[发明专利]基于改进变分模态分解的风电齿轮箱轴承故障识别方法

说明书

一种基于改进变分模态分解的故障识别方法，该方法结合变分模态分解和深度自编码器的混合方法来实现风电齿轮箱轴承故障的识别，首先，利用功率谱熵优化变分模态分解的本征模态函数数目和模态初始中心约束强度；然后，利用样本熵阈值将本征模态函数分为高噪声和低噪声分量，接着用小波阈值对高噪声本征模态函数分量进行降噪重构；之后，利用深度自编码器对故障特征进行提取和降维；最后，利用支持向量机对轴承故障进行识别。本发明可以更好的提取故障轴承的特征，对故障进行更快更精确的识别。

技术领域

本发明涉及一种基于改进变分模态分解的风电齿轮箱轴承故障识别方法。

背景技术

传统的碳基能源因其不可再生和环境污染问题，发展日益受限，而风能的低成本和灵活性，使其成为全球能源发展的焦点。然而，在风力发电系统中，机械传动系统的可靠性和可维护性成为其发展的制约问题。特别在风电机组运行的过程中，风电齿轮箱的轴承故障突出，此外，在机组高空、低速、重载工况的干扰下，轴承的故障信号组成变得更加复杂，上述情况对轴承故障特征的提取造成极大干扰。国内外学者针对此问题进行了大量的研究，其中，多数仅针对轴承的稳态运行工况，对振动信号进行时域和频域的统计，后将得到的统计特征输入到分类模型进行训练，实现风电齿轮箱轴承的故障诊断。然而，在实际情况下，风机的主轴转速和转矩波动较为显著，轴承振动信号包含大量干扰噪声，传统的信号处理方法会导致信号出现模态混叠、弱特征信号丢失、噪声敏感等问题，从而影响故障特征的提取。此外，已有的机器学习分类模型在训练时需要大量带有标签的样本，且样本数据的维度较高，导致计算开销过大和模型过拟合等问题。

发明内容

针对上述问题，本发明提出了一种基于改进变分模态分解的风电齿轮箱轴承故障识别方法，与其他方法相比，本发明提出的方法可以更好的提取故障轴承的特征，对故障进行更快更精确的识别。

本发明解决其技术问题所采用的技术方案是：

一种基于改进变分模态分解的风电齿轮箱轴承故障识别方法，所述方法包括以下步骤：

步骤1：轴承故障信号的获取，过程如下：

风电齿轮箱的轴承在运行中的故障类型有疲劳剥落、磨损、胶合、断裂和锈蚀，基于上述轴承故障种类，利用风电传动实验装置获得10种典型的轴承故障信号，包括轴承无故障信号、内滚道点蚀信号、滚动体点蚀信号、内圈外壁磨损信号、内圈内壁磨损信号、外圈内壁磨损信号、滚动体胶合信号、内圈断裂信号、内圈断裂信号、保持架断裂信号，故障轴承产生的振动信号通过加速度传感器和加速度信号采集板卡进行获取；

步骤2：轴承故障信号预处理降噪，过程如下：

首先，通过变分模态分解将原始信号分解为不同数量的本征模态函数，对得到的每一个本征模态函数分量进行功率谱熵的计算，然后确定最优模态参数k和模态初始中心约束强度参数α；

接着，利用最优模态数参数k和模态初始中心约束强度参数α对原始信号进行变分模态分解，对分解得到的每一个本征模态函数分量进行样本熵的计算；得到的样本熵与设定的样本熵阈值进行比较，将样本熵大于阈值的本征模态函数设为高噪声分量，对其进行小波阈值降噪；然后，对降噪后的本征模态函数分量进行重构，直至重构后本征模态函数的样本熵小于阈值为止；

然后，将降噪后的本征模态函数叠加重构，得到降噪后的时序信号，用于深度自编码器的特征提取；

步骤3：基于深度自编码器的故障特征提取，过程为：

3.1)，自编码器的搭建，自编码器模型包含输入层L，隐藏层H和输出层Z；其中，输入层和隐藏层构成编码器，隐藏层和输出层构成解码器；

3.2)，深度自编码器的搭建，深度自编码器模型包含输入层L1，隐藏层H1、H2、H3、H4，隐藏层H1到H4的神经元个数逐层递减；；