CN102768115A - 一种风电机组齿轮箱健康状态实时动态监控方法 - Google Patents

Abstract

本发明公开了旋转机械状态监测与故障诊断技术领域中的一种风电机组齿轮箱健康状态实时动态监控方法。本发明采集了齿轮箱振动信号和齿轮箱运行与监测数据；分析得到齿轮箱振动信号的时域特征、频域特征和包络信号的包络谱特征；建立了齿轮箱运行工况空间，并根据齿轮箱运行数据将齿轮箱运行工况空间划分为设定个齿轮箱运行工况子空间；得到运行监控历史数据子集，进而生成齿轮箱各部件的健康状态特征库；建立健康状态评价模型，得到各工况的健康状态实时评价模型和各部件的健康指数；最后求得齿轮箱的健康指数。本发明建立了健康状态评价模型，避开了复杂动态运行工况状态监测阈值确定的复杂性；避免了多特征参数简单递加造成线性失真的缺点。

Description

一种风电机组齿轮箱健康状态实时动态监控方法

技术领域

本发明属于旋转机械状态监测与故障诊断技术领域，尤其涉及一种风电机组齿轮箱健康状态实时动态监控方法。

背景技术

齿轮箱是风电机组的关键部件，担负功率传递和变速功能。由于经常处于复杂恶劣的运行环境（交变载荷、潮湿、风沙、震动、高温、腐蚀等），风电机组齿轮箱故障率极高。据统计，运行5年后风电场齿轮箱损坏率高达40%~50%，极个别齿轮箱更换率几乎接近100%。近年来，齿轮箱的故障率逐年增高，已成为风电场机组可用率低、运行维护费用高的最主要原因。

目前，可以通过两方面的工作来降低风机齿轮箱的故障率，一方面是通过优化设计和提高制造、安装质量来提高齿轮箱可靠性；另一方面是利用状态监测技术，及时评估齿轮箱健康状态，并根据其健康状态和衰退趋势调整运行、合理安排维修。

当前主要通过在风机传动系统布置振动传感器和温度传感器来监测齿轮箱的运行状态，当测量值超过预先设定的阈值时报警或停机。然而，由于缺乏有效的特征提取和多元状态信息融合，很难实现齿轮箱整体健康状态的准确评估；另外，振动和温度状态阈值采用固定值，没有考虑运行工况（风速、转速、功率、扭矩、空气密度等）变化对阈值的影响，也影响了齿轮箱健康状态评估的准确性。

综上所述，适当配置齿轮箱健康状态监测测点，开展工况辨识基础上的基于流形学习和多元信息融合的复杂工况齿轮箱健康状态监控研究，实现齿轮箱健康状态的实时动态评估和故障预示，对提高风电场机组的可用率，降低运行与维护费用具有重要的现实意义。

发明内容

针对上述背景技术中提到当前风电机组齿轮箱健康状态评价在信息融合和阈值确定方面存在的不足，本发明提出了一种风电机组齿轮箱健康状态实时动态监控方法。

本发明的技术方案是，一种风电机组齿轮箱健康状态实时动态监控方法，其特征是该方法包括以下步骤：

步骤1：采集齿轮箱振动信号和齿轮箱运行与监测数据；

步骤2：对齿轮箱振动信号进行分析，得到齿轮箱振动信号的时域特征、频域特征和包络信号的包络谱特征；

步骤3：建立齿轮箱运行工况空间，根据齿轮箱运行与监测数据将齿轮箱运行工况空间划分为设定个齿轮箱运行工况子空间；

步骤4：在步骤2和步骤3的基础上，将齿轮箱时域特征、频域特征、运行与监测数据划分为运行监控历史数据子集；

步骤5：对运行监控历史数据子集进行特征提取，生成齿轮箱各部件的健康状态特征库；

步骤6：根据齿轮箱各部件的健康状态特征库建立健康状态评价模型，通过运行监控历史数据子集对健康状态评价模型进行训练，得到各工况的健康状态实时评价模型，通过健康状态实时评价模型对实时的齿轮箱运行与监测数据进行评价，得到各部件的健康指数；

