CN107560844A - 一种风电机组齿轮箱的故障诊断方法及系统 - Google Patents
一种风电机组齿轮箱的故障诊断方法及系统 Download PDFInfo
- Publication number
- CN107560844A CN107560844A CN201710768239.7A CN201710768239A CN107560844A CN 107560844 A CN107560844 A CN 107560844A CN 201710768239 A CN201710768239 A CN 201710768239A CN 107560844 A CN107560844 A CN 107560844A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- svms
- gear
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及风电机组齿轮箱的故障监测技术领域，具体公开了一种风电机组齿轮箱的故障诊断方法及系统，所述方法包括以下步骤：采集所述齿轮箱的振动信号；先后对所述振动信号进行小波包分解与小波包重构，得到不同频率下的重构信号；对所述重构信号构建能量特征向量；构建支持向量机，并对所述支持向量机用遗传算法进行参数寻优；将所述能量特征向量输入优化后的所述支持向量机中进行故障诊断，检测出所述齿轮箱的工况状态并生成对应的提示信息和处理策略。其有益效果为：利用小波包分解和能量特征分析风电机组的齿轮箱故障，利用支持向量机对齿轮箱故障进行识别，识别准确率高达98.96％，实现了风机齿轮箱故障的准确判别。
Description
技术领域
本发明涉及风电机组齿轮箱的故障监测技术领域，尤其涉及一种风电机组齿轮箱的故障诊断方法及系统。
背景技术
大型风电机组或风力发电机组，包括风轮、发电机，应用于宽阔边远地域，受恶劣的自然环境以及复杂的发电机组和电力电子装置等因素的影响，风电机组极易发生故障。齿轮箱是风电机组中的一个重要机械部件，其主要功用是将风轮在风力作用下所产生的动力传递给发电机并使其得到相应的转速。据统计，齿轮箱发生故障导致停机的时间占到了68.7％。齿轮箱的运行状态直接影响到整台机器的性能，因此，需要对齿轮箱中的齿轮和轴承等进行故障诊断。
对齿轮箱的故障诊断，目前普遍采用的是通过提取齿轮箱轴承座或齿轮箱壳体中上部的振动信号，运用传统的时域、频域分析方法，分析可能出现的故障特征信息，以判断故障的性质及部位。
由于齿轮箱振动信号信噪比低，特别是在故障发生的早期，故障信号能量小，它所引起的变化会淹没在常规振动与噪声之中，齿轮故障的诊断比较困难。因此，采用有效的信号处理方法，去除噪声干扰，提取故障特征信号是齿轮箱故障诊断的关键问题。由于小波包(或小波包分解)分析具有多分辨率分析的特点，在时域和频域都有表征信号局部信息的能力，为齿轮箱的振动信号特征提取提供了有效的途径。在齿轮箱的故障诊断中，由于现场工作条件的限制，很难测取足够的数据样本，尤其是故障状态样本。而支持向量机是在统计学习理论基础上发展起来的一种新型机器学习方法，它具有完备的理论基础，直观的几何解释和良好的推广能力，在解决小样本、非线性及高维模式识别问题中表现了许多特有的优势，这对故障诊断具有重大意义。
发明内容
本发明提供一种风电机组齿轮箱的故障诊断方法及方法，解决的技术问题是，针对早期的、信号能量小的故障，传统的故障诊断采用的时域、频域分析方法对齿轮故障难以诊断。
为解决以上技术问题，本发明提供一种风电机组齿轮箱的故障诊断方法，包括以下步骤：
S1.采集所述齿轮箱的振动信号；
S2.先后对所述振动信号进行小波包分解与小波包重构，得到不同频率下的重构信号；
S3.对所述重构信号构建能量特征向量；
S4.构建支持向量机，并对所述支持向量机用遗传算法进行参数寻优；
S5.将所述能量特征向量输入优化后的所述支持向量机中进行故障诊断，检测出所述齿轮箱的工况状态并生成对应的提示信息和处理策略。
进一步地，在所述步骤S2中，对所述振动信号进行所述小波包分解的过程为：先将所述步骤S1中的振动信号进行第一次分解，得到一对低频信号和高频信号，然后分别对所述低频信号和高频信号进行第二次分解、……、第n次分解后得到n+1层的子频带树，每次分解后得到双倍小波包分解次数的不同的子频带，最后一层所述子频带树有2(n+1)个子频带；
对所述振动信号进行所述小波包分解与小波包重构的公式分别为：
与:
其中，ak-2l和bk-2l均为小波分解共轭滤波器系数，hl-2k和gl-2k均为小波重构共轭滤波器系数。
更进一步地，在所述步骤S3中，若将所述子频带树的每个子频带设作一个节点，对所述重构信号构建能量特征向量的实现过程为：
将所述子频带树的每个子频带转换成对应的频带能量：
其中xi,j(k)表示第i层、第j个节点的子频带的能量，N表示所述子频带树的子频带数；
对所述每个子频带的频带能量求和，得到所述振动信号的总能量：
根据所述每个子频带的频带能量构建能量特征向量：
根据所述每个子频带的能量特征向量与振动信号的总能量的能量占比T/E，得到归一化的能量特征向量：
进一步地，在所述步骤S4中，对所述支持向量机用遗传算法进行参数寻优的实现过程为：用遗传算法对支持向量机的核函数参数以及惩罚因子进行寻优，得到最佳参数组合，其中，所述核函数参数为影响样本数据在高维特征空间中分布的复杂程度量化值，所述惩罚因子为在确定的特征空间中，调节所述支持向量机的置信范围和经验风险的比例。
更进一步地，在所述步骤S4、S5中，所述工况状态为齿轮箱正常工作、输入轴弯曲故障或齿轮断齿故障；
