CN105973596A - 一种基于lltsa和pnn的风机故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于LLTSA和PNN的风机故障诊断方法，该方法用于对风电场中的多个风力发电机组中的风机进行故障诊断，将径向传感器安装于风机中受监测部位的径向，以采集监测部位的径向振动数据，为后续建立故障诊断模型提供依据，同时也用于最终的故障诊断。其中，建立故障诊断模型时，需要对LLTSA算法中的目标维数d及参数领域点数e进行遍历寻优，以筛选出准确率最高的故障诊断模型。本发明提供的基于LLTSA和PNN的风机故障诊断方法能够有效诊断分析风机中主要部件的振动故障，提取出风机组振动信号中的早期微弱的突变故障信息并对其进行诊断，从而为风电机组故障诊断人员提供有力的科学依据，提高风机故障诊断的效率和准确率。

Description

一种基于LLTSA和PNN的风机故障诊断方法

技术领域

本发明属于风力发电领域，具体而言，涉及一种基于LLTSA和PNN的风机故障诊断方法。

背景技术

风电机组状态监测时容易受到噪声干扰，且噪声具有非线性非平稳的特点，同时敏感特征难以捕捉，数据量较大，在线快速提取有效敏感特征并辨识故障状态非常困难。

传统的风机故障诊断技术一般包括时域分析、频域分析、幅值域分析、倒谱分析和包络分析等，这些方法各有优劣，在振动波形分析中有着重要的作用，但无法通过建立诊断模型的方式诊断出故障类别，因此对风机故障的诊断不够精准。

发明内容

本发明提供一种基于LLTSA和PNN的风机故障诊断方法，用以对风电场中的多个风力发电机组中的风机进行故障诊断，。

为了达到上述目的，本发明提供了一种基于LLTSA和PNN的风机故障诊断方法，其包括以下步骤：

S1：将一径向传感器安装于风机中的主轴承的径向，于风机中的主轴承正常、主轴承中的内圈发生故障、主轴承中的滚动体发生故障以及主轴承中的外圈发生故障四种情况下每一种情况发生时，均多次进行以下步骤S2～S11；

S2：采集径向传感器的振动信号y(t)，并将振动信号y(t)复制N份并分别加入一个白噪声信号n_i(t)，得到N个包含白噪声的信号y_i(t)，其中，

y_i(t)＝y(t)+n_i(t)，

1≤i≤N，且i为整数，N个白噪声信号n_i(t)符合正态分布；

S3：对y_i(t)分别进行分解，得到IMF分量c_ij(t)和余项r_i(t)，其中c_ij(t)表示对y_i(t)进行分解得到的第j个IMF分量，其中，1≤j≤N；

S4：依据不相关的随机序列统计均值为零的原理，将各IMF分量c_ij(t)进行整体平均，得到平均后的IMF分量c_j(t)，其中，

S5：对c_j(t)分别作快速傅立叶变换FFT，得到S_j(f)；

S6：设置一分析频率下限f₁和分析频率上限f₂，分别计算c_j(t)在下限频率f₁和上限频率f₂之间的能量百分比η_j：

${\mathrm{\η}}_j=100*{\∫}_{f_1}^{f_2}{S}_j\left(f\right)df/{\∫}_0^{f_s}{S}_j\left(f\right)df,$

其中，f_s为快速傅立叶变换FFT后，S_j(f)的分析频率最大值；

S7：设置一阈值E，将能量百分比大于阈值E的c_j(t)筛选出来并将其合并得到c(t)；

S8：将c(t)分段，每段长度为M，且M＝2^m，其中m为大于等于6的整数，分段后的数据以x_k表示，其中，1≤k≤M；

S9：选取以下时域指标：绝对均值有效值x_rms、最大峰值x_p、方差D_x、峰峰值x_p-p、峰值指标c_f、波形指标S_f、脉冲指标I_f、裕度指标CL_f、峭度指标K_v和重复性描述因子R_f，其中：

$\left|\stackrel{\‾}{x}\right|=\frac{1}{M}\underset{k=1}{\overset{M}{\Σ}}\left|x_k\right|,$

