CN108875558A - 一种高性能大型风电齿轮箱故障分类方法及系统 - Google Patents

一种高性能大型风电齿轮箱故障分类方法及系统 Download PDF

Info

Publication number
CN108875558A
CN108875558A CN201810391306.2A CN201810391306A CN108875558A CN 108875558 A CN108875558 A CN 108875558A CN 201810391306 A CN201810391306 A CN 201810391306A CN 108875558 A CN108875558 A CN 108875558A
Authority
CN
China
Prior art keywords
fault signature
signature data
wind turbine
scale wind
turbine gearbox
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
Application number
CN201810391306.2A
Other languages
English (en)
Inventor
焦卫东
常永萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Normal University CJNU
Original Assignee
Zhejiang Normal University CJNU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Normal University CJNU filed Critical Zhejiang Normal University CJNU
Priority to CN201810391306.2A priority Critical patent/CN108875558A/zh
Publication of CN108875558A publication Critical patent/CN108875558A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Abstract

本发明公开了一种高性能大型风电齿轮箱多故障分类方法及系统。该方法包括：获取高性能大型风电齿轮箱故障特征的空间分布图像；故障特征包括齿轮破坏和机座松动；获取空间分布图像的图像切片；根据图像切片确定高性能大型风电齿轮箱故障特征数据；获取图像切片的中心点坐标；根据故障特征数据以及中心点坐标，计算分类阈值；根据分类阈值对故障特征进行分类，得到有效特征样本；对有效特征样本进行优化求解，得到优化后的方向向量以及优化后的偏移项；根据优化后的方向向量以及优化后的偏移项，确定拉格朗函数；根据拉格朗日函数，对高性能大型风电齿轮箱的故障特征数据进行分类。通过本方法或系统能够有效的提高故障分类的效率和准确性。