所述支持向量机为，将输入的齿轮箱正常工作、输入轴弯曲故障和齿轮断齿故障下的已知数据值，对应地分成正常数据集、输入轴弯曲故障数据集和齿轮断齿故障数据集，再形成固定运算定式的参考模型；
所述固定运算定式为，当实时的未知运行数据，进入所述支持向量机，在所述正常数据集、输入轴弯曲故障数据集或齿轮断齿故障数据集中找到与所述未知运行数据差值最小的数据元素，并将所述未知运行数据归为所述数据元素所属于的正常数据集、输入轴弯曲故障数据集或齿轮断齿故障数据集。
本发明还提供一种风电机组齿轮箱的故障诊断系统，设有下位机单元，所述下位机单元设有相互连接的信号采集器和信号处理器；还设有连接所述信号处理器的上位机单元；
所述信号采集器，用于采集所述齿轮箱的振动信号；
所述信号处理器，用于先后对所述振动信号进行小波包分解与小波包重构，得到不同频率下的重构信号，以及对所述重构信号构建能量特征向量并发送到所述上位机单元；
所述上位机单元用于构建支持向量机，并对所述支持向量机用遗传算法进行参数寻优，还用于将所述能量特征向量输入优化后的所述支持向量机中进行故障诊断，检测出所述齿轮箱的工况状态并生成对应的提示信息和处理策略。
具体地，所述工况状态为齿轮箱正常工作、输入轴弯曲故障或齿轮断齿故障。
更具体地，所述信号采集器为设于所述齿轮箱或发电机轴承座上的振动传感器，所述信号处理器为数据采集仪；所述上位机单元设有通过通信链路连接所述数据采集仪的数据库服务器，和连接所述数据库服务器的控制终端，所述控制终端上安装有监测控制软件；
所述控制终端用于通过所述数据库服务器的数据存储作用，通过所述监测控制软件构建所述支持向量机，并对所述支持向量机用遗传算法进行参数寻优，通过所述监测控制软件将所述能量特征向量输入优化后的所述支持向量机中进行故障诊断，检测出所述齿轮箱的工况状态并生成对应的提示信息和处理策略。
更具体地，所述支持向量机为，将从所述监测控制软件输入的齿轮箱正常工作、输入轴弯曲故障和齿轮断齿故障下的已知数据值，对应地分成正常数据集、输入轴弯曲故障数据集和齿轮断齿故障数据集，再形成运算定式的参考模型；
所述运算定式为，当实时的未知运行数据，经过所述信号采集器进入所述支持向量机，在所述正常数据集、输入轴弯曲故障数据集或齿轮断齿故障数据集中找到与所述未知运行数据差值最小的数据元素，并将所述未知运行数据归为所述数据元素所属于的正常数据集、输入轴弯曲故障数据集或齿轮断齿故障数据集。
本发明提供的一种风电机组齿轮箱的故障诊断方法及方法，与现有技术相比，其有益效果是：
(1)利用小波包分解和能量特征分析风电机组的齿轮箱故障，能够有效提取故障的特征值；
(2)利用遗传算法强大的全局并行随机搜索能力，实现支持向量机核函数参数的自动快速最优选择，克服人为选择参数的盲目；
(3)利用支持向量机对齿轮箱故障进行识别，采用小波包-能量特征作为提取特征，识别准确率高达98.9％，实现了风机齿轮箱故障的准确判别。
附图说明
图1是本发明实施例提供的一种风电机组齿轮箱的故障诊断方法的流程示意图；
图2是本发明实施例提供的一种风电机组齿轮箱的故障诊断系统的模块结构图；
图3是本发明实施例提供的一种风电机组齿轮箱的故障诊断方法及系统中的齿轮箱正常工作时的振动信号频谱图；
图4是本发明实施例提供的一种风电机组齿轮箱的故障诊断方法及系统中的齿轮箱输入轴弯曲故障时的振动信号频谱图；
图5是本发明实施例提供的一种风电机组齿轮箱的故障诊断方法及系统中的齿轮箱断齿故障时的振动信号频谱图；
图6是本发明实施例提供的一种风电机组齿轮箱的故障诊断方法及系统中的小波包分解(4层，分解3次)与小波包重构的示意图；
图7是本发明实施例提供的图3的小波包分解能量谱；
图8是本发明实施例提供的图4的小波包分解能量谱；
图9是本发明实施例提供的图5的小波包分解能量谱；
图10是本发明实施例提供的一种风电机组齿轮箱的故障诊断方法及系统中遗传算法的参数寻优适应度曲线图；
图11是本发明实施例提供的一种风电机组齿轮箱的故障诊断方法及系统中的优化后的支持向量机对齿轮箱的故障诊断结果图。
具体实施方式
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
参见图1，是本发明实施例提供的一种风电机组齿轮箱的故障诊断方法的流程示意图。在本实施例中，所述的一种风电机组齿轮箱的故障诊断方法，包括以下步骤：
S1.采集所述齿轮箱的振动信号；
S2.先后对所述振动信号进行小波包分解与小波包重构，得到不同频率下的重构信号；
S3.对所述重构信号构建能量特征向量；
S4.构建支持向量机，并对所述支持向量机用遗传算法进行参数寻优；
S5.将所述能量特征向量输入优化后的所述支持向量机中进行故障诊断，检测出所述齿轮箱的工况状态并生成对应的提示信息和处理策略。
进一步说明的是，在所述步骤S2中，对所述振动信号进行所述小波包分解的过程为：先将所述步骤S1中的振动信号进行第一次分解，得到一对低频信号和高频信号，然后分别对所述低频信号和高频信号进行第二次分解、……、第n次分解后得到n+1层的子频带树，每次分解后得到双倍小波包分解次数的不同的子频带，最后一层所述子频带树有2(n+1)个子频带；
对应地，对所述振动信号进行所述小波包分解与小波包重构的公式分别为：
与:
其中，ak-2l和bk-2l均为小波分解共轭滤波器系数，hl-2k和gl-2k均为小波重构共轭滤波器系数。
更进一步地，在所述步骤S3中，若将所述子频带树的每个子频带设作一个节点，对所述重构信号构建能量特征向量的实现过程为：
将所述子频带树的每个子频带转换成对应的频带能量：
其中xi,j(k)表示第i层、第j个节点的子频带Si,j的能量，N表示所述子频带树的子频带数，所以N＝2n+1-1。