$x_{rms}=\sqrt{\frac{1}{M}\underset{k=1}{\overset{M}{\Σ}}{x}_k^2},$

x_p＝max|x_k|，

其中为分段后的一段数据中x₁～x_M的平均值，

x_P-P＝max(x_k)-min(x_k)，

$C_f=\frac{x_p}{x_{rms}},$

$S_f=\frac{x_{rms}}{\left|\stackrel{\‾}{x}\right|},$

其中x_max为x₁～x_M中的最大值，

其中，x_r为方根幅值，

其中β为峭度，

重复性描述因子R_f的计算方法如下：

将一段数据平均截取为a段，每段包含的周期数为整数，每段包含b个数据，其中，x_ab表示截取后的第a段数据中的第b个数据，

计算a段数据的差分：{Δx₁₁，Δx₁₂，…，Δx_1b-1；…；Δx_a1，Δx_a2，…，Δx_ab-1}，，其中，Δx₁₁＝x₁₂-x₁₁，Δx₁₂＝x₁₃-x₁₂，Δx_1b-1＝x_1b-x_1b-1，Δx_a1＝x_a2-x_a1，Δx_a2＝X_a3-x_a2，Δx_ab-1＝x_ab-x_ab-1，

计算a段数据的平均重复波形其中，

计算a段数据的平均重复波形的平均差分

以为标准，分别计算其与a段数据的差分{Δx₁₁，Δx₁₂，…，Δx_1b-1；...；Δx_a1，Δx_a2，…，Δx_ab-1}以及a段数据的平均重复波形之间的差分值，若某点处差分值为负，则定义该点处的差分量为0，若某点处的差分值为零，则定义该点处的差分量为1，若差分值为正，则定义该点处的差分量为2，

统计a段数据的差分{Δx₁₁，Δx₁₂，…，Δx_1b-1；...；Δx_a1，Δx_a2，…，Δx_ab-1}，的差分量与a段数据的平均重复波形的差分量不同的点数c，

计算重复性描述因子R_f：

$R_f=\frac{c}{b},$

S10：选取以下频域指标：平均频率f_avg、谱峰稳定指数S、第一频带相对能量E_r1、第二频带相对能量E_r2、第三频带相对能量E_r3、第四频带相对能量E_r4和第五频带相对能量E_r5，其中：

其中，f_k为快速傅立叶变换FFT的频率值，

$S=\sqrt{\frac{\underset{i=1}{\overset{m/2}{\Σ}}\left\{f_k^{2}P\left(f_k\right)\right\}}{\underset{k=1}{\overset{m/2}{\Σ}}P\left(f_k\right)}}/\sqrt{\frac{\underset{i=1}{\overset{m/2}{\Σ}}\left\{f_k^{4}P\left(f_k\right)\right\}}{\underset{k=1}{\overset{m/2}{\Σ}}\left\{f_k^{2}P\left(f_k\right)\right\}}},$

其中，B_f为快速傅立叶变换FFT后，S(f)为分析频率最大值的五分之一，F_s为快速傅立叶变换FFT后，S(f)的分析频率最大值，

$E_{r2}={\∫}_{B_f}^{2B_f}S\left(f\right)df/{\∫}_0^{F_s}S\left(f\right)df,$

$E_{r3}={\∫}_{2B_f}^{3B_f}S\left(f\right)df/{\∫}_0^{F_s}S\left(f\right)df,$

$E_{r4}={\∫}_{3B_f}^{4B_f}S\left(f\right)df/{\∫}_0^{F_s}S\left(f\right)df,$

$E_{r5}={\∫}_{4B_f}^{5B_f}S\left(f\right)df/{\∫}_0^{F_s}S\left(f\right)df,$

S11：分别计算S8步骤中得到的M段数据的上述时域指标和频域指标，M段数据的上述时域指标和频域指标构成一个M×18的高维流形，并对M×18的高维流形分别进行各维度的归一化；

S12：分别统计于风机中的主轴承正常、主轴承中的内圈发生故障、主轴承中的滚动体发生故障以及主轴承中的外圈发生故障四种情况时对M×18的高维流形分别进行各维度的归一化的结果，得到分别对应主轴承正常、主轴承中的内圈发生故障、主轴承中的滚动体发生故障以及主轴承中的外圈发生故障时的样本集A、样本集B、样本集C和样本集D；

