[发明专利]一种风力发电机组齿轮箱的故障诊断方法

说明书

技术领域

本发明属于故障诊断技术领域，涉及一种风力发电机组齿轮箱的故障诊断方法。

背景技术

齿轮箱的故障诊断一般分为四个阶段，分别为信号检测，特征提取，故障识别和诊断决策。目前，风力发电机组齿轮箱故障诊断研究主要集中在在线状态监测系统的开发、信号处理与分析、部件故障机理研究、典型故障特征提取、故障诊断方法研究和人工智能应用等几个方面。

在进行齿轮箱故障诊断过程中，常采用时频分析方法，如短时傅里叶变换、Wigner-Ville分布、小波变换等。但这几种方法对于处理非线性、非平稳的振动信号都存在一定的缺点和不足，不能充分凸显信号特征。

近年来，人工智能技术的发展为齿轮箱的故障诊断提供了一定的理论支持，如专家系统、故障树分析法，神经网络，支持向量机等。专家系统主要存在推理能力弱，知识库维护性差的不足；故障树分析法受主观因素影响大；神经网络需要大量的样本才能保证诊断精度；而支持向量机在小样本下依然可以达到较高诊断精度。

发明内容

本发明的目的在于提供一种风力发电机组齿轮箱的故障诊断方法，解决了现有技术齿轮箱故障诊断过程中使用时频分析方法不能有效处理非线性、非平稳振动信号的问题。

本发明所采用的技术方案是，一种风力发电机组齿轮箱的故障诊断方法，通过采集风力发电机齿轮箱的振动信号，利用集合经验模态分解方法提取故障特征信息，然后归一化处理提取故障特征向量，最后将测量得到的故障特征向量输入经过优化并训练好的支持向量机模型中进行风力发电机组齿轮箱的故障诊断，具体按照以下步骤实施：

步骤1：针对典型故障情况，采集风力发电机齿轮箱的振动信号，利用集合经验模态分解方法对振动信号进行分解，得到不同尺度的IMF分量，将各IMF分量的能量作为故障特征信息；对包含信号主要特征信息的IMF分量进行选取，然后归一化处理得到该信号的故障特征向量；

步骤2：利用遗传算法优化支持向量机，构建基于遗传算法优化的支持向量机诊断模型；然后利用训练样本和测试样本对优化的支持向量机进行训练和测试；

步骤3：将实际采集的风力发电机齿轮箱的振动信号，利用步骤1的集合经验模态分解方法提取该信号的特征向量，将获得的特征向量输入到步骤2所建立并训练好的诊断模型中，根据其输出情况来判断故障类型。

本发明的特点还在于，

在步骤1中，利用集合经验模态分解方法获取振动信号的故障特征向量的过程如下：

步骤1.1、在原始振动信号x(t)中加入高斯白噪声序列n(t)，即

X(t)＝x(t)+n(t) (1)

式中，X(t)为待分解的序列，x(t)为原始序列，n(t)为高斯白噪声序列；

步骤1.2、将序列X(t)通过EMD算法分解为一组IMF；

步骤1.3、每次加入相同幅值的高斯白噪声序列，重复步骤1.1、步骤1.2；

步骤1.4、计算分解得到的各个IMF的均值，得到消除模态混叠的IMF分量作为最终的结果，即

式中，c_j(t)表示对原始振动信号进行EEMD分解得到的第j个IMF分量；m表示加入白噪声的次数；c_ij(t)表示第i次加入白噪声时按照EMD分解得到的第j个IMF分量；

步骤1.5、计算经过EEMD分解后的各IMF分量的能量以及经过EEMD分解后的各IMF分量与原信号的能量比η_i，根据η_i的大小，选取前n个包含丰富信号特征信息的IMF分量作为信号的特征向量；

各IMF分量的能量计算公式如下：

各IMF分量与原信号的能量比计算公式如下：

其中，E_i为第i个IMF分量的能量，x_i为第i个IMF分量的在时间Δt内的幅值，η_i为第i个IMF分量的能量与原信号的能量比值；

步骤1.6、计算各分量平均能量：

式中，为第i个IMF分量的平均能量；

步骤1.7、以上一步计算的平均能量构建一个特征向量P：

步骤1.8、构造特征向量矩阵，对上一步得到的特征向量进行归一化处理，处理方法如下：

式中，E_imax为各个IMF分量中能量的最大值，E_imin为各个IMF分量中能量的最小值；