[发明专利]基于IVMD-SE的风电机组齿轮箱故障特征提取方法

说明书

本发明公开了基于IVMD‑SE的风电机组齿轮箱故障特征提取方法，属于风电技术领域，本发明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；采用基于整数规划的PSO算法对VMD参数中的惩罚项参数α和分解层数K进行优化；对各工况下齿轮振动信号采用改进变分模态法进行分解，得到振动信号的各个模态分量；利用相关系数法优选出与原始信号密切相关的IMF分量；提取各模态分量的奇异熵作为风机齿轮箱故障特征；将特征输入至多分类SVM中，验证特征提取效果。本发明将VMD和奇异熵相结合来提取有噪声干扰下的风电机组齿轮箱齿轮故障特征，信号特征得到强化,特征提取效果更为显著。

技术领域

本发明属于风电技术领域，具体涉及基于IVMD-SE的风电机组齿轮箱故障特征提取方法。

背景技术

近年来，随着风力发电技术的不断发展，风机装机容量越来越大，其发生故障的概率也逐年提升。齿轮箱是风电机组传动系统中的关键部件，一旦其发生故障，将直接导致整个机组的停运，造成严重的发电损失。同时，齿轮箱也是机组中故障率最高的部件。因此，对风电机组齿轮箱开展及时的故障诊断工作，对于保障风电机组的安全可靠运行、保障财产及相关运行人员的安全具有极大的实际应用意义。

风电机组齿轮箱由于运行工况复杂，其振动信号往往包含大量噪声，且呈现非线性非平稳多分量特性。目前针对这一类复杂信号的处理大多采用时频分析法。一些常见的时频法如小波分析、短时傅里叶变换、EMD分解等都存在着诸如分解精度低、模态混叠、抗噪声性能差等缺点。

变分模态分解(VMD，Variational Mode Decomposition)是一种非递归、变分的自适应模态分解方法，相较于上述传统时频法具有显著优越性，因此本发明将其运用到风电机组齿轮箱的故障特征提取中。然而VMD法需要预先设定惩罚项参数α和分解层数K，这两个参数的选择决定着能否准确提取故障信息。由于现有技术对于该参数的选取尚未形成系统的理论依据，从而在一定程度上限制了VMD法在机械故障诊断领域方面的运用。

经VMD分解后的模态分量(IMF)中蕴含了丰富的信息，对于IMF分量的分析，存在的一个关键问题是如何可靠有效地提取出蕴含在IMF分量中的特征信息。一方面，齿轮箱振动信号经VMD分解后各IMF中仍夹杂着一定量噪声与与无关信息，另一方面，由于各IMF所包含的故障信息是海量、不规则的，直接对其分析难以达到故障识别的目的。由此两方面的原因，给故障特征信息的有效提取造成了困难。

目前在已公开的专利和文献中，许多学者针对如何有效提取VMD模态分量中的故障特征进行了广泛的研究，也取得了一定成效，但这些方法中也存在着诸如噪声干扰严重、运算量大、可靠性低等缺点。

发明内容

发明目的：本发明的目的在于提供基于IVMD-SE的风电机组齿轮箱故障特征提取方法，信号特征得到强化，特征提取效果更为显著。

技术方案：为实现上述目的，本发明采用如下技术方案：

基于IVMD-SE的风电机组齿轮箱故障特征提取方法，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所述改进变分模态法进行分解，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。