S13：分别提取样本集A、样本集B、样本集C和样本集D中70％的高维数据组成训练集，其余30％的高维数据组成测试集，对于样本A、样本集B、样本集C和样本集D中的训练集和测试集，分别进行如下步骤S14～S20中的处理，得到主轴承正常时的PNN神经网络模型P1、主轴承中的内圈发生故障时的PNN神经网络模型P2、主轴承中的滚动体发生故障时的PNN神经网络模型P3以及主轴承中的外圈发生故障时的PNN神经网络模型P4；

S14：对LLTSA算法中目标维数d及参数领域点数e进行遍历寻优，其中，d的初始值为1，e的初始值为20；

S15：采用LLTSA算法提取训练集中的低维敏感流形；

S16：设置径向基函数的扩展系数SPREAD为1.5，根据提取出的训练集中的低维敏感流形构建PNN神经网络模型；

S17：使用测试集测试PNN神经网络模型的准确率；

S18：判断参数领域点数k的值是否小于30，若为是，则令e的值加1，否则进一步判断目标维数d的值是否小于18；

S19：若d的值小于18，则令d的值加1，否则结束遍历寻优过程；

S20：筛选出遍历寻优过程中准确率最高的PNN神经网络模型并确定LLTSA算法中参数d和e的最优值d_s和e_s；

S21：对一风机中的径向传感器执行步骤S2～S11，得到该风机的归一化后的M×18的高维流形；

S22：将LLTSA算法中的目标维数d及参数领域点数e分别设置为上述d_s和e_s，并采用LLTSA算法从S21中得到的M×18的高维流形中提取低维流形，以及将提取出的低维流形分别输入至P1、P2、P3和P4中；

S23：判断P1、P2、P3和P4的输出概率，其中，输出概率最大的神经网络模型对应的情况即为风机中的径向传感器的工作情况。

在本发明的一实施例中，白噪声信号n_i(t)满足或lne+0.5alnN＝0，其中e为标准离差即y_i(t)与c_j(t)之间的偏离量，a为白噪声的幅值。

在本发明的一实施例中，步骤S8中，m的值为10。

本发明提供的基于LLTSA和PNN的风机故障诊断方法能够有效诊断分析风机中主要部件的振动故障，提取出风机组振动信号中的早期微弱的突变故障信息并对其进行诊断，从而为风电机组故障诊断人员提供有力的科学依据，提高风机故障诊断的效率和准确率。

具体实施方式

下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供了一种基于LLTSA和PNN的风机故障诊断方法，其包括以下步骤：

S1：将一径向传感器安装于风机中的主轴承的径向，于风机中的主轴承正常、主轴承中的内圈发生故障、主轴承中的滚动体发生故障以及主轴承中的外圈发生故障四种情况下每一种情况发生时，均多次进行以下步骤S2～S11；

以上几种故障仅举例，实际上，风机中的多个部位均可能发生故障，例如齿轮箱中的一级行星齿轮、齿轮箱中的二级行星齿轮、齿轮箱中的高速轴、发电机驱动端和发电机非驱动端，当对上述部位进行故障监测时，径向传感器需设置于监测部位的径向，以采集受监测部位的径向振动数据，为后续建立故障诊断模型提供依据，同时也用于最终的故障诊断。

S2：采集径向传感器的振动信号y(t)，并将振动信号y(t)复制N份并分别加入一个白噪声信号n_i(t)，得到N个包含白噪声的信号y_i(t)，其中，

y_i(t)＝y(t)+n_i(t)，

1≤i≤N，且i为整数，N个白噪声信号n_i(t)符合正态分布；

S3：对y_i(t)分别进行分解，得到IMF分量c_ij(t)和余项r_i(t)，其中c_ij(t)表示对y_i(t)进行分解得到的第j个IMF分量，其中，1≤j≤N；