对所述每个子频带的频带能量求和，得到所述振动信号的总能量：
根据所述每个子频带的频带能量构建能量特征向量：
根据所述每个子频带的能量特征向量与振动信号的总能量的能量占比T/E，得到归一化的能量特征向量：
进一步地，在所述步骤S4中，对所述支持向量机用遗传算法进行参数寻优的实现过程为：因为影响所述支持向量机性能的主要因素有惩罚因子c和核函数参数，所以用遗传算法对支持向量机的核函数参数g以及惩罚因子c进行寻优，得到最佳参数组合，以提高后续故障的识别准确率。其中，所述核函数参数g为影响样本数据在高维特征空间中分布的复杂程度量化值，所述惩罚因子c为在确定的特征空间中，调节所述支持向量机的置信范围和经验风险的比例。
更进一步地，在所述步骤S4、S5中，所述工况状态为齿轮箱正常工作、输入轴弯曲故障或齿轮断齿故障或其他故障；
所述支持向量机为，将输入的齿轮箱正常工作、输入轴弯曲故障和齿轮断齿故障下的已知数据值，对应地分成正常数据集、输入轴弯曲故障数据集和齿轮断齿故障数据集，再形成固定运算定式的参考模型；
所述固定运算定式为，当实时的未知运行数据，进入所述支持向量机，在所述正常数据集、输入轴弯曲故障数据集或齿轮断齿故障数据集中找到与所述未知运行数据差值最小的数据元素，并将所述未知运行数据归为所述数据元素所属于的正常数据集、输入轴弯曲故障数据集或齿轮断齿故障数据集。
与本发明实施例提供的一种风电机组齿轮箱的故障诊断方法相对应地，参见图2，是本发明实施例提供的一种风电机组齿轮箱的故障诊断系统的模块结构图。设有下位机单元1，所述下位机单元1设有相互连接的信号采集器11和信号处理器12；还设有连接所述信号处理器12的上位机单元2；
所述信号采集器11，用于采集所述齿轮箱的振动信号；
所述信号处理器12，用于先后对所述振动信号进行小波包分解与小波包重构，得到不同频率下的重构信号，以及对所述重构信号构建能量特征向量并发送到所述上位机单元2；
所述上位机单元2用于构建支持向量机，并对所述支持向量机用遗传算法进行参数寻优，还用于将所述能量特征向量输入优化后的所述支持向量机中进行故障诊断，检测出所述齿轮箱的工况状态并生成对应的提示信息如故障警报和处理策略如故障解除方案。
与所述方法相对应地，所述工况状态为齿轮箱正常工作、输入轴弯曲故障或齿轮断齿故障或其他故障。
所述信号采集器11为设于所述齿轮箱轴承座或发电机轴承座上的振动传感器，包括径向振动传感器和轴向振动传感器，所述信号处理器12为数据采集仪，而数据采集仪是一种能将物理量信号经过调理放大、滤波、AD转换为数字信号并将其记录下来的仪器的统称，根据其输入信号类型，可分为电压型、电荷型、应变型、温度型、万用型等多种类型，根据其采样率，又可分为动态数据采集仪，静态数据采集仪等，在数据采集仪的基础上还可以扩展为信号分析仪等。
所述上位机单元2设有通过通信链路(图2中，电缆传输和光纤转换器)连接所述数据采集仪的数据库服务器21，和连接所述数据库服务器21的控制终端22，所述控制终端22上安装有监测控制软件；
所述控制终端22用于通过所述数据库服务器21的数据存储作用，通过所述监测控制软件构建所述支持向量机，并对所述支持向量机用遗传算法进行参数寻优，通过所述监测控制软件将所述能量特征向量输入优化后的所述支持向量机中进行故障诊断，检测出所述齿轮箱的工况状态并生成对应的提示信息和处理策略。
所述支持向量机为，将从所述监测控制软件输入的齿轮箱正常工作、输入轴弯曲故障和齿轮断齿故障下的已知数据值，对应地分成正常数据集、输入轴弯曲故障数据集和齿轮断齿故障数据集，再形成运算定式的参考模型；
所述运算定式为，当实时的未知运行数据，经过所述信号采集器11进入所述支持向量机，在所述正常数据集、输入轴弯曲故障数据集或齿轮断齿故障数据集中找到与所述未知运行数据差值最小的数据元素，并将所述未知运行数据归为所述数据元素所属于的正常数据集、输入轴弯曲故障数据集或齿轮断齿故障数据集。
在实际的应用中，本系统是一个集数据采集、数据管理、状态监测与故障诊断为一体的多任务信号处理系统，其中，所述数据采集仪由两部分组成：主控板和数据采集卡。举例说明，主控板采用研华公司的基于PC104总线的无风扇嵌入式主板PCM3353，主频500MHz，最大支持256M DRAM。主控板集成了各类接口(RS-232、RS-485、硬盘、CRT、LCD、LVDS、以太网)。该主板自带看门狗硬件电路，可通过软件编程进行复位操作。XP操作系统安装于存储设备CF(Compact Flash)卡内，控制下位机硬件和上位机软件的正常运行。数据采集卡采用基于PC104总线的ART2932数据采集卡。该卡模拟输入通道总数为16路单端，8路双端，采样速率1Hz～250KHz，转换精度达13位(Bit)，同时带有8kB FIFO存储器。上位机作为监控主机，主要实现状态监测、故障诊断、数据存储和下位机参数设置等。
在风电机组预先设定的测点位置如齿轮箱、发电机轴承座处安装振动传感器，所述振动传感器将其采集的振动信号通过电缆接入到对应的数据采集仪，所述数据采集仪进行预处理，然后通过RS-485串口通信将处理后的数据由机舱传至塔架底部，经由光纤转换设备通过机组备用光纤传至上位机单元(主控室)的数据库服务器21。数据存储于所述数据库服务器21后，由该系统的监测控制软件采用幅域指标与统计过程控制相结合的方法实现机组状态的监测及报警，采用频谱分析、倒频谱分析等实现故障诊断并提出维修意见。
下面从测试和数据分析的角度，对本发明实施例提供的一种风电机组齿轮箱的故障诊断方法及系统进行说明。
以齿轮箱正常工作、输入轴弯曲故障和齿轮断齿故障这三种工况为例：
首先，所述振动传感器采集到振动信号并输入到所述数据采集仪。