步骤7：将各部件的健康指数带入变权综合公式，得到齿轮箱的健康指数。

所述齿轮振动信号时域特征为样本时间序列平均值、样本时间序列有效值、峭度指标、峰值指标、歪度指标和熵。

所述齿轮振动信号频域特征为滚动轴承故障特征频率、齿轮啮合频率处的能量和包络谱各故障特征频率对应的能量。

所述齿轮箱运行工况空间划分的方法是聚类分析方法。

所述对运行监控历史数据子集进行特征提取的方法是流形学习法。

所述健康状态评价模型为Logistics回归模型。

所述部件的健康指数的计算公式为：

$z_i^{\left(p\right)}=h_{\mathrm{HA}}^{\left(p\right)}(y_i;{\mathrm{\Θ}}^{\left(p\right)})=\frac{\exp ({\mathrm{\β}}_0^{\left(p\right)}+{\mathrm{\Σ}}_{l=1}^L{\mathrm{\β}}_l^{\left(p\right)}\·y_{\mathrm{il}})}{1-\exp ({\mathrm{\β}}_0^{\left(p\right)}+{\mathrm{\Σ}}_{l=1}^L{\mathrm{\β}}_l^{\left(p\right)}\·y_{\mathrm{il}})}+\mathrm{\ϵ}$

其中：

为t_i时刻对应第p个运行工况子空间的齿轮箱部件的健康指数；

为第p个工况子空间对应的健康状态评估函数；

y_i为时刻t_i齿轮箱相应部件特征提取后状态特征向量；

Θ^(p)为第p个工况子空间对应健康状态评价模型的L+1个模型参数，

${\mathrm{\Θ}}^{\left(p\right)}=({\mathrm{\β}}_0^{\left(p\right)},{\mathrm{\β}}_1^{\left(p\right)},...,{\mathrm{\β}}_L^{\left(p\right)})$

为健康状态评价模型的第一个模型参数；

为健康状态评价模型第L+1个模型参数；

y_il为t_i时刻第l个健康状态特征参数值；

ε为残差。

所述齿轮箱的健康指数为：

$\mathrm{HI}=\frac{{\mathrm{\Σ}}_{j=1}^m{w}_j^{\left(0\right)}{z}_{\mathrm{ij}}^{\mathrm{\γ}}}{{\mathrm{\Σ}}_{k=1}^m{w}_k^{\left(0\right)}{z}_{\mathrm{ik}}^{\mathrm{\γ}-1}}$

其中：

HI为t_i时刻齿轮箱的健康指数；

为第j个部件健康状态评价时占的常权权重，j＝1,2,…m；

为t_i时刻第j个部件健康指数的γ次幂；

为第k个部件健康状态评价时占的常权权重，k＝1,2,…m；

为t_i时刻第k个部件健康指数的γ-1次幂；

γ为均衡系数。

本发明具有如下显著优点：本发明方法将风电机组复杂运行工况进行辨识基础上的分割，在各运行工况子空间建立健康状态评价模型，避开了复杂动态运行工况状态阈值确定的复杂性；采用基于统计模式识别的状态评价避免了现有状态评价算法中采用多特征参数线性叠加拟合可能造成的线性失真的缺点；另外通过模型的定期修正实现健康状态的动态监控，提高状态评价精度。本发明使得风电机组齿轮箱健康状态评价更加科学和全面，该方法设计合理，实用性强，为风电机组齿轮箱健康状态监控提供有效的技术支持。

附图说明

图1为风电机组齿轮箱健康状态实时动态监控总体流程图；

图2为风电机组齿轮箱结构及测点布置；

图3为风电机组齿轮箱信号处理、特征提取及运行工况辨识；

图4为风电机组齿轮箱健康状态实时动态评价流程；

图5为风电机组齿轮箱健康状态评估层次结构。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

本发明的步骤如下：

步骤1：采集齿轮箱振动信号和齿轮箱运行与监测数据；

步骤2：对齿轮箱振动信号进行分析，得到齿轮箱振动信号的时域特征、频域特征和包络信号的包络谱特征；

步骤3：建立齿轮箱运行工况空间，根据齿轮箱运行与监测数据将齿轮箱运行工况空间划分为设定个齿轮箱运行工况子空间；

步骤4：在步骤2和步骤3的基础上，将齿轮箱时域特征、频域特征、运行与监测数据划分为运行监控历史数据子集；

步骤5：对运行监控历史数据子集进行特征提取，生成齿轮箱各部件的健康状态特征库；

步骤6：根据齿轮箱各部件的健康状态特征库建立健康状态评价模型，通过运行监控历史数据子集对健康状态评价模型进行训练，得到各工况的健康状态实时评价模型，通过健康状态实时评价模型对实时的齿轮箱运行与监测数据进行评价，得到各部件的健康指数；

