[发明专利]一种高性能大型风电齿轮箱故障分类方法及系统

说明书

本发明公开了一种高性能大型风电齿轮箱多故障分类方法及系统。该方法包括：获取高性能大型风电齿轮箱故障特征的空间分布图像；故障特征包括齿轮破坏和机座松动；获取空间分布图像的图像切片；根据图像切片确定高性能大型风电齿轮箱故障特征数据；获取图像切片的中心点坐标；根据故障特征数据以及中心点坐标，计算分类阈值；根据分类阈值对故障特征进行分类，得到有效特征样本；对有效特征样本进行优化求解，得到优化后的方向向量以及优化后的偏移项；根据优化后的方向向量以及优化后的偏移项，确定拉格朗函数；根据拉格朗日函数，对高性能大型风电齿轮箱的故障特征数据进行分类。通过本方法或系统能够有效的提高故障分类的效率和准确性。

技术领域

本发明涉及故障分类领域，特别是涉及一种高性能大型风电齿轮箱故障分类方法及系统。

背景技术

模式分类是故障诊断的核心。只有对多种复杂的故障模式进行合理的机器分类，才能实现自动化、智能化故障诊断目的，进而做出正确决策，例如停机检修或有目的地维修等，以避免因突然的故障停机带来的巨大经济损失。这一点，对于长期在野外恶劣环境中运行、无人监管的大型风电齿轮箱来说尤其重要。

在实际的风电齿轮箱服役环境中，一方面，信号检测中待分类对象周边的外来干扰(雨雪风霜等)以及信号采集系统的内噪声等均可能在原始观测数据中引入噪声干扰；传感器件异常或故障也可能产生异常的观测数据即野值。这些存在于原始数据中的噪声或野值如果不适当处理，将随同特征提取进入特征空间，形成明显偏离整体类特征的噪点或野点。根据已有的研究结果，当原始观测数据中存在局部的噪声或野值时其分布往往呈现出典型的非高斯特性，增加了特征提取的困难。此外，还有许多影响模式分类的负面因素，例如传感观测的信息冗余，特征提取环节所选择的过高特征维数等。信息冗余将直接造成后续特征提取的困难，并进一步放大噪声或野值的负面作用；特征维数选择过高，则会使样本统计特性的估计更加困难，从而降低分类器的泛化推广能力。

发明内容

针对上述问题，本发明提供了一种高性能大型风电齿轮箱故障分类方法及系统。

为实现上述目的，本发明提供了如下方案：

一种高性能大型风电齿轮箱多故障分类方法，所述方法包括：

获取高性能大型风电齿轮箱故障特征的空间分布图像；所述故障特征包括齿轮破坏和机座松动；

获取所述空间分布图像的图像切片；

根据所述图像切片确定高性能大型风电齿轮箱故障特征数据；

获取所述图像切片的中心点坐标；

根据所述故障特征数据以及所述中心点坐标，计算分类阈值；

根据所述分类阈值对所述故障特征进行分类，得到有效特征样本；

对有效特征样本进行优化求解，得到优化后的方向向量以及优化后的偏移项；

根据优化后的方向向量以及优化后的偏移项，确定拉格朗函数；

根据所述拉格朗日函数，对高性能大型风电齿轮箱的故障特征数据进行分类。

可选的，所述根据所述故障特征数据以及所述中心点坐标，计算分类阈值，具体包括：

根据所述故障特征数据计算权向量和偏移项；

根据所述权向量和所述偏移项选择核函数；

根据所述故障特征数据、所述权向量、所述偏移项以及所述核函数，确定拉格朗日乘子；

根据所述朗格朗日乘子以及所述中心点坐标，计算分类阈值。

可选的，所述根据所述拉格朗日函数，对高性能大型风电齿轮箱的故障特征数据进行分类，具体包括：