参见图3，是本发明实施例提供的一种风电机组齿轮箱的故障诊断方法及系统中的齿轮箱正常工作时的振动信号频谱图，图中主要以啮合频率400Hz及其谐波分量为主，其高次谐波依次减小；同时，在低频处有齿轮轴旋转频率50Hz及其高次谐波。
参见图4，是本发明实施例提供的一种风电机组齿轮箱的故障诊断方法及系统中的齿轮箱输入轴弯曲故障时的振动信号频谱图，主要以1倍轴的转频50Hz为主，其他成分很小。
参见图5，是本发明实施例提供的一种风电机组齿轮箱的故障诊断方法及系统中的齿轮箱断齿故障时的振动信号频谱图，该图对应的齿轮箱为24齿，的断齿故障频谱图，以断齿齿轮啮合频率400Hz及其高次谐波为载波频率，附近出现间隔为10Hz的轴转频及其倍频为调制频率的边频带。
下面进行小波包分解，参见图6，是本发明实施例提供的一种风电机组齿轮箱的故障诊断方法及系统中的小波包分解(4层，分解3次)与小波包重构的示意图。在本次测试中，进行了3次小波包分解，生成了具有4层结构的子频带树，其子频带数为15(23+1-1)，第i层、第j个节点的子频带表示为Si,j。
而后，进行小波包重构，并构建能量特征向量。对齿轮箱正常工作时、输入轴弯曲故障和齿轮断齿故障三种情况的原始数据，进行3次小波包分解，与小波包重构后，提取各子频带信号的能量，最终得到3种工况的能量直方图，具体参见图7、图8、图9，分别是本发明实施例提供的图3、图4、图5的小波包分解能量谱；
从图7可以看出，正常工作的齿轮箱，能量主要集中在低频段，从图8可以看出，输入轴弯曲故障时，能量除了在低频段比较集中外，高频段明显出现一个峰值。如图9所示，断齿故障发生时，在高频的部分会有几个频率段的能量分布，相对均衡。
接下来采用遗传算法优化支持向量机。具体地，采用遗传算法来优化径向基核函数参数g和惩罚因子c，使优化后的支持向量机能够更好地预测函数输出，参见图10，是本发明实施例提供的一种风电机组齿轮箱的故障诊断方法及系统中遗传算法的参数寻优适应度曲线图，图中最优的径向基核函数参数g为53.9935、惩罚因子c为9.4852。
最后，输入支持向量机中进行诊断。为了进一步检验支持向量机故障诊断模型在模式识别和故障分类方面的应用效果。对齿轮箱正常工作、输入轴弯曲故障和齿轮断齿故障三种情况的原始数据，进行4层小波包分解与重构，提取信号各频带的能量作为支持向量机的特征向量，最后得到每种情况下各64个特征矢量。将每种模式下的64个特征矢量数据各随机抽取32个组合成含有96个特征矢量作为训练集，其余组合成测试集，参见图11，是本发明实施例提供的一种风电机组齿轮箱的故障诊断方法及系统中的优化后的支持向量机对齿轮箱的故障诊断结果图。如图11所示，只有一个测试集的一个特征矢量(箭头所指)被错误分类，取得了较好的分类效果，识别准确率高达98.96％(95/96≈98.96％)，实现了风机齿轮箱故障的准确判别。
实施本发明实施例提供的一种风电机组齿轮箱的故障诊断方法及方法，与现有技术相比，其有益效果是：
(1)利用小波包分解和能量特征分析风电机组的齿轮箱故障，能够有效提取故障的特征值；
(2)利用遗传算法强大的全局并行随机搜索能力，实现支持向量机核函数参数g的自动快速最优选择，克服人为选择参数的盲目；
(3)利用支持向量机对齿轮箱故障进行识别，采用小波包-能量特征作为提取特征，识别准确率高达98.96％，实现了风机齿轮箱故障的准确判别。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (9)
1.一种风电机组齿轮箱的故障诊断方法，其特征在于，包括以下步骤：
S1.采集所述齿轮箱的振动信号；
S2.先后对所述振动信号进行小波包分解与小波包重构，得到不同频率下的重构信号；
S3.对所述重构信号构建能量特征向量；
S4.构建支持向量机，并对所述支持向量机用遗传算法进行参数寻优；
S5.将所述能量特征向量输入优化后的所述支持向量机中进行故障诊断，检测出所述齿轮箱的工况状态并生成对应的提示信息和处理策略。
2.如权利要求1所述的一种风电机组齿轮箱的故障诊断方法，其特征在于，在所述步骤S2中，对所述振动信号进行所述小波包分解的过程为：先将所述步骤S1中的振动信号进行第一次分解，得到一对低频信号和高频信号，然后分别对所述低频信号和高频信号进行第二次分解、……、第n次分解后得到n+1层的子频带树，每次分解后得到双倍小波包分解次数的不同的子频带，最后一层所述子频带树有2(n+1)个子频带；
对所述振动信号进行所述小波包分解与小波包重构的公式分别为：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>d</mi>
<mi>l</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msubsup>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>2</mn>
<mi>l</mi>
</mrow>
</msub>
<msubsup>
<mi>d</mi>
<mi>k</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msubsup>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>d</mi>
<mi>l</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mn>2</mn>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<mrow>