S4：依据不相关的随机序列统计均值为零的原理，将各IMF分量c_ij(t)进行整体平均，得到平均后的IMF分量c_j(t)，其中，

具体实施时，白噪声信号ni(t)较佳满足或lne+0.5alnN＝0，其中e为标准离差即y_i(t)与c_j(t)之间的偏离量，a为白噪声的幅值。

S5：对c_j(t)分别作快速傅立叶变换FFT，得到S_j(f)；

S6：设置一分析频率下限f₁和分析频率上限f₂，分别计算c_j(t)在下限频率f₁和上限频率f₂之间的能量百分比η_j：

${\mathrm{\η}}_j=100*{\∫}_{f_1}^{f_2}{S}_j\left(f\right)df/{\∫}_0^{f_s}{S}_j\left(f\right)df,$

其中，f_s为快速傅立叶变换FFT后，S_j(f)的分析频率最大值；

S7：设置一阈值E，将能量百分比大于阈值E的c_j(t)筛选出来并将其合并得到c(t)；

S8：将c(t)分段，每段长度为M，且M＝2^m，其中m为大于等于6的整数，分段后的数据以x_k表示，其中，1≤k≤M；

具体实施时，步骤S8中m的值较佳为10。

S9：选取以下时域指标：绝对均值有效值x_rms、最大峰值x_p、方差D_x、峰峰值x_p-p、峰值指标c_f、波形指标S_f、脉冲指标I_f、裕度指标CL_f、峭度指标K_v和重复性描述因子R_f，其中：

$\left|\stackrel{\‾}{x}\right|=\frac{1}{M}\underset{k=1}{\overset{M}{\Σ}}\left|x_k\right|,$

$x_{rms}=\sqrt{\frac{1}{M}\underset{k=1}{\overset{M}{\Σ}}{x}_k^2},$

x_p＝max|x_k|，

其中为分段后的一段数据中x₁～x_M的平均值，

x_P-P＝max(x_k)-min(x_k)，

$C_f=\frac{x_p}{x_{rms}},$

$S_f=\frac{x_{rms}}{\left|\stackrel{\‾}{x}\right|},$

其中x_max为x₁～x_M中的最大值，

其中，x_r为方根幅值，

其中β为峭度，

重复性描述因子R_f的计算方法如下：

将一段数据平均截取为a段，每段包含的周期数为整数，每段包含b个数据，其中，x_ab表示截取后的第a段数据中的第b个数据，

计算a段数据的差分：{Δx₁₁，Δx₁₂，…，Δx_1b-1；...；Δx_a1，Δx_a2，…，Δx_ab-1}，，其中，Δx₁₁＝x₁₂-x₁₁，Δx₁₂＝x₁₃-x₁₂，Δx_1b-1＝x_1b-x_1b-1，Δx_a1＝x_a2-x_a1，Δx_a2＝X_a3-x_a2Δx_ab-1＝x_ab-x_ab-1，

计算a段数据的平均重复波形其中，

计算a段数据的平均重复波形的平均差分

以为标准，分别计算其与a段数据的差分{Δx₁₁，Δx₁₂，…，Δx_1b-1；...；Δx_a1，Δx_a2，…，Δx_ab-1}，以及a段数据的平均重复波形之间的差分值，若某点处差分值为负，则定义该点处的差分量为0，若某点处的差分值为零，则定义该点处的差分量为1，若差分值为正，则定义该点处的差分量为2，

统计a段数据的差分{Δx₁₁，Δx₁₂，…，Δx_1b-1；…；Δx_a1，Δx_a2，…，Δx_ab-1}，的差分量与a段数据的平均重复波形的差分量不同的点数c，

计算重复性描述因子R_f：

$R_f=\frac{c}{b},$

S10：选取以下频域指标：平均频率f_avg、谱峰稳定指数S、第一频带相对能量E_r1、第二频带相对能量E_r2、第三频带相对能量E_r3、第四频带相对能量E_r4和第五频带相对能量E_r5，其中：

其中，f_k为快速傅立叶变换FFT的频率值，

$S=\sqrt{\frac{\underset{i=1}{\overset{m/2}{\Σ}}\left\{f_k^{2}P\left(f_k\right)\right\}}{\underset{k=1}{\overset{m/2}{\Σ}}P\left(f_k\right)}}/\sqrt{\frac{\underset{i=1}{\overset{m/2}{\Σ}}\left\{f_k^{4}P\left(f_k\right)\right\}}{\underset{k=1}{\overset{m/2}{\Σ}}\left\{f_k^{2}P\left(f_k\right)\right\}}},$

