[發明專利]風力發電機組齒輪箱的故障診斷方法

無效

• 申請號: 201310234926.2
• 申請日: 2013-06-14
• 公開（公告）號: CN103278326A
• 公開（公告）日: 2013-09-04
• 發明（設計）人: 劉天羽;邢飛
• 申請（專利權）人: 上海電機學院
• 主分類號: G01M13/02
• 分類號: G01M13/02
• 代理公司: 上海翼勝專利商標事務所(普通合伙) 31218
• 代理人: 翟羽;黃燕石

技術領域

本發明涉及高故障設備的故障診斷技術領域，特別是一種風力發電機組齒輪箱的故障診斷方法。

背景技術

風電機組長期運行在室外惡劣自然環境下，故障率比常規發電機組高。據不完全統計，目前我國風電場中風電機組的平均可利用率普遍低于95%，除了風電接入系統不具備條件外，風電機組故障率高是一個主要因素，這些因素導致風電機組的維護費用成為風電場的主要運營成本，按照風電機組20年全壽命周期運行成本平均計算，風電機組的維護費用約為1.2€/kWh，因此降低維護費用是提高風電場運營效益的重要途徑。

齒輪箱是風電機組的關鍵部件，齒輪箱的故障率在風力發電機各主要部件的故障統計中居高不下，據英國可再生能源中心對風力機主要部件的故障統計，齒輪箱是機組中故障發生率最高的部件，故障百分比已超過60%，由于風電機組安裝在幾十米高的塔架上，齒輪箱一旦發生問題維修非常不便。因此，加強對風電機組齒輪箱的監測和故障診斷，對降低風電場維護費用，提高風電場運行經濟效益具有重要意義。

齒輪箱故障診斷的目的，是從故障定位到確定故障性質，進而確定故障發生的程度，由于神經網絡具用處理復雜多模式及進行聯想，推測和記憶的功能，因而近年來在故障診斷領域引起了廣泛的研究。美中不足的是在故障診斷領域，制約神經網絡實用化的主要因素是缺乏大量的典型樣本進行訓練。因為設備出現故障的次數畢竟是有限的，靠這樣的速度積累數據，很難訓練出“醫術高明”的神經網絡?？上驳氖侵蜗蛄炕碚摰某霈F使神經網絡少樣本學習成為可能?？傊?，齒輪箱故障診斷技術與當代前沿科學的融合是齒輪箱故障診斷技術的發展方向，診斷技術越來越智能化。但是，故障診斷中測得的樣本數據集，多是不均衡樣本集，故障樣本的數量相對較少。如何利用這種不均衡的數據樣本獲得更好的診斷效果，是故障診斷中急需解決的問題。隨著應用的廣泛深入，研究人員均指出了數據不均衡對分類學習帶來的困難和挑戰，其中最主要的是分類器性能的極大降低。

雖然不均衡數據集使分類器性能下降，但是特征選擇可以提高分類器的性能。特征選擇是指從原始特征集中選擇使某種評估標準最優的特征子集。其目的是根據一些準則選出最小的特征子集，使得任務如分類、回歸等達到和特征選擇前近似甚至更好的效果。通過特征選擇，一些和任務無關或者冗余的特征被刪除，經過簡化的數據集通常會得到更精確的模型，也更容易理解。

發明內容

本發明的目的是為了解決上述技術問題，提供一種風力發電機組齒輪箱的故障診斷方法，基于粒子群Particle?Swarm?Optimization(PSO)特征選擇的EasyEnsemble算法PSOEE，來提高齒輪箱故障不均衡數據集的故障診斷準確率問題。

本發明采取的技術方案是：

一種風力發電機組齒輪箱的故障診斷方法，其特征是，包括如下方法：

第一步：選擇齒輪箱的若干個有效特征建立多維目標空間，模擬若干個故障類別，并對所述若干個故障類別的故障數據進行采集；

第二步：對所述故障數據進行時域和幅域分析，提取頻域參數和幅域參數成為訓練數據集；

第三步：將所述訓練數據集看成一個種群，所述訓練數據集中的每一個數據看成一個粒子，通過下述迭代算法優化數據子集：

v_id(k+1)=v_id(k)+c₁r₁(p_id(k)-x_id(k))+c₂r₂(p_gd(k)-x_id(k))

x_id(k+1)=x_id(k)+v_id(k+1)(i=1,2,…,m;d=1,2,…,D)