<msub>
<mi>b</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>2</mn>
<mi>l</mi>
</mrow>
</msub>
<msubsup>
<mi>d</mi>
<mi>k</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msubsup>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
与:
<mrow>
<msubsup>
<mi>d</mi>
<mi>l</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msubsup>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<mo>&lsqb;</mo>
<msub>
<mi>h</mi>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mn>2</mn>
<mi>k</mi>
</mrow>
</msub>
<msubsup>
<mi>d</mi>
<mi>k</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msub>
<mi>g</mi>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mn>2</mn>
<mi>k</mi>
</mrow>
</msub>
<msubsup>
<mi>d</mi>
<mi>k</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mn>2</mn>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，ak-2l和bk-2l均为小波分解共轭滤波器系数，hl-2k和gl-2k均为小波重构共轭滤波器系数。
3.如权利要求2所述的一种风电机组齿轮箱的故障诊断方法，其特征在于，在所述步骤S3中，若将所述子频带树的每个子频带设作一个节点，对所述重构信号构建能量特征向量的实现过程为：
将所述子频带树的每个子频带转换成对应的频带能量：
<mrow>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mi>L</mi>
<msup>
<mn>2</mn>
<mi>i</mi>
</msup>
<mo>-</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中xi,j(k)表示第i层、第j个节点的子频带的能量，N表示所述子频带树的子频带数；
对所述每个子频带的频带能量求和，得到所述振动信号的总能量：
<mrow>
<mi>E</mi>
<mo>=</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>0</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mi>L</mi>
<mo>+</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<mi>L</mi>
<mo>+</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<msup>
<mn>2</mn>
<mi>i</mi>
</msup>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
根据所述每个子频带的频带能量构建能量特征向量：
<mrow>
<mi>T</mi>
<mo>=</mo>
<mo>&lsqb;</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>0</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>LE</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>L</mi>
<mo>,</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<msup>
<mn>2</mn>
<mi>i</mi>
</msup>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
根据所述每个子频带的能量特征向量与振动信号的总能量的能量占比T/E，得到归一化的能量特征向量：
<mrow>
<msub>
<mi>E</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<mfrac>
<mi>T</mi>
<mi>E</mi>
</mfrac>
<mo>=</mo>
<mo>&lsqb;</mo>
<mfrac>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>0</mn>
</mrow>
</msub>
<mi>E</mi>
</mfrac>
<mo>,</mo>
<mfrac>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mi>E</mi>
</mfrac>
<mo>,</mo>