步骤7：将各部件的健康指数带入变权综合公式，得到齿轮箱的健康指数。

本发明通过合理配置齿轮箱振动传感器，采集齿轮箱振动信号，并进行信号处理，获得原始特征；结合运行工况历史数据，进行工况辨识，划分为若干工况子空间；开展基于流形学习的特征提取，并建立特征库；利用振动监测和运行历史数据训练齿轮箱多工况健康状态评估模型，并建立模型库；对运行的风机齿轮箱实时计算状态特征值，并利用相应工况的健康状态评价模型实时评价健康状态；最后，根据健康状态和衰退趋势调整运行并合理安排维修，最终实现风电机组齿轮箱健康状态的实时动态监控。

分别在风机齿轮箱的环形齿轮、行星齿轮支架、低速轴电机侧、中速轴电机侧、高速轴电机侧和高速轴轴承（迎风侧和背风侧）配置振动传感器。

本发明采用的技术方案如下：

1、数据采集及存储

根据齿轮箱的形式确定振动监测测点布置方案，根据各测点测量要求合理选用振动传感器。根据测量数据存储和分析显示要求设计并研制振动数据采集装置。通过连接机组数据采集与监控系统（SCADA）获取风电机组运行与监测数据，存储采集到的齿轮箱振动信号和齿轮箱运行与监测数据。

2、信号处理及分析

对齿轮箱各测点（如图2所示）振动历史数据进行时域分析并计算时域原始特征。计算出的时域原始特征包括样本时间序列平均值、样本时间序列有效值、峭度指标、峰值指标、歪度指标和熵，相应的计算公式如下：

①样本时间序列平均值

$\stackrel{\‾}{v}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{v}_i---\left(1\right)$

②样本时间序列有效值

$\mathrm{RMS}=\sqrt{\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(v_i-\stackrel{\‾}{v})}^2}{N}}---\left(2\right)$

③峭度指标

$\mathrm{kurtosis}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(v_i-\stackrel{\‾}{v})}^4}{N\×{\mathrm{RMS}}^4}---\left(3\right)$

④峰值指标

$\mathrm{crest}=\frac{i\max \left(v_i\right)-\min }{\mathrm{RMS}}--\left(4\right)$

⑤歪度指标

$\mathrm{skewness}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(v_i-\stackrel{\‾}{v})}^3}{N\×{\mathrm{RMS}}^3}---\left(5\right)$

⑥熵

$\mathrm{Entropy}=-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(v_i\·\log \left(v_i\right))---\left(6\right)$

式中，N为时间序列样本个数，v_i为样本时间序列。

快速傅里叶变换（FFT）可以将某一波形分解成一系列不同频率正弦波的和。有限区间快速离散傅里叶变换公式如下：

$V\left[k\right]=\underset{n=1}{\overset{N-1}{\mathrm{\Σ}}}v\left[n\right]e^{-j\frac{2\mathrm{\π}}{N}\mathrm{nk}},k=\mathrm{0.1.2}.....N-1---\left(7\right)$

利用快速傅里叶变换（FFT）算法，将齿轮箱振动信号从时域转化为频率域。整个频谱可以分为一些子段，每一段由一些相近频率组成。这些子段的中心频率通常事先定义，比如机械系统滚动轴承故障特征频率（BPFI、BPFO、BSF）、齿轮啮合频率等。计算这些子段中心频率处的能量，作为齿轮、轴承健康状态评价的频域原始特征。

为进一步分析某一特征频率，利用希尔伯特变换（Hilbert）获得包络信号，对包络信号作谱分析，得到包络信号的包络谱,计算包络谱轴承故障特征频率（BPFI、BPFO、BSF）和齿轮啮合频率处能量，也将其作为健康状态评价的频域原始特征。Hilbert变换定义如下：

$H\left[v\left(t\right)\right]=\frac{1}{\mathrm{\π}}{\∫}_{-\∞}^{\∞}\frac{v\left(\mathrm{\τ}\right)}{t-\mathrm{\τ}}\mathrm{d\τ}---\left(8\right)$

3、工况辨识、特征提取及健康评价模型训练

建立风电机组齿轮箱运行工况特征集u（包括风速、风向、空气密度、扭矩、转速、输出功率等）和齿轮箱运行工况空间Ω。假定齿轮箱运行工况空间Ω可利用某一聚类或空间分割算法f_c(u)聚类成P个齿轮箱运行工况子空间，即Ω＝(O₁,O₂,…,O_P)，则某一运行工况对各工况子空间的隶属度集C可表示为：

