[發明專利]一種風力發電機傳動鏈的故障檢測方法及裝置

在審

• 申請號: 202210351479.8
• 申請日: 2022-04-02
• 公開（公告）號: CN114659785A
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 陳偉東;符智;劉松柏
• 申請（專利權）人: 三一重能股份有限公司
• 主分類號: G01M13/028
• 分類號: G01M13/028;G06F17/16;G06F30/20
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 聶俊偉

1.一種風力發電機傳動鏈的故障檢測方法，其特征在于，包括：

獲取風力發電機傳動鏈的當前振動信號；

提取所述當前振動信號的特征參數集，生成特征矩陣；

將所述特征矩陣輸入至故障檢測模型，以獲取由所述故障檢測模型輸出的故障類型結果；

所述故障檢測模型，是基于仿真振動信號樣本，以及與每個所述仿真振動信號樣本相對應的故障類型標簽訓練后得到的。

2.根據權利要求1所述的風力發電機傳動鏈的故障檢測方法，其特征在于，所述提取所述當前振動信號的特征參數集，生成特征矩陣，包括：

確定所述當前振動信號相關的時域信號，以獲取所述時域信號的時域特征參數；

對所述當前振動信號進行傅里葉變換，確定當前振動信號相關的頻譜，以獲取頻域特征參數；

確定所述當前振動信號相關的包絡譜，對所述包絡譜進行包絡解調，以獲取包絡譜特征參數；

對所述當前振動信號進行經驗模態分解，以獲取IMF分量特征參數；

根據所述時域特征參數、頻域特征參數、包絡譜特征參數和所述IMF分量特征參數，構建所述特征矩陣。

3.根據權利要求2所述的風力發電機傳動鏈的故障檢測方法，其特征在于，所述時域特征參數，包括有效值、峭度和峰值因子中的至少一個；所述頻域特征參數，包括齒輪的各級嚙合頻率及幅值、各軸轉頻及幅值、軸承故障特征頻率及幅值、0.1-10Hz有效值及頻域面積、10-2000Hz有效值及頻域面積中的至少一個；所述包絡譜特征參數，包括故障特征頻率及幅值、轉頻及幅值中的至少一個；所述IMF分量特征參數，包括前5階IMF分量中幅值最大的3個頻率及幅值。

4.根據權利要求1所述的風力發電機傳動鏈的故障檢測方法，其特征在于，在將所述特征矩陣輸入至故障檢測模型之前，還包括：

基于風力發電機傳動鏈相關的主軸承的三維模型、齒輪箱的三維模型，建立剛柔耦合動力學模型；

利用所述剛柔耦合動力學模型，模擬所述風力發電機傳動鏈的各類型低速級故障，以獲取每個傳動鏈低速級故障所對應的仿真振動信號樣本，構建第一訓練集；

提取所述第一訓練集中每個仿真振動信號樣本的特征參數集，以生成每個所述仿真振動信號樣本對應的特征矩陣樣本；并根據每個所述仿真振動信號樣本對應的故障類型標簽，組建第一特征矩陣訓練集；所述特征矩陣樣本與所述故障類型標簽一一對應；

利用所述第一特征矩陣訓練集對所述故障檢測模型進行預訓練。

5.根據權利要求4所述的風力發電機傳動鏈的故障檢測方法，其特征在于，所述提取所述第一訓練集中每個仿真振動信號樣本的特征參數集，以生成每個所述仿真振動信號樣本對應的特征矩陣樣本，包括：

獲取所述第一訓練集中每個所述仿真振動信號樣本對應的時域特征參數、頻域特征參數、包絡譜特征參數和IMF分量特征參數，以生成所述特征參數集；

對每個所述特征參數集中的所有特征參數進行特征靈敏度篩選和特征冗余性篩選，以將篩選后的所有特征參數，生成每個所述仿真振動信號樣本對應的特征矩陣樣本。

6.根據權利要求5所述的風力發電機傳動鏈的故障檢測方法，其特征在于，所述對每個所述特征參數集中的所有特征參數進行特征靈敏度篩選和特征冗余性篩選，包括：

計算每個特征參數與所述仿真振動信號樣本對應的故障類型標簽之間的F檢驗值，并計算所有F檢驗值的均值；

將任一所述F檢驗值小于第一閾值的特征參數，從所述特征參數集剔除后，獲取降維特征參數集；所述第一閾值是基于所述均值確定的；

計算所述降維特征參數集中的所有特征參數兩兩之間的皮爾遜相關系數；

將任一所述皮爾遜相關系數大于第二閾值的一組特征參數中，F檢驗值較小的一個特征參數，從所述降維特征參數集剔除。