<mi>L</mi>
<mo>,</mo>
<mfrac>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mi>E</mi>
</mfrac>
<mo>,</mo>
<mi>L</mi>
<mo>,</mo>
<mfrac>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<msup>
<mn>2</mn>
<mi>i</mi>
</msup>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mi>E</mi>
</mfrac>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
4.如权利要求2所述的一种风电机组齿轮箱的故障诊断方法，其特征在于，在所述步骤S4中，对所述支持向量机用遗传算法进行参数寻优的实现过程为：用遗传算法对支持向量机的核函数参数以及惩罚因子进行寻优，得到最佳参数组合，其中，所述核函数参数为影响样本数据在高维特征空间中分布的复杂程度量化值，所述惩罚因子为在确定的特征空间中，调节所述支持向量机的置信范围和经验风险的比例。
5.如权利要求4所述的一种风电机组齿轮箱的故障诊断方法，其特征在于，在所述步骤S4、S5中，所述工况状态为齿轮箱正常工作、输入轴弯曲故障或齿轮断齿故障；
所述支持向量机为，将输入的齿轮箱正常工作、输入轴弯曲故障和齿轮断齿故障下的已知数据值，对应地分成正常数据集、输入轴弯曲故障数据集和齿轮断齿故障数据集，再形成固定运算定式的参考模型；
所述固定运算定式为，当实时的未知运行数据，进入所述支持向量机，在所述正常数据集、输入轴弯曲故障数据集或齿轮断齿故障数据集中找到与所述未知运行数据差值最小的数据元素，并将所述未知运行数据归为所述数据元素所属于的正常数据集、输入轴弯曲故障数据集或齿轮断齿故障数据集。
6.一种风电机组齿轮箱的故障诊断系统，其特征在于，设有下位机单元，所述下位机单元设有相互连接的信号采集器和信号处理器；还设有连接所述信号处理器的上位机单元；
所述信号采集器，用于采集所述齿轮箱的振动信号；
所述信号处理器，用于先后对所述振动信号进行小波包分解与小波包重构，得到不同频率下的重构信号，以及对所述重构信号构建能量特征向量并发送到所述上位机单元；
所述上位机单元用于构建支持向量机，并对所述支持向量机用遗传算法进行参数寻优，还用于将所述能量特征向量输入优化后的所述支持向量机中进行故障诊断，检测出所述齿轮箱的工况状态并生成对应的提示信息和处理策略。
7.如权利要求6所述的一种风电机组齿轮箱的故障诊断系统，其特征在于：所述工况状态为齿轮箱正常工作、输入轴弯曲故障或齿轮断齿故障。
8.如权利要求7所述的一种风电机组齿轮箱的故障诊断系统，其特征在于：所述信号采集器为设于所述齿轮箱轴承座或发电机轴承座上的振动传感器，所述信号处理器为数据采集仪；所述上位机单元设有通过通信链路连接所述数据采集仪的数据库服务器，和连接所述数据库服务器的控制终端，所述控制终端上安装有监测控制软件；
所述控制终端用于通过所述数据库服务器的数据存储作用，通过所述监测控制软件构建所述支持向量机，并对所述支持向量机用遗传算法进行参数寻优，通过所述监测控制软件将所述能量特征向量输入优化后的所述支持向量机中进行故障诊断，检测出所述齿轮箱的工况状态并生成对应的提示信息和处理策略。
9.如权利要求8所述的一种风电机组齿轮箱的故障诊断系统，其特征在于：所述支持向量机为，将从所述监测控制软件输入的齿轮箱正常工作、输入轴弯曲故障和齿轮断齿故障下的已知数据值，对应地分成正常数据集、输入轴弯曲故障数据集和齿轮断齿故障数据集，再形成运算定式的参考模型；
所述运算定式为，当实时的未知运行数据，经过所述信号采集器进入所述支持向量机，在所述正常数据集、输入轴弯曲故障数据集或齿轮断齿故障数据集中找到与所述未知运行数据差值最小的数据元素，并将所述未知运行数据归为所述数据元素所属于的正常数据集、输入轴弯曲故障数据集或齿轮断齿故障数据集。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2017106123066 | 2017-07-25 | ||
| CN201710612306 | 2017-07-25 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107560844A true CN107560844A (zh) | 2018-01-09 |
Family
ID=60977836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710768239.7A Pending CN107560844A (zh) | 2017-07-25 | 2017-08-31 | 一种风电机组齿轮箱的故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107560844A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108414219A (zh) * | 2018-01-31 | 2018-08-17 | 杭州携测信息技术有限公司 | 一种齿轮电动机的齿轮故障诊断方法和系统 |
| CN108427388A (zh) * | 2018-04-11 | 2018-08-21 | 广东工业大学 | 一种r2r制造系统故障范围确定方法及装置 |
