[发明专利]基于IVMD-SE的风电机组齿轮箱故障特征提取方法

权利要求书

1.基于IVMD-SE的风电机组齿轮箱故障特征提取方法，其特征在于：包括如下步骤：

步骤1，利用振动加速度传感器分别采集风电机组齿轮箱齿轮在正常、磨损、断齿三种工况下的原始振动信号；

步骤2，采用基于整数规划的PSO算法对VMD法进行改进，具体对VMD参数中的惩罚项参数α和分解层数K进行优化；

步骤3，对步骤1中正常、磨损、断齿三种工况下的齿轮振动信号分别采用步骤2进行分解，得到振动信号的各个模态分量；

步骤4，利用相关系数法优选出与原始信号密切相关的模态分量；

步骤5，提取各优选模态分量的奇异熵作为风机齿轮箱故障特征；

步骤6，将特征输入至多分类SVM中，验证特征提取效果；所述的步骤2中，由于VMD算法中的α和K均为正整数，采用一种整数规划的PSO算法；具体步骤如下：

2.1)按照式(1)初始化第i个粒子x_i的种群位置x_i(0)：

式中，x^L,x^U分别表示x的下界和上界；[x]表示不超过x的最大整数，rand为生成的(0,1)间的随机数，i＝1,2,...M；如此即在搜索空间内随机产生了M个整值初始粒子；

2.2)计算每个粒子的适应度值；采用IMF局部最小熵值作为PSO算法的适应度函数；首先，定义IMF包络熵，如式(2)所示：

式中，a(j)为IMF分量经Hilbert解调后得到的包络信号；p_j为a(j)经归一化后的形式，若经VMD分解后所得IMF分量中故障特征较明显，冲击较强，则其包络熵值较小，反之越大；当第i个粒子处于位置x_i时，根据其对应参数组合(α，K)进行VMD分解，得到K个IMF分量，计算所有IMF分量的E_p值，并取局部最小熵值minE_p作为适应度函数；计算完毕后，找出每个粒子的历史最优位置pbest_i和群体最优位置gbest；

2.3)更新第h代第i个粒子的速度v_ij(h+1)和位置x_ij(h+1)：

v_ij(h+1)＝v_ij(h)+c₁r₁[pbest_i(h)-x_ij(h)]+c₂r₂[gbest(h)-x_ij(h)] (3)；

式(3)中，h为迭代次数，c₁、c₂为正加速常数，r₁、r₂∈U(0，1)，j表示粒子维数，j＝1，2；式(4)中，c∈U(0，1)，对于式(4)，当v_ij(h+1)＞0时，表示粒子x_i(h)的第j维正方向是一个好的进化方向，于是便向该方向移动一个单位，即x_ij(h+1)＝x_ij(h)+1，反之向x_i(h)的第j维负方向移动一个单位，即x_ij(h+1)＝x_ij(h)-1；当v_ij(h+1)＝0时，表示x_i(h)的第j维正负方向好坏程度相同，此时粒子均以1/3概率向第j维正方向移动一个单位、向第j维负方向移动一个单位或保持静止；

2.4)计算位置更新后每个粒子的适应度，并更新每个粒子的历史最优位置pbest_i和群体最优位置gbest；

2.5)检查终止条件，如果未满足条件，则返回2.3)；否则停止迭代，输出最优解；所述的在步骤3中，包括如下步骤：

3.1)初始化模态中心频率拉格朗日算子{λ¹}和n(n＝0)；

3.2)n←n+1，并按照式(5)、(6)的更新策略，得到第n+1代第k个模态分量u_kⁿ⁺¹(w)及其对应中心频率w_kⁿ⁺¹：

3.3)依照式(7)更新λ：

3.4)验证是否满足停止条件若满足则停止迭代，输出结果；否则，返回3.2)；所述的步骤4中，定义第j个IMF分量与原始信号为x(t)的相关系数如下：

其中，N为信号点数，R_x(m)表示x(t)的自相关函数：

相关系数为用于表征两个随机变量间相关密切程度的统计指标，其范围在[0,1]之间；若该值越大，则表示两个变量间的相关程度越大，反之相关程度越小。