C＝f_c(u)＝(C₁,C₂,…,C_P)                    （9）

其中，C_p为某运行工况隶属于第p个齿轮箱运行工况子空间的隶属度，C_p＝Member(u ∈O_p)。

上式中f_c(u)可以是k-means或Fuzzy c-means等聚类算法。

4、运行监控历史数据划分

通过信号分析与处理，生成了包含齿轮箱运行与监测数据时间序列、振动信号时域、频域特征值时间序列的原始运行监控历史数据集X。

X＝(x₁,x₂,…,x_N)                        （10）

其中，x为M维原始状态特征向量；N为时间序列样本个数。

利用工况辨识确定各时刻样本所处的运行工况子空间，进而按照所处子空间将N个样本划分到P个齿轮箱运行工况子空间，得到P个运行监控历史数据子集：

X＝{X⁽¹⁾,X⁽²⁾,…,X^(P)}                    （11）

各运行监控历史数据子集用于相应运行工况子空间健康评价模型的训练。

5、特征提取

对齿轮箱各部件运行监控历史数据子集X⁽¹⁾,X⁽²⁾,…,X^(P)分别进行基于流形学习的特征提取，生成齿轮箱各部件对应运行工况子空间的特征提取变换矩阵A（具体过程见15页）。状态特征提取的变换函数如下：

x_i→y_i＝A^Tx_i,A＝(a₀,a₁,…,a_L-1)            （12）

其中：

x_i为时刻t_i对应的M维原始状态特征值向量，即运行监控历史数据子集中的元素；

y_i为时刻t_i齿轮箱相应部件特征提取后状态特征向量；

A为变换矩阵；

a为变换矩阵的特征向量。

6、健康状态评价模型的建立

数据驱动的设备健康状态通用评价模型可表示如下：

(t_i,u_i,y_i)→(t_i,z_i)                        （13）

其中：

t_i为某一运行时刻；

u_i为时刻t_i运行工况特征向量；

z_i为t_i时刻设备的健康指数。

针对任一运行工况子空间O_p，利用相应运行与监控历史数据子集X^(p)进行健康状态评价模型的训练，得到对应工况的健康状态实时评价模型（模型参数为Θ^(p)），则齿轮箱部件的健康指数可按下式计算：

$z_i^{\left(p\right)}=h_{\mathrm{HA}}^{\left(p\right)}(y_i;{\mathrm{\Θ}}^{\left(p\right)})=\frac{\exp ({\mathrm{\β}}_0^{\left(p\right)}+{\mathrm{\Σ}}_{l=1}^L{\mathrm{\β}}_l^{\left(p\right)}\·y_{\mathrm{il}})}{1-\exp ({\mathrm{\β}}_0^{\left(p\right)}+{\mathrm{\Σ}}_{l=1}^L{\mathrm{\β}}_l^{\left(p\right)}\·y_{\mathrm{il}})}+\mathrm{\ϵ}---\left(14\right)$

其中：

为t_i时刻对应第p个运行工况子空间的齿轮箱部件的健康指数；

为第p个工况子空间对应的健康状态评估函数；

Θ^(p)为第p个工况子空间对应健康状态评价模型的L+1个模型参数，

${\mathrm{\Θ}}^{\left(p\right)}=({\mathrm{\β}}_0^{\left(p\right)},{\mathrm{\β}}_1^{\left(p\right)},...,{\mathrm{\β}}_L^{\left(p\right)})$

为健康状态评价模型的第一个模型参数；

为健康状态评价模型第L+1个模型参数；

y_il为t_i时刻第l个健康状态特征参数值；

ε为残差。

整个齿轮箱的健康状态由其相应的主要组成部件的健康状态决定，而各组成部件的健康状态可以通过运行工况辨识、振动信号分析、特征提取及健康状态评估确定。建立相应层次结构后可以实现从底层到顶层的健康状态逐级评价。

7、针对齿轮箱某一运行时刻t_i，通过健康状态实时评价模型对其运行工况数据、运行实时数据和状态监测数据进行信号处理和特征计算，得到该时刻运行工况向量和第j个部件状态特征向量(u_i,y_ij),y_ij为时刻t_i对应的第j个部件变换后状态特征向量。对其运行工况参数进行工况辨识，如果识别为某一已知工况，则按下式计算第j个部件的健康指数zij；