| CN108572075A (zh) * | 2018-04-28 | 2018-09-25 | 河北工业大学 | 基于小波包能量谱和调制双谱分析的滚动轴承故障诊断方法 |
| CN109323860A (zh) * | 2018-10-31 | 2019-02-12 | 广东石油化工学院 | 一种旋转机械齿轮箱故障数据集优化方法 |
| CN110044624A (zh) * | 2019-04-24 | 2019-07-23 | 华东交通大学 | 一种齿轮箱轴承故障检测方法及系统 |
| CN110412872A (zh) * | 2019-07-11 | 2019-11-05 | 中国石油大学(北京) | 往复压缩机故障诊断优化方法及装置 |
| CN110736968A (zh) * | 2019-10-16 | 2020-01-31 | 清华大学 | 基于深度学习的雷达异常状态诊断方法 |
| CN111520535A (zh) * | 2020-04-29 | 2020-08-11 | 浙江工业大学 | 一种气动调节阀定位器松动故障的在线诊断方法 |
| CN112326213A (zh) * | 2019-08-05 | 2021-02-05 | 株式会社理光 | 异常数据检测方法及装置、机械故障检测方法及装置 |
| CN112648219A (zh) * | 2019-10-10 | 2021-04-13 | 天津科技大学 | 一种风机的在线状态检测故障诊断方法 |
| US11340570B2 (en) | 2020-01-23 | 2022-05-24 | General Electric Company | System and method for operating a wind turbine |
| WO2024082103A1 (zh) * | 2022-10-17 | 2024-04-25 | 舍弗勒技术股份两合公司 | 用于检测齿轮箱的故障的方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105136454A (zh) * | 2015-10-15 | 2015-12-09 | 上海电机学院 | 一种风电机组齿轮箱故障识别方法 |
| CN105784353A (zh) * | 2016-03-25 | 2016-07-20 | 上海电机学院 | 一种风力发电机齿轮箱故障诊断方法 |
| CN106092578A (zh) * | 2016-07-15 | 2016-11-09 | 西安交通大学 | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 |
-
2017
- 2017-08-31 CN CN201710768239.7A patent/CN107560844A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105136454A (zh) * | 2015-10-15 | 2015-12-09 | 上海电机学院 | 一种风电机组齿轮箱故障识别方法 |
| CN105784353A (zh) * | 2016-03-25 | 2016-07-20 | 上海电机学院 | 一种风力发电机齿轮箱故障诊断方法 |
| CN106092578A (zh) * | 2016-07-15 | 2016-11-09 | 西安交通大学 | 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 华北电力大学学报: "基于相关向量机的风机齿轮箱故障诊断方法", 《华北电力大学学报》 * |
| 曹斌: "基于小波包与遗传算法和支持向量机的液压泵故障诊断", 《组合机床与自动化加工技术》 * |
| 曹斌: "风电机组振动监测与故障诊断系统研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》 * |
| 郭斯羽: "《面向检测的图像处理技术》", 31 August 2015 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108414219A (zh) * | 2018-01-31 | 2018-08-17 | 杭州携测信息技术有限公司 | 一种齿轮电动机的齿轮故障诊断方法和系统 |
| CN108427388A (zh) * | 2018-04-11 | 2018-08-21 | 广东工业大学 | 一种r2r制造系统故障范围确定方法及装置 |
| CN108427388B (zh) * | 2018-04-11 | 2020-10-23 | 广东工业大学 | 一种r2r制造系统故障范围确定方法及装置 |
| CN108572075A (zh) * | 2018-04-28 | 2018-09-25 | 河北工业大学 | 基于小波包能量谱和调制双谱分析的滚动轴承故障诊断方法 |
| WO2019205826A1 (zh) * | 2018-04-28 | 2019-10-31 | 河北工业大学 | 基于小波包能量谱和调制双谱分析的滚动轴承故障诊断方法 |
| CN109323860A (zh) * | 2018-10-31 | 2019-02-12 | 广东石油化工学院 | 一种旋转机械齿轮箱故障数据集优化方法 |
| CN110044624A (zh) * | 2019-04-24 | 2019-07-23 | 华东交通大学 | 一种齿轮箱轴承故障检测方法及系统 |