其中，B_f为快速傅立叶变换FFT后，S(f)为分析频率最大值的五分之一，F^s为快速傅立叶变换FFT后，S(f)的分析频率最大值，

$E_{r2}={\∫}_{B_f}^{2B_f}S\left(f\right)df/{\∫}_0^{F_s}S\left(f\right)df,$

$E_{r3}={\∫}_{2B_f}^{3B_f}S\left(f\right)df/{\∫}_0^{F_s}S\left(f\right)df,$

$E_{r4}={\∫}_{3B_f}^{4B_f}S\left(f\right)df/{\∫}_0^{F_s}S\left(f\right)df,$

$E_{r5}={\∫}_{4B_f}^{5B_f}S\left(f\right)df/{\∫}_0^{F_s}S\left(f\right)df,$

S11：分别计算S8步骤中得到的M段数据的上述时域指标和频域指标，M段数据的上述时域指标和频域指标构成一个M×18的高维流形，并对M×18的高维流形分别进行各维度的归一化；

S12：分别统计于风机中的主轴承正常、主轴承中的内圈发生故障、主轴承中的滚动体发生故障以及主轴承中的外圈发生故障四种情况时对M×18的高维流形分别进行各维度的归一化的结果，得到分别对应主轴承正常、主轴承中的内圈发生故障、主轴承中的滚动体发生故障以及主轴承中的外圈发生故障时的样本集A、样本集B、样本集C和样本集D；

S13：分别提取样本集A、样本集B、样本集C和样本集D中70％的高维数据组成训练集，其余30％的高维数据组成测试集，对于样本A、样本集B、样本集C和样本集D中的训练集和测试集，分别进行如下步骤S14～S20中的处理，得到主轴承正常时的PNN神经网络模型P1、主轴承中的内圈发生故障时的PNN神经网络模型P2、主轴承中的滚动体发生故障时的PNN神经网络模型P3以及主轴承中的外圈发生故障时的PNN神经网络模型P4；

S14：对LLTSA算法中的目标维数d及参数领域点数e进行遍历寻优，其中，d的初始值为1，e的初始值为20；

S15：采用LLTSA算法提取训练集中的低维敏感流形；

S16：设置径向基函数的扩展系数SPREAD为1.5，根据提取出的训练集中的低维敏感流形构建PNN神经网络模型；

S17：使用测试集测试PNN神经网络模型的准确率；

S18：判断参数领域点数k的值是否小于30，若为是，则令e的值加1，否则进一步判断目标维数d的值是否小于18；

S19：若d的值小于18，则令d的值加1，否则结束遍历寻优过程；

S20：筛选出遍历寻优过程中准确率最高的PNN神经网络模型并确定LLTSA算法中参数d和e的最优值d_s和e_s；

S21：对一风机中的径向传感器执行步骤S2～S11，得到该风机的归一化后的M×18的高维流形；

S22：将LLTSA算法中的目标维数d及参数领域点数e分别设置为上述d_s和e_s，并采用LLTSA算法从S21中得到的M×18的高维流形中提取低维流形，以及将提取出的低维流形分别输入至P1、P2、P3和P4中；

S23：判断P1、P2、P3和P4的输出概率，其中，输出概率最大的神经网络模型对应的情况即为风机中的径向传感器的工作情况。

本发明提供的基于LLTSA和PNN的风机故障诊断方法能够有效诊断分析风机中主要部件的振动故障，提取出风机组振动信号中的早期微弱的突变故障信息并对其进行诊断，从而为风电机组故障诊断人员提供有力的科学依据，提高风机故障诊断的效率和准确率。

本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (3)

1.一种基于LLTSA和PNN的风机故障诊断方法，该方法用于对风电场中的多个风力发电机组中的风机进行故障诊断，其特征在于，包括以下步骤：

S1：将一径向传感器安装于风机中的主轴承的径向，于风机中的主轴承正常、主轴承中的内圈发生故障、主轴承中的滚动体发生故障以及主轴承中的外圈发生故障四种情况下每一种情况发生时，均多次进行以下步骤S2～S11；

