[发明专利]一种含未知故障的风电机组主轴承故障诊断方法

权利要求书

1.一种含未知故障的风电机组主轴承故障诊断方法，其特点是对风电机组主轴承振动信号进行K-S分解，根据分解后得到的复数时频矩阵特性，在高、中、低频域分别提取10种特征，组建30维原始特征子集；随之，以随机森林分类准确率为决策变量并结合Gini重要度，在原始特征子集基础上构建最优特征集合；最后，利用OCSVM和RF分类器组合的层次化混合分类器实现对风电机组主轴承的故障诊断；新方法实现了高效率、高准确率的含未知故障的风电机组主轴承故障类型的识别问题；具体实现步骤如下：

1)采用基于自适应调节机制的优化Kaiser窗函数的K-S分解方法，对风电机组主轴承振动信号进行时频分解

本公开中采用以自适应的Kaiser窗函数取代S变换中的Gaussian窗函数建立的K-S分解方法对风电机组主轴承信号进行处理；首先对时间信号x(t)进行加窗短时傅里叶变换，即

式中，STFT表示加窗短时傅里叶变换，w(t)为窗函数；τ为时移因子，t表示时间，f表示频率；

由于短时傅里叶变换的窗函数时域及频域窗口固定、不具有自适应性，为克服这个缺陷，将其窗函数定义为具有自适应调节能力的Kaiser窗，即

式中，w_k(τ-t,f)表示Kaiser窗函数，I₀(x)为第一类修正零阶贝塞尔函数，β为窗口形状调节参数；

将加窗短时傅里叶变换式代入上式可得到信号x(t)的连续K-S分解为

K-S分解也可通过连续小波变换推导得到，信号x(t)的连续小波变换为

式中，τ为时移因子；a为尺度因子；ψ(t-τ,a)为母小波的伸缩时移变换；

小波母函数为自适应Kaiser窗和一个复向量的乘积，即

将连续小波变换式代入上式可得

式中，τ为时移因子，随着τ的不断变化，自适应Kaiser窗函数在时间轴上滑动，对信号进行分析；

如果需要得到连续小波基的相位信息，则修正小波基的相位，将小波变换乘上相位因子，可得到连续K-S分解，即

K-S分解是连续小波变换的一种扩展，将信号x(t)进行K-S分解后得到一个复数矩阵，表示为

式中，A(τ,f)称为K-S分解的幅值矩阵，亦可称为模矩阵；为相位矩阵；A(τ,f)与的行向量可以表示信号x(t)的幅值与相位在某一时刻随频率变化的规律，列向量则表示信号x(t)的幅值与相位在某一频率点随时间变化的规律；

2)构建风电机组主轴承振动信号最优特征子集

对风电机组主轴承振动信号经过K-S分解得到的复数时频矩阵提取特征，在高、中、低频域分别提取包括峰值、均值、标准差、方差、偏斜度、峭度、均方根值、峰峰值、Shannon熵、Renyi熵在内的10种特征，构建30维原始特征集合；

各个特征的计算公式如下：

峰值：F_pv＝max(|x(n)|)

式中x(n)n＝1,2,…,N为第n个采样点对应的幅值，max为取最大值函数；

均值：

式中x(n)n＝1,2,…,N为第n个采样点对应的幅值，N为风电机组主轴承振动信号经过K-S分解后的采样点总数；

标准差：

式中x(n)n＝1,2,…,N为第n个采样点对应的幅值，N为风电机组主轴承振动信号经过K-S分解后的采样点总数，F_mv为均值；

方差：

式中x(n)n＝1,2,…,N为第n个采样点对应的幅值，N为风电机组主轴承振动信号经过K-S分解后的采样点总数，F_mv为均值；

偏斜度：

式中x(n)n＝1,2,…,N为第n个采样点对应的幅值，N为风电机组主轴承振动信号经过K-S分解后的采样点总数，F_mv为均值，F_std为标准差；

峭度：

式中x(n)n＝1,2,…,N为第n个采样点对应的幅值，N为风电机组主轴承振动信号经过K-S分解后的采样点总数，F_mv为均值，F_std为标准差；

均方根值：

式中x(n)n＝1,2,…,N为第n个采样点对应的幅值，N为风电机组主轴承振动信号经过K-S分解后的采样点总数；

峰峰值：F_ppv＝max(x(n))-min(x(n))

式中x(n)n＝1,2,…,N为第n个采样点对应的幅值，max为取最大值函数，min为取最大值函数；

Shannon熵：

式中N为风电机组主轴承振动信号经过K-S分解后的采样点总数，p_n为第n个采样点的概率密度，α为熵值计算的参数；

Renyi熵：

式中N为风电机组主轴承振动信号经过K-S分解后的采样点总数，p_n为第n个采样点的概率密度，α为熵值计算的参数；

在RF训练过程中，不同特征分割节点时的分类效果可以用Gini指数来衡量；以特征的基尼重要度为依据对30维特征进行降序排序，使用前项选择策略选取最优特征子集，最终选取其中包含对分类影响最大的15维特征，避免冗余特征对分类的影响；

Gini指数是一种用于衡量特征重要度的常用度量指标，在随机森林训练过程中进行类可分性计算；如果数据集S含有s个数据样本，可以将其分成n类，s_a表示第a类包含的样本数(a＝1,2,3...n)，则集合的Gini指数为：

其中，P_a＝p(s_a/S)＝s_a/s表示属于第a类的任意样本概率；如果数据集S中只存在一类样本时，其Gini指数为0；如果数据集S中所有类别分布均匀时，Gini指数取最大值；RF使用某特征划分节点时，可以将S分为m个子集S_c(c＝1,2,3...n)，划分后数据集S的Gini指数为：

式中，s_c为集合S_c中样本；

则Gini重要度为：

ΔGini(S)＝Gini(S)-Gini_split(S)

由上式可知，Gini重要度值越高，特征划分效果越好；可通过Gini重要度对特征开展排序，进行前向特征选择，确定最优特征集合；

3)构建层次化混合分类器对风电机组主轴承信号进行识别

获取包含所有故障类型风电机组主轴承故障样本十分困难，并且实际工作中易发生存在未知类型故障的场景，当出现无训练样本未知故障类型时，容易将未知故障识别为已知故障或者正常状态；在风电机组主轴承振动信号识别领域，未知故障状态的识别一直是故障诊断的难点，采用正常样本训练的OCSVM单类分类器可以进行正常信号和包含未知故障信号的识别；采用已知故障样本训练的OCSVM单类分类器可以对包含未知故障信号中的已知故障信号和未知故障信号进行识别；采用已知故障样本训练的RF多类分类器可以对已知故障类型进行识别，因此，采用单类分类器和多类分类器结合的层次化混合分类器进行故障诊断；

本公开的目的在于提供一种含未知故障的风电机组主轴承故障诊断方法对风电机组主轴承故障状态进行识别；首先，对风电机组主轴承振动信号采用K-S方法进行分解；其次，对分解得到的复数矩阵提取特征，构建初始特征向量集合；而后，采用Gini指数分析每个特征的重要度，按重要度进行排序，构建最优特征子集；最后，采用OCSVM与RF方法构建混合分类器，可以有效对风电机组主轴承信号的正常状态、已知故障状态及未知故障状态进行高效准确地识别。