| CN110412872A (zh) * | 2019-07-11 | 2019-11-05 | 中国石油大学(北京) | 往复压缩机故障诊断优化方法及装置 |
| CN112326213A (zh) * | 2019-08-05 | 2021-02-05 | 株式会社理光 | 异常数据检测方法及装置、机械故障检测方法及装置 |
| CN112648219A (zh) * | 2019-10-10 | 2021-04-13 | 天津科技大学 | 一种风机的在线状态检测故障诊断方法 |
| CN110736968B (zh) * | 2019-10-16 | 2021-10-08 | 清华大学 | 基于深度学习的雷达异常状态诊断方法 |
| CN110736968A (zh) * | 2019-10-16 | 2020-01-31 | 清华大学 | 基于深度学习的雷达异常状态诊断方法 |
| US11340570B2 (en) | 2020-01-23 | 2022-05-24 | General Electric Company | System and method for operating a wind turbine |
| CN111520535A (zh) * | 2020-04-29 | 2020-08-11 | 浙江工业大学 | 一种气动调节阀定位器松动故障的在线诊断方法 |
| CN111520535B (zh) * | 2020-04-29 | 2022-02-01 | 浙江工业大学 | 一种气动调节阀定位器松动故障的在线诊断方法 |
| WO2024082103A1 (zh) * | 2022-10-17 | 2024-04-25 | 舍弗勒技术股份两合公司 | 用于检测齿轮箱的故障的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107560844A (zh) | 一种风电机组齿轮箱的故障诊断方法及系统 | |
| US20210270244A1 (en) | Method and system for fault diagnosis of gearbox of wind turbine generator | |
| CN110334764B (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
| Zhao et al. | Intelligent fault diagnosis of multichannel motor–rotor system based on multimanifold deep extreme learning machine | |
| CN102944418B (zh) | 一种风电机组叶片故障诊断方法 | |
| CN101634605B (zh) | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 | |
| CN108168682A (zh) | 一种基于振动信号支持向量机的gil故障在线监测系统 | |
| CN106682814A (zh) | 一种基于故障知识库的风电机组故障智能诊断方法 | |
| CN103472802B (zh) | 风力发电机组智能状态监测终端及其数据处理方法 | |
| CN106124982A (zh) | 一种风电机组的自动专家综合故障诊断系统及诊断方法 | |
| CN103808509A (zh) | 一种基于人工智能算法的风机齿轮箱故障诊断方法 | |
| Su et al. | Hierarchical diagnosis of bearing faults using branch convolutional neural network considering noise interference and variable working conditions | |
| CN101858778A (zh) | 基于振动监测的风力发电机组故障自动诊断方法 | |
| CN105354587A (zh) | 一种风力发电机组齿轮箱的故障诊断方法 | |
| CN108510153A (zh) | 一种多工况旋转机械故障诊断方法 | |
| CN105865776A (zh) | 一种基于eemd和广义s变换的风电齿轮箱故障诊断方法 | |
| CN202661241U (zh) | 一种模拟风电齿轮箱的振动测试装置 | |
| Pang et al. | Design and implementation of automatic fault diagnosis system for wind turbine | |
| CN102889987A (zh) | 一种齿轮故障诊断平台及齿轮故障诊断方法 | |
| CN109916627A (zh) | 基于主动学习的轴承故障检测与诊断 | |
| CN109255333A (zh) | 一种大型风电机组滚动轴承故障混合诊断方法 | |
| CN103926075B (zh) | 一种提高风电机组齿轮箱故障分析精度的方法 | |
| Marugán et al. | Multivariable analysis for advanced analytics of wind turbine management | |
| CN202693304U (zh) | 一种齿轮故障诊断平台 | |
| CN113916535A (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180109 |