S2：采集径向传感器的振动信号y(t)，并将振动信号y(t)复制N份并分别加入一个白噪声信号n_i(t)，得到N个包含白噪声的信号y_i(t)，其中，

y_i(t)＝y(t)+n_i(t)，

1≤i≤N，且i为整数，N个白噪声信号n_i(t)符合正态分布；

S3：对y_i(t)分别进行分解，得到IMF分量c_ij(t)和余项r_i(t)，其中c_ij(t)表示对y_i(t)进行分解得到的第j个IMF分量，其中，1≤j≤N；

S4：依据不相关的随机序列统计均值为零的原理，将各IMF分量c_ij(t)进行整体平均，得到平均后的IMF分量c_j(t)，其中，

S5：对c_j(t)分别作快速傅立叶变换FFT，得到S_j(f)；

S6：设置一分析频率下限f₁和分析频率上限f₂，分别计算c_j(t)在下限频率f₁和上限频率f₂之间的能量百分比η_j：

${\mathrm{\η}}_j=100*{\∫}_{f_1}^{f_2}{S}_j\left(f\right)df/{\∫}_0^{f_s}{S}_j\left(f\right)df,$

其中，f_s为快速傅立叶变换FFT后，S_j(f)的分析频率最大值；

S7：设置一阈值E，将能量百分比大于阈值E的c_j(t)筛选出来并将其合并得到c(t)；

S8：将c(t)分段，每段长度为M，且M＝2^m，其中m为大于等于6的整数，分段后的数据以x_k表示，其中，1≤k≤M；

S9：选取以下时域指标：绝对均值有效值x_rms、最大峰值x_p、方差D_x、峰峰值x_p-p、峰值指标c_f、波形指标S_f、脉冲指标I_f、裕度指标CL_f、峭度指标K_v和重复性描述因子R_f，其中：

$\left|\stackrel{\‾}{x}\right|=\frac{1}{M}\underset{k=1}{\overset{M}{\Σ}}\left|x_k\right|,$

$x_{rms}=\sqrt{\frac{1}{M}\underset{k=1}{\overset{M}{\Σ}}{x}_k^2},$

x_p＝max|x_k|，

其中为分段后的一段数据中x₁～x_M的平均值，

x_P-P＝max(x_k)-min(x_k)，

$C_f=\frac{x_p}{x_{rms}},$

$S_f=\frac{x_{rms}}{\left|\stackrel{\‾}{x}\right|},$

其中x_max为x₁～x_M中的最大值，

其中，x_r为方根幅值，

其中β为峭度，

重复性描述因子R_f的计算方法如下：

将一段数据平均截取为a段，每段包含的周期数为整数，每段包含b个数据，其中，x_ab表示截取后的第a段数据中的第b个数据，

计算a段数据的差分：{Δx₁₁，Δx₁₂，...，Δx_1b-1；...；Δx_a1，Δx_a2，...，Δx_ab-1}，，其中，Δx₁₁＝x₁₂-x₁₁，Δx₁₂＝x₁₃-x₁₂，Δx_1b-1＝x_1b-x_1b-1Δx_a1＝x_a2-x_a1Δx_a2＝x_a3-x_a2，Δx_ab-1＝x_扎-x_ab-1，

计算a段数据的平均重复波形其中，

计算a段数据的平均重复波形的平均差分

以为标准，分别计算其与a段数据的差分{Δx₁₁，Δx₁₂，...，Δx_1b-1；...；Δx_a1，Δx_a2，…，Δx_ab-1}以及a段数据的平均重复波形之间的差分值，若某点处差分值为负，则定义该点处的差分量为0，若某点处的差分值为零，则定义该点处的差分量为1，若差分值为正，则定义该点处的差分量为2，

统计a段数据的差分{Δx₁₁，Δx₁₂，…，Δx_1b-1；...；Δx_a1，Δx_a2，…，Δx_ab-1}的差分量与a段数据的平均重复波形的差分量不同的点数c，

计算重复性描述因子R_f：

$R_f=\frac{c}{b},$

S10：选取以下频域指标：平均频率f_avg、谱峰稳定指数S、第一频带相对能量E_r1、第二频带相对能量E_r2、第三频带相对能量E_r3、第四频带相对能量E_r4和第五频带相对能量E_r5，其中：

