[發明專利]一種基于似然學習機的風機齒輪箱狀態識別方法

有效

• 申請號: 201811498568.5
• 申請日: 2018-12-08
• 公開（公告）號: CN109580218B
• 公開（公告）日: 2020-12-22
• 發明（設計）人: 李東東;華偉;王浩;趙耀;楊帆;林順富
• 申請（專利權）人: 上海電力學院
• 主分類號: G01M13/021
• 分類號: G01M13/021;G01M13/025;G01M13/028;G06N99/00
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 楊宏泰

本發明涉及一種基于似然學習機的風機齒輪箱狀態識別方法，包括以下步驟：1)從風機齒輪箱振動信號中提取出峭度作為風機齒輪箱的故障特征量；2)利用似然學習機對峭度進行學習生成高斯模型作為狀態監測模型，即高斯監測模型；3)利用生成的高斯監測模型對齒輪箱狀態進行判斷。與傳統的信號處理進行故障診斷的方法相比，傳統方法進行故障識別需要依賴運行人員的經驗，本發明不依賴運行人員的經驗，具有智能識別的特點；與現有智能算法相比，現有智能算法易出現過擬合的問題，本發明泛化性好，具有很好的可移植性。

技術領域

本發明涉及電力系統故障監測與診斷領域，尤其是涉及一種基于似然學習機的風機齒輪箱狀態識別方法。

背景技術

隨著風電裝機容量不斷增大，風電場設備的維護使用定期維護、事后維修的方式，其維護費用占風電場總運行費用高達30％，行星齒輪箱作為風機傳動系統的關鍵部件，長期運行在交變載荷下，其故障率超過風機機組總故障的60％，如何對風機齒輪箱進行運行狀態監測與故障診斷以降低運維成本、提高風電機組安全性與可靠性是電力系統故障監測與診斷領域的熱點。

風機傳動系統中存在的不確定因素與非線性因素造成振動信號分析困難。正常的齒輪運行時，齒輪之間嚙合完好，齒輪滑動接觸表面之間存在潤滑油膜，振動信號平穩。當齒輪發生局部故障，帶有損傷的輪齒與其他輪齒嚙合，導致潤滑油膜破裂，產生振動沖擊現象，沖擊信號將隨著齒輪的旋轉按照一定的時間間隔重復出現。周期性或準周期性的振動沖擊是齒輪箱故障的一個關鍵特征。

齒輪箱狀態監測與故障診斷方法主要可以分為信號處理和智能算法兩類。信號處理方法有：1)齒輪在工作過程中受力會出現方向不確定性的問題，利用全矢頻帶能量分析的方法可用于判定齒輪箱的早期微弱故障；2)針對EMD出現模態混疊，在采集信號中加入白噪聲，根據信號本身特性自適應設定白噪聲標準差改進分解，達到最優分解效果提高了故障診斷的效率；3)應用自適應最大相關峭度解卷積的方法解決早起信號微弱難以提取的問題。智能算法有：1)應用模糊C均值聚類對信號進行聚類可以提高故障診斷的準確度；2)隱馬爾可夫模型算法應用于齒輪箱診斷系統能夠提高平均識別度；3)卷積自動編碼器進行齒輪箱故障特征是一種無監督的學習方式，具有效率高的特點。

目前，信號分析需要結合運行人員的經驗進行故障判斷與識別因而效率低，智能算法存在過擬合泛化性能低的問題。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于似然學習機的風機齒輪箱狀態識別方法。

本發明的目的可以通過以下技術方案來實現：

一種基于似然學習機的風機齒輪箱狀態識別方法，包括以下步驟：

1)從風機齒輪箱振動信號中提取出峭度作為風機齒輪箱的故障特征量；

2)利用似然學習機對峭度進行學習生成高斯模型作為狀態監測模型，即高斯監測模型；

3)利用生成的高斯監測模型對齒輪箱狀態進行判斷。

所述的步驟1)中，峭度K的表達式為：

其中，s為信號值，μ為信號均值，σ為信號標注差，E(·)為期望。

所述的步驟2)具體為：

采用似然學習機對峭度數據進行概率密度估計并選擇高斯模型的概率分布，將其作為先驗概率，然后對新的峭度數據進行多次學習，每次學習將上一次的后驗概率作為下一次的先驗概率，最終得到學習好的狀態監測模型。

所述的步驟2)中，高斯監測模型包括單一高斯模型和高斯混合模型，當風機齒輪箱正常時，高斯監測模型為單一高斯模型，當風機齒輪箱為故障時，高斯監測模型為混合系數為2的高斯混合模型。

所述故障的類型包括磨損、斷齒和齒根裂縫。