$z_{\mathrm{ij}}=\frac{{\mathrm{\Σ}}_{p=1}^P{C}_p\·h_{\mathrm{HA}}^{\left(p\right)}(y_{\mathrm{ij}};{\mathrm{\Θ}}^{\left(p\right)})}{{\mathrm{\Σ}}_{p=1}^P{C}_p}---\left(15\right)$

C_p＝Member(u_i∈O_p)                        （16）

如果识别为一新工况，则建立新运行工况子空间，训练相应的新健康状态评估模型，并保存。

获得各部件健康指数后，利用下面的变权综合公式，最终得到整个齿轮箱的健康指数：

$\mathrm{HI}=\frac{{\mathrm{\Σ}}_{j=1}^m{w}_j^{\left(0\right)}{z}_{\mathrm{ij}}^{\mathrm{\γ}}}{{\mathrm{\Σ}}_{k=1}^m{w}_k^{\left(0\right)}{z}_{\mathrm{ik}}^{\mathrm{\γ}-1}}---\left(17\right)$

其中：

HI为t_i时刻齿轮箱的健康指数；

为第j个部件健康状态评价时占的常权权重，j＝1,2,…m；

为t_i时刻第j个部件健康指数的γ次幂；

为第k个部件健康状态评价时占的常权权重，k＝1,2,…m；

为t_i时刻第k个部件健康指数的γ-1次幂；

γ为均衡系数，本发明取γ＝0.1

风电机组通常设置在风力强的偏远地区，当前通常采用计划维修与事后维修相结合的维护策略。但这种维护策略存在以下问题：（1）计划维修是在停机状态下进行的检测维修，不能反映齿轮箱运行时的状况；计划维修时间间隔太长，即便运行中出现问题也不能及时发现。（2）事后维修一般都比较突然，缺乏应有的准备工作，需要较长的维修时间和较大的维修费用。

通过对齿轮箱健康状态进行实时动态评价并根据评价结果开展健康状态衰退趋势分析，可实现齿轮箱故障的早期预报。根据分析结果相应地进行运行调整或维修安排，最终达到提高机组可用率，降低运行与维护费用的目的。

下面结合附图说明具体实施方式。

本发明采用目前风电机组常用的一级行星两级圆柱齿轮箱为研究对象，如图2所示。整个齿轮箱分为低速级、中速级和高速级。其中，202为环形内齿圈，204为行星齿轮（共三个），206为太阳齿轮；208为中速级齿轮，210为中速级小齿轮；212为高速级齿轮，214为高速级小齿轮。当然本发明同样适用于其它形式的传动结构（如两级行星一级斜齿等）。

风电机组齿轮箱健康状态动态监控总体流程如图1所示，主要由离线健康状态评价模型训练和在线健康状态动态评估两部分组成。

离线部分：对齿轮箱振动和其它监测历史数据进行信号处理，获得原始状态特征序列；对风机运行工况历史数据进行基于聚类分析的工况辨识，并根据辨识结果将原始状态特征序列进行分割；对原始状态特征进行基于流形学习的特征提取，并作为用于健康状态评价的状态特征；针对不同工况子空间，利用相应的状态特征序列训练健康状态评估模型，并保存于模型库。

在线部分：对实时采集的振动和其它监测数据进行信号/数据处理，生成原始特征，调用离线特征提取结果，在线计算健康状态特征；利用运行工况实时数据，进行工况辨识，确定当前工况所属工况子空间；根据所属子空间，调用模型库相应的健康状态评估模型，进行健康状态的在线评估。

最后根据当前健康状态和历史健康状态衰退趋势，给出运行与维护建议。

1、数据采集

齿轮箱振动测点布置方案如图2所示，对应位置及测量值描述列于表1。

表1齿轮箱振动测点位置及相应测量参数

序号	位置	测量值描述	序号	位置	测量值描述
						①	环形齿轮12点	垂直向加速度	⑤	中速轴电机侧	垂直、水平加速度
②	环形齿轮6点	垂直向加速度	⑥	高速轴电机侧	垂直、水平加速度
						③	行星齿轮支架	垂直向加速度	⑦	高速轴轴承（迎风侧）	垂直向加速度
④	低速轴电机侧	垂直、水平加速度	⑧	高速轴轴承（背风侧）	垂直向加速度