其中，f_k为快速傅立叶变换FFT的频率值，

$S=\sqrt{\frac{\underset{i=1}{\overset{m/2}{\Σ}}\left\{f_k^{2}P\left(f_k\right)\right\}}{\underset{k=1}{\overset{m/2}{\Σ}}P\left(f_k\right)}}/\sqrt{\frac{\underset{i=1}{\overset{m/2}{\Σ}}\left\{f_k^{4}P\left(f_k\right)\right\}}{\underset{k=1}{\overset{m/2}{\Σ}}\left\{f_k^{2}P\left(f_k\right)\right\}}},$

其中，B_f为快速傅立叶变换FFT后，S(f)为分析频率最大值的五分之一，F_s为快速傅立叶变换FFT后，S(f)的分析频率最大值，

$E_{r2}={\∫}_{B_f}^{2B_f}S\left(f\right)df/{\∫}_0^{F_s}S\left(f\right)df,$

$E_{r3}={\∫}_{2B_f}^{3B_f}S\left(f\right)df/{\∫}_0^{F_s}S\left(f\right)df,$

$E_{r4}={\∫}_{3B_f}^{4B_f}S\left(f\right)df/{\∫}_0^{F_s}S\left(f\right)df,$

$E_{r5}={\∫}_{4B_f}^{5B_f}S\left(f\right)df/{\∫}_0^{F_s}S\left(f\right)df,$

S11：分别计算S8步骤中得到的M段数据的上述时域指标和频域指标，M段数据的上述时域指标和频域指标构成一个M×18的高维流形，并对M×18的高维流形分别进行各维度的归一化；

S12：分别统计于风机中的主轴承正常、主轴承中的内圈发生故障、主轴承中的滚动体发生故障以及主轴承中的外圈发生故障四种情况时对M×18的高维流形分别进行各维度的归一化的结果，得到分别对应主轴承正常、主轴承中的内圈发生故障、主轴承中的滚动体发生故障以及主轴承中的外圈发生故障时的样本集A、样本集B、样本集C和样本集D；

S13：分别提取样本集A、样本集B、样本集C和样本集D中70％的高维数据组成训练集，其余30％的高维数据组成测试集，对于样本A、样本集B、样本集C和样本集D中的训练集和测试集，分别进行如下步骤S14～S20中的处理，得到主轴承正常时的PNN神经网络模型P1、主轴承中的内圈发生故障时的PNN神经网络模型P2、主轴承中的滚动体发生故障时的PNN神经网络模型P3以及主轴承中的外圈发生故障时的PNN神经网络模型P4；

S14：对LLTSA算法中目标维数d及参数领域点数e进行遍历寻优，其中，d的初始值为1，e的初始值为20；

S15：采用LLTSA算法提取训练集中的低维敏感流形；

S16：设置径向基函数的扩展系数SPREAD为1.5，根据提取出的训练集中的低维敏感流形构建PNN神经网络模型；

S17：使用测试集测试PNN神经网络模型的准确率；

S18：判断参数领域点数k的值是否小于30，若为是，则令e的值加1，否则进一步判断目标维数d的值是否小于18；

S19：若d的值小于18，则令d的值加1，否则结束遍历寻优过程；

S20：筛选出遍历寻优过程中准确率最高的PNN神经网络模型并确定LLTSA算法中参数d和e的最优值d_s和e_s；

S21：对一风机中的径向传感器执行步骤S2～S11，得到该风机的归一化后的M×18的高维流形；

S22：将LLTSA算法中的目标维数d及参数领域点数e分别设置为上述d_s和e_s，并采用LLTSA算法从S21中得到的M×18的高维流形中提取低维流形，以及将提取出的低维流形分别输入至P1、P2、P3和P4中；

S23：判断P1、P2、P3和P4的输出概率，其中，输出概率最大的神经网络模型对应的情况即为风机中的径向传感器的工作情况。

2.根据权利要求1所述的基于LLTSA和PNN的风机故障诊断方法，其特征在于，白噪声信号n_i(t)满足或lne+0.5alnN＝0，其中e为标准离差即y_i(t)与c_j(t)之间的偏离量，a为白噪声的幅值。

3.根据权利要求1所述的基于LLTSA和PNN的风机故障诊断方法，其特征在于，步骤S8中，m的值为10。