編碼，創(chuàng)建種群，并設(shè)置初始參數(shù)；
[0084] 步驟2. 2、進行復制、交叉