通过振动数据采集装置实现振动数据的采集，为齿轮箱的健康状态实时动态监控提供数据。

运行工况数据和运行监测数据（如风速、转速、功率、发电机扭矩、空气密度、轴承温度、润滑油温等）通过开发与风电机组SCADA系统的接口程序来取得；风机设计数据由制造厂设计部门提供。

2、信号处理及分析

利用上文提到的时、频域信号分析技术，分别比较齿轮箱主要部件（轴、齿轮、轴承）正常状态和不正常状态下各对应特征参数值，并进而初步确定用于齿轮箱各部分健康状态评价的特征参数，形成原始特征库。本例采用原始特征包括：原始振动时间序列的RMS，振动谱峭度特征均值，信号时域同步平均分析峰峰值，信号时域同步平均分析能量算子，轴承外圈、内圈、滚动体故障特征频率频谱特征，齿轮啮合频率（1X、2X、3X）频谱特征，包络谱轴承外圈、内圈、滚动体频率频谱特征，轴承温度，润滑油温。

3、工况辨识、特征提取及健康评价模型训练

工况辨识、特征提取及健康评价模型训练总体流程如图3所示。一方面对振动和运行监测历史数据进行信号/数据处理，生成原始特征序列；另一方面对运行工况历史数据（风速、空气密度、输出功率、发电机扭矩、轴转速）开展基于聚类分析的工况辨识，将风电机组运行工况空间划分为若干子工况空间；根据工况划分将振动特征和运行监测历史数据划分入对应工况子空间；对各工况子空间，进行特征提取，并计算出相应状态特征值序列并保存；最后利用各子空间状态特征值序列训练相应健康状态评价模型并存入模型库。

针对运行工况历史数据，利用k-means聚类算法进行工况辨识，公式如下：

$\underset{\mathrm{\Ω}}{\arg \min }\underset{i=1}{\overset{p}{\mathrm{\Σ}}}\underset{u_j\∈O_i}{\mathrm{\Σ}}{\left|\right|u_j-{\mathrm{\μ}}_i\left|\right|}^2---\left(18\right)$

其中：

μ_i为聚类中心；

Ω＝(O₁,O₂,…O_j,…O_P)为工况空间；

u_i为运行工况数据聚类样本,i＝1,2,…N。

对各部件原始特征参数，进行基于保局投影（LPP）的特征提取。与PCA提取最具代表性的特征不同，LPP提取最具有判别性的特征。通过最小化下面的目标函数，实现从高维输入数据X＝(x₁,x₂,…,x_N)到低维子空间Y＝(y₁,y₂,…,y_N)的转变。

$\underset{a}{\min }\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}{\left|\right|y_i-y_j\left|\right|}^{2}S(i,j)---\left(19\right)$

其中：

n为样本个数；

y_j为时刻t_j齿轮箱相应部件特征提取后状态特征向量，y_j＝A^Tx_j；

S(i,j)为成近邻的第i个样本和第j个样本之间的相似性程度，可以取用k近邻或近邻的高斯权或均匀权作为相似性度量。

经过简单的数学推导，有：

$\frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}{\left|\right|y_i-y_j\left|\right|}^{2}S(i,j)=a^T{\mathrm{XLX}}^{T}a---\left(20\right)$

其中：

X＝(x₁,x₂,…,x_N)为训练数据集；

L为拉普拉斯矩阵，L＝D-S，D是对角权矩阵，它的元素就是S的行（或列，因为S是对称矩阵）元素的数值之和，D_ii＝∑S_ji。

为去除上述最小化问题的一个缩放问题，并消除平移的任意性，可以加上下面的一个限制：

$\underset{i}{\mathrm{\Σ}}{D}_{\mathrm{ii}}{y}_i^2=1---\left(21\right)$

a^TXDX^Ta＝1                        （22）

最终的最小化问题转化为：

$\arg \underset{a^T{\mathrm{XDX}}^{T}a=1}{\min }{a}^T{\mathrm{XDX}}^{T}a---\left(23\right)$

