[發(fā)明專利]基于支持向量機(jī)概率估計(jì)的風(fēng)電機(jī)組齒輪箱復(fù)合故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710232999.6
• 申請(qǐng)日: 2017-04-11
• 公開(kāi)（公告）號(hào): CN107036808B
• 公開(kāi)（公告）日: 2019-04-19
• 發(fā)明（設(shè)計(jì)）人: 楊強(qiáng);胡純直;顏文俊;楊茜;黃淼英
• 申請(qǐng)（專利權(quán)）人: 浙江大學(xué)
• 主分類號(hào): G01M13/02
• 分類號(hào): G01M13/02
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 萬(wàn)尾甜;韓介梅

本發(fā)明公開(kāi)了一種基于支持向量機(jī)概率估計(jì)的風(fēng)電機(jī)組齒輪箱復(fù)合故障診斷方法。本發(fā)明主要包括以下兩個(gè)模塊：第一個(gè)模塊是基于總體經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)的振動(dòng)信號(hào)處理和故障特征提取算法；第二個(gè)模塊是支持向量機(jī)的訓(xùn)練模型方法及概率估計(jì)算法。本發(fā)明針對(duì)不同的傳感器分別建立模型，分析時(shí)將所有分類器的結(jié)果加以整合，提高診斷的準(zhǔn)確度。本發(fā)明以仿真信號(hào)為測(cè)試對(duì)象，給出了詳細(xì)的算法描述，并通過(guò)實(shí)驗(yàn)驗(yàn)證了算法在齒輪箱復(fù)合故障診斷方面的有效性。

技術(shù)領(lǐng)域

本發(fā)明屬于故障特征提取和故障診斷方法領(lǐng)域，尤其涉及一種基于支持向量機(jī)概率估計(jì)的針對(duì)風(fēng)力發(fā)電機(jī)組齒輪箱的故障特征提取及故障診斷方法。

背景技術(shù)

在過(guò)去的幾年中，隨著風(fēng)電產(chǎn)業(yè)的迅猛發(fā)展，大量的風(fēng)電機(jī)組不斷被部署建造，風(fēng)電單機(jī)容量也在不斷增加，因風(fēng)力發(fā)電機(jī)組故障而引起的事故時(shí)有發(fā)生，造成了巨大的經(jīng)濟(jì)損失，阻礙了風(fēng)電產(chǎn)業(yè)的發(fā)展速度。齒輪箱位于風(fēng)力發(fā)電機(jī)機(jī)艙內(nèi)，是風(fēng)力發(fā)電機(jī)傳動(dòng)動(dòng)力的主要部件和連接主軸和發(fā)電機(jī)的重要樞紐，它的運(yùn)行會(huì)受多種因素干擾，比如風(fēng)速波動(dòng)和負(fù)載的動(dòng)態(tài)變化。同時(shí)，由于風(fēng)電機(jī)組所處的環(huán)境一般比較惡劣，風(fēng)速波動(dòng)和負(fù)載變化劇烈且頻繁，因此齒輪箱部件在長(zhǎng)時(shí)間運(yùn)行過(guò)程中極易老化損傷，產(chǎn)生各類故障。因此，研究一套可行的齒輪箱故障診斷方法對(duì)于風(fēng)電機(jī)組的穩(wěn)定運(yùn)行具有重要意義。

