[发明专利]基于CMS系统大数据结合标准差及小波熵的风力发电机组齿轮箱故障定位方法

权利要求书

1.一种基于CMS系统大数据结合标准差及小波熵的风力发电机组齿轮箱故障定位方法,其特征在于，所述方法包括以下步骤：

1)计算原始振动数据的标准差并进行滤波；

其中σ,r分别表示标准差和平均值，N表示数据长度，再对标准差进行滤波操作，采用指数加权移动平均方法进行滤波处理：

EWMA_σ(i+1)＝0.9*EWMA_σ(i)+0.1*σ(i+1) (2)

其中EWMA_σ(i)表示滤波后的标准差；

2)建立正常区间的标准差的高斯模型，用该模型判断系统是否发生故障，过程如下：

2.1)选取正常运行时的标准差作为训练数据，训练高斯概率模型并归一化：

其中μ和σ分别表示经正常数据段训练得到的均值和标准差，Normalized_Svd为对应的标准差归一化结果；

2.2)得到标准差对应的归一化结果之后，采用指数加权移动平均方法进行滤波处理：

EWMA(i+1)＝0.9*EWMA(i)+0.1*Normalized_svd(i+1) (4)

EWMA(i)表示指数加权移动平均滤波后的值，最后根据滤波结果与阈值对比，当滤波后的数值超过阈值时，则可知风机齿轮箱出现故障；

3)计算振动数据的小波熵来判断故障类型，过程如下：

3.1)选择基小波和小波分解层数Lev，对原始振动数据进行小波分解；

3.2)计算小波熵Wavelet Entropy，对每组系数能量求和，并计算占比p，小波熵的公式为：

Wavelet_Entropy＝-∑p*log(p)

3.3)得到小波熵后，对其进行指数加权移动平均滤波，得到EWMA_Wavelet_Entropy，并计算滤波后的均值Mu_Wavelet_Entropy；

3.4)判断EWMA_Wavelet_Entropy是否超过上限阈值，若超过，则判定为高速轴故障，若低于下限阈值，则判定为非高速轴故障，其余情况为正常。

2.如权利要求1所述的一种基于CMS系统大数据结合标准差及小波熵的风力发电机组齿轮箱故障定位方法,其特征在于，所述3.4)中，上限阈值为1.05倍的Mu_Wavelet_Entropy，下限阈值为0.95倍的Mu_Wavelet_Entropy。