也即广义特征值问题：

XLX^Ta＝λXDX^Ta                        （24）

假定a₀,a₁,…,a_l-1是上式的特征向量解，对应的特征值为λ₀＜λ₁＜…,λ_1-1，则最终得到的线性降维映射可以表示为：

x_i→y_i＝A^Tx_i                            （25）

其中，A＝(a₀,a₁,…,a_l-1)是n×l维的变换矩阵。

利用运行监控历史数据训练健康状态评价模型。用于训练的数据按下面的方法选取：对该齿轮箱（或使用条件相似的同型齿轮箱）一个运行周期（从正常投入运行到故障）内的运行监控历史数据进行划分；取其前5%和后5%运行时间对应的运行监控历史数据作为模型训练的备用数据；将这部分备用数据再按辨识出的工况子空间进行划分，并作为对应工况健康状态评价模型的训练数据；计算各工况训练数据的特征值，利用回归算法确定模型参数。

本例的健康状态评价模型采用有监督学习的Logistics回归模型，对应的健康指数可按下式计算：

$z_i^{\left(p\right)}=h_{\mathrm{HA}}^{\left(p\right)}(y_i;{\mathrm{\Θ}}^{\left(p\right)})=\frac{\exp ({\mathrm{\β}}_0^{\left(p\right)}+{\mathrm{\Σ}}_{l=1}^L{\mathrm{\β}}_l^{\left(p\right)}\·y_{\mathrm{il}})}{1-\exp ({\mathrm{\β}}_0^{\left(p\right)}+{\mathrm{\Σ}}_{l=1}^L{\mathrm{\β}}_l^{\left(p\right)}\·y_{\mathrm{il}})}+\mathrm{\ϵ}---\left(26\right)$

其中：

为t_i时刻对应第p个运行工况子空间的齿轮箱部件的健康指数；

为第p个工况子空间对应的健康状态评估函数；

Θ^(p)为第p个工况子空间对应健康状态评价模型的L+1个模型参数，

${\mathrm{\Θ}}^{\left(p\right)}=({\mathrm{\β}}_0^{\left(p\right)},{\mathrm{\β}}_1^{\left(p\right)},...,{\mathrm{\β}}_L^{\left(p\right)})$

为健康状态评价模型的第一个模型参数；

为健康状态评价模型第L+1个模型参数；

y_il为t_i时刻第l个健康状态特征参数值；

ε为残差。

第p个工况子空间的健康评价模型训练规则如下：

（1）选取齿轮箱相应部件早期健康运行时的样本数据集并将输出设定为1，即z_i＝1；

（2）选取齿轮箱相应部件寿命末期故障运行时的样本数据集并将输出设定为0，即z_i＝0；（3）齿轮箱部件寿命中期运行时的样本数据集

不作为模型训练数据。

本发明也可以采用神经网络模型或只需要健康数据进行模型训练的高斯混合模型（GMM）。

4、健康状态实时动态评估

齿轮箱健康状态实时评估流程如图4所示。

针对某一时刻运行的齿轮箱，对其运行和振动监测数据进行实时分析，计算对应状态特征值。

对其当前运行工况数据进行分析，辨识出当前的运行工况；如果该工况属于已有某一工况子空间，则调用相应的训练好的各部件状态评估模型评价当前健康状态；如果该工况为一新工况，则需要训练新的相应工况的健康状态评价模型，并保存入模型库。

在获得齿轮箱各部件（行星齿轮、低速齿轮轴、中速齿轮轴、高速齿轮轴）的健康指数后，按照图5建立的齿轮箱结构层次，利用式（17）获得整个齿轮箱的健康指数，为下一步的运行与维护决策提供依据。

健康状态评价模型需要动态更新，当验证偏差较大时，则需要进行模型修正或重新训练。

5、运行与维护建议

根据实时、动态评估出的齿轮箱（部件）健康状态和历史健康状态衰退趋势，进行综合分析，并给出运行与维修建议。

序号	健康状态指数	衰退趋势	运行与维修建议
				1	z≥0.75	平稳（渐变）	健康状态良好，可以长时间持续运行
2	z≥0.75	急剧（突变）	受到冲击或某部件损坏，应切换为低产能模式观察
				3	0.75＞z＞0.25	平稳（渐变）	健康状态进入劣化阶段，应加强监视
4	0.75＞z＞0.25	急剧（突变）	健康状态衰退加速，加强监视并提前准备检修
				5	z≤0.25	平稳（渐变）	健康状态严重劣化，应提前安排检修
6	z≤0.25	急剧（突变）	健康状态严重劣化且衰退加剧，应立即停机检修

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种风电机组齿轮箱健康状态实时动态监控方法，其特征是该方法包括以下步骤：