為了監(jiān)測(cè)風(fēng)機(jī)齒輪箱的運(yùn)行狀態(tài)，齒輪箱外部一般會(huì)安裝若干個(gè)振動(dòng)傳感器，傳感器將測(cè)得的振動(dòng)信號(hào)傳送至上位機(jī)，利用某種診斷方法對(duì)振動(dòng)信號(hào)加以分析并推測(cè)此時(shí)齒輪箱的運(yùn)行狀態(tài)。隨著風(fēng)機(jī)齒輪箱振動(dòng)數(shù)據(jù)的不斷積累，若干個(gè)機(jī)器學(xué)習(xí)算法也被引入到齒輪箱故障診斷領(lǐng)域。支持向量機(jī)是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上提出的一種機(jī)器學(xué)習(xí)算法，適用于小樣本情況下的故障診斷問(wèn)題，廣泛應(yīng)用于機(jī)械故障領(lǐng)域。支持向量機(jī)算法的實(shí)質(zhì)就是在已有齒輪箱振動(dòng)數(shù)據(jù)的基礎(chǔ)上建立分類模型，當(dāng)新的樣本數(shù)據(jù)來(lái)臨時(shí)，將數(shù)據(jù)輸入分類模型，從而判斷機(jī)械的運(yùn)行狀態(tài)。然而，目前學(xué)者們提出的支持向量機(jī)仍然存在若干局限性：首先，現(xiàn)有的支持向量機(jī)算法的輸出結(jié)果僅僅是類別標(biāo)記，當(dāng)支持向量機(jī)發(fā)生誤判時(shí)，該輸出結(jié)果就完全失效，無(wú)法提供更多的信息。其次，當(dāng)前支持向量機(jī)算法解決的大多是單一故障問(wèn)題，即樣本發(fā)生的故障最多是一個(gè)，對(duì)復(fù)合故障診斷研究較少。最后，真實(shí)的齒輪箱故障信號(hào)具有非平穩(wěn)、非線性等特點(diǎn)，現(xiàn)有方法在提取此類信號(hào)的特征時(shí)表現(xiàn)較差，影響支持向量機(jī)最終的診斷準(zhǔn)確率。

本發(fā)明針對(duì)現(xiàn)有方法的不足之處，提供了一套完整的基于支持向量機(jī)概率估計(jì)的故障診斷方法，算法主要包括以下兩個(gè)模塊：第一個(gè)模塊是基于總體經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)的振動(dòng)信號(hào)處理和故障特征提取算法；第二個(gè)模塊是支持向量機(jī)的訓(xùn)練模型方法及概率估計(jì)算法。該診斷方法的創(chuàng)新性主要體現(xiàn)在以下幾個(gè)方面：利用總體經(jīng)驗(yàn)?zāi)B(tài)分解擅長(zhǎng)處理非線性、非平穩(wěn)信號(hào)的特點(diǎn)，對(duì)存在復(fù)合故障的振動(dòng)信號(hào)進(jìn)行解耦，分離不同故障的特征。同時(shí)，提取故障特征時(shí)選取反映故障能量的能量比和反映故障混亂程度的近似熵，優(yōu)化故障特征選取。此外，在訓(xùn)練支持向量機(jī)模型時(shí)，本方法針對(duì)不同的傳感器分別建立模型，分析時(shí)將這些分類器的結(jié)果加以整合，提高診斷的準(zhǔn)確度。

發(fā)明內(nèi)容

為了改進(jìn)現(xiàn)有方法，本發(fā)明的目的在于提供一種能夠解決齒輪箱復(fù)合故障診斷問(wèn)題的方法，并且提高診斷的準(zhǔn)確度。

本發(fā)明的目的通過(guò)下述技術(shù)方案實(shí)現(xiàn)，包括以下步驟：

步驟(1)，從齒輪箱監(jiān)控?cái)?shù)據(jù)庫(kù)中提取不同工作狀態(tài)下的振動(dòng)信號(hào)作為樣本。假設(shè)在齒輪箱上安裝有M個(gè)傳感器，按照傳感器的順序處理各傳感器相應(yīng)的樣本，初始化m＝1，對(duì)第m個(gè)傳感器，按下述步驟求其相應(yīng)樣本的故障特征。

步驟(2)對(duì)樣本中的樣本點(diǎn)x(t)進(jìn)行EEMD分解，EEMD分解過(guò)程如下：

(2-1)初始化迭代次數(shù)N＝1，預(yù)定最大迭代次數(shù)為K；

(2-2)在x(t)中加入計(jì)算機(jī)隨機(jī)生成的高斯白噪聲w(t)作為新的x(t)，計(jì)算x(t)的上下包絡(luò)平均值m₁；