步骤1：采集齿轮箱振动信号和齿轮箱运行与监测数据；

步骤2：对齿轮箱振动信号进行分析，得到齿轮箱振动信号的时域特征、频域特征和包络信号的包络谱特征；

步骤3：建立齿轮箱运行工况空间，根据齿轮箱运行与监测数据将齿轮箱运行工况空间划分为设定个齿轮箱运行工况子空间；

步骤4：在步骤2和步骤3的基础上，将齿轮箱时域特征、频域特征、运行与监测数据划分为运行监控历史数据子集；

步骤5：对运行监控历史数据子集进行特征提取，生成齿轮箱各部件的健康状态特征库；

步骤6：根据齿轮箱各部件的健康状态特征库建立健康状态评价模型，通过运行监控历史数据子集对健康状态评价模型进行训练，得到各工况的健康状态实时评价模型，通过健康状态实时评价模型对实时的齿轮箱运行与监测数据进行评价，得到各部件的健康指数；

步骤7：将各部件的健康指数带入变权综合公式，得到齿轮箱的健康指数。

2.根据权利要求1所述的一种风电机组齿轮箱健康状态实时动态监控方法，其特征是所述齿轮振动信号时域特征为样本时间序列平均值、样本时间序列有效值、峭度指标、峰值指标、歪度指标和熵。

3.根据权利要求1所述的一种风电机组齿轮箱健康状态实时动态监控方法，其特征是所述齿轮振动信号频域特征为滚动轴承故障特征频率、齿轮啮合频率处的能量和包络谱各故障特征频率对应的能量。

4.根据权利要求1所述的一种风电机组齿轮箱健康状态实时动态监控方法，其特征是所述齿轮箱运行工况空间划分的方法是聚类分析方法。

5.根据权利要求1所述的一种风电机组齿轮箱健康状态实时动态监控方法，其特征是所述对运行监控历史数据子集进行特征提取的方法是流形学习法。

6.根据权利要求1所述的一种风电机组齿轮箱健康状态实时动态监控方法，其特征是所述健康状态评价模型为Logistics回归模型。

7.根据权利要求1所述的一种风电机组齿轮箱健康状态实时动态监控方法，其特征是所述部件的健康指数的计算公式为：

$z_i^{\left(p\right)}=h_{\mathrm{HA}}^{\left(p\right)}(y_i;{\mathrm{\Θ}}^{\left(p\right)})=\frac{\exp ({\mathrm{\β}}_0^{\left(p\right)}+{\mathrm{\Σ}}_{l=1}^L{\mathrm{\β}}_l^{\left(p\right)}\·y_{\mathrm{il}})}{1-\exp ({\mathrm{\β}}_0^{\left(p\right)}+{\mathrm{\Σ}}_{l=1}^L{\mathrm{\β}}_l^{\left(p\right)}\·y_{\mathrm{il}})}+\mathrm{\ϵ}$

其中：

为t_i时刻对应第p个运行工况子空间的齿轮箱部件的健康指数；

为第p个工况子空间对应的健康状态评估函数；

y_i为时刻t_i齿轮箱相应部件特征提取后状态特征向量；

Θ^(p)为第p个工况子空间对应健康状态评价模型的L+1个模型参数，

${\mathrm{\Θ}}^{\left(p\right)}=({\mathrm{\β}}_0^{\left(p\right)},{\mathrm{\β}}_1^{\left(p\right)},...,{\mathrm{\β}}_L^{\left(p\right)})$

为健康状态评价模型的第一个模型参数；

为健康状态评价模型第L+1个模型参数；

y_il为t_i时刻第l个健康状态特征参数值；

ε为残差。

8.根据权利要求1所述的一种风电机组齿轮箱健康状态实时动态监控方法，其特征是所述齿轮箱的健康指数为：

$\mathrm{HI}=\frac{{\mathrm{\Σ}}_{j=1}^m{w}_j^{\left(0\right)}{z}_{\mathrm{ij}}^{\mathrm{\γ}}}{{\mathrm{\Σ}}_{k=1}^m{w}_k^{\left(0\right)}{z}_{\mathrm{ik}}^{\mathrm{\γ}-1}}$

其中：

HI为t_i时刻齿轮箱的健康指数；

为第j个部件健康状态评价时占的常权权重，j＝1,2,…m；

为t_i时刻第j个部件健康指数的γ次幂；

为第k个部件健康状态评价时占的常权权重，k＝1,2,…m；

为t_i时刻第k个部件健康指数的γ-1次幂；

γ为均衡系数。

Images