Description

一种高性能大型风电齿轮箱故障分类方法及系统
技术领域
本发明涉及故障分类领域，特别是涉及一种高性能大型风电齿轮箱故障分类方法及系统。
背景技术
模式分类是故障诊断的核心。只有对多种复杂的故障模式进行合理的机器分类，才能实现自动化、智能化故障诊断目的，进而做出正确决策，例如停机检修或有目的地维修等，以避免因突然的故障停机带来的巨大经济损失。这一点，对于长期在野外恶劣环境中运行、无人监管的大型风电齿轮箱来说尤其重要。
在实际的风电齿轮箱服役环境中，一方面，信号检测中待分类对象周边的外来干扰(雨雪风霜等)以及信号采集系统的内噪声等均可能在原始观测数据中引入噪声干扰；传感器件异常或故障也可能产生异常的观测数据即野值。这些存在于原始数据中的噪声或野值如果不适当处理，将随同特征提取进入特征空间，形成明显偏离整体类特征的噪点或野点。根据已有的研究结果，当原始观测数据中存在局部的噪声或野值时其分布往往呈现出典型的非高斯特性，增加了特征提取的困难。此外，还有许多影响模式分类的负面因素，例如传感观测的信息冗余，特征提取环节所选择的过高特征维数等。信息冗余将直接造成后续特征提取的困难，并进一步放大噪声或野值的负面作用；特征维数选择过高，则会使样本统计特性的估计更加困难，从而降低分类器的泛化推广能力。
发明内容
针对上述问题，本发明提供了一种高性能大型风电齿轮箱故障分类方法及系统。
为实现上述目的，本发明提供了如下方案：
一种高性能大型风电齿轮箱多故障分类方法，所述方法包括：
获取高性能大型风电齿轮箱故障特征的空间分布图像；所述故障特征包括齿轮破坏和机座松动；
获取所述空间分布图像的图像切片；
根据所述图像切片确定高性能大型风电齿轮箱故障特征数据；
获取所述图像切片的中心点坐标；
根据所述故障特征数据以及所述中心点坐标，计算分类阈值；
根据所述分类阈值对所述故障特征进行分类，得到有效特征样本；
对有效特征样本进行优化求解，得到优化后的方向向量以及优化后的偏移项；
根据优化后的方向向量以及优化后的偏移项，确定拉格朗函数；
根据所述拉格朗日函数，对高性能大型风电齿轮箱的故障特征数据进行分类。
可选的，所述根据所述故障特征数据以及所述中心点坐标，计算分类阈值，具体包括：
根据所述故障特征数据计算权向量和偏移项；
根据所述权向量和所述偏移项选择核函数；
根据所述故障特征数据、所述权向量、所述偏移项以及所述核函数，确定拉格朗日乘子；
根据所述朗格朗日乘子以及所述中心点坐标，计算分类阈值。
可选的，所述根据所述拉格朗日函数，对高性能大型风电齿轮箱的故障特征数据进行分类，具体包括：
根据所述拉拉格朗日函数确定分离超曲面；
根据所述故障数据在所述分离超曲面的位置，对所述故障特征数据进行分类。
一种高性能大型风电齿轮箱多故障分类系统，所述系统包括：
空间分布图像获取模块，用于获取高性能大型风电齿轮箱故障特征的空间分布图像；所述故障特征包括齿轮破坏和机座松动；
图像切片获取模块，用于获取所述空间分布图像的图像切片；
故障特征数据确定模块，用于根据所述图像切片确定高性能大型风电齿轮箱故障特征数据；
坐标获取模块，用于获取所述图像切片的中心点坐标；
计算模块，用于根据所述故障特征数据以及所述中心点坐标，计算分类阈值；
有效特征样本分类模块，用于根据所述分类阈值对所述故障特征进行分类，得到有效特征样本；
求解模块，用于对有效特征样本进行优化求解，得到优化后的方向向量以及优化后的偏移项；
拉格朗函数确定模块，用于根据优化后的方向向量以及优化后的偏移项，确定拉格朗函数；
故障特征数据分类模块，用于根据所述拉格朗日函数，对高性能大型风电齿轮箱的故障特征数据进行分类。
可选的，所述计算模块包括：
第一计算单元，用于根据所述故障特征数据计算权向量和偏移项；
选择单元，用于根据所述权向量和所述偏移项选择核函数；
确定单元，用于根据所述故障特征数据、所述权向量、所述偏移项以及所述核函数，确定拉格朗日乘子；
第二计算单元，用于根据所述朗格朗日乘子以及所述中心点坐标，计算分类阈值。
可选的，所述故障特征数据分类模块包括：
分离超曲面确定单元，用于根据所述拉拉格朗日函数确定分离超曲面；
分类单元，用于根据所述故障数据在所述分离超曲面的位置，对所述故障特征数据进行分类。
与现有技术相比，本发明具有以下技术效果：本发明根据所述故障特征数据以及所述中心点坐标，计算分类阈值；根据所述分类阈值对所述故障特征进行分类，得到有效特征样本；本发明对故障特征数据进行了必要的净化处理，得到了有效的特征样本，对有效特征样本进行优化求解，得到优化后的方向向量以及优化后的偏移项；根据优化后的方向向量以及优化后的偏移项，确定拉格朗函数；根据所述拉格朗日函数，对高性能大型风电齿轮箱的故障特征数据进行分类。本发明通过有效样本进行分类，能够提高分类的效率以及准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例高性能大型风电齿轮箱多故障分类方法的流程图；
图2为本发明实施例高性能大型风电齿轮箱多故障分类系统的结构框图；
图3为三个齿轮箱故障模式特征的空间分布特性描述示意图；
图4为FLSA-SVM多模式直接分类示意图(RBF核函数参数：γ＝141.0855，σ2＝1.4247)；
图5为经过特征样本识别的FLSA-SVM多模式分类示意图(RBF核函数参数：γ＝43.6174，σ2＝2.4522)；
图6为FLSA-SVM直接多模式二分类示意图：第一级(RBF核函数参数：γ＝10，σ2＝0.2)；
图7为FLSA-SVM直接多模式二分类示意图：第二级(RBF核函数参数：γ＝10，σ2＝0.5)；
图8为经过特征样本识别的FLSA-SVM多模式二分类示意图：第一级(RBF核函数参数：γ＝10，σ2＝0.2)；
图9为经过特征样本识别的FLSA-SVM多模式二分类示意图：第二级(RBF核函数参数：γ＝10，σ2＝0.5)。
具体实施方式
下面将结合本发明实施例中的附图，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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例高性能大型风电齿轮箱多故障分类方法的流程图。如图1所示，一种高性能大型风电齿轮箱多故障分类方法包括以下步骤：
步骤101：获取高性能大型风电齿轮箱故障特征的空间分布图像；所述故障特征包括齿轮破坏和机座松动。
步骤102：获取所述空间分布图像的图像切片。
步骤103：根据所述图像切片确定高性能大型风电齿轮箱故障特征数据。
步骤104：获取所述图像切片的中心点坐标。
所述多故障模式类特征的空间分布特性描述计算式为：
式中算符<·>代表向下取整，N为奇数。I(·,·)是一个尺寸为M1×M2的空间分布图像，W为一个中心为(x0,y0)、尺寸为N×N的窗函数，即用于空间分布特性分析的正方形取样窗口，N为正方形窗口的边长。Iw(·,·)为图像切片，定义为以(x0,y0)为中心、尺寸为N×N的邻域与窗函数W的乘积。k、l为分析取样的区间变量。
步骤105：根据所述故障特征数据以及所述中心点坐标，计算分类阈值。
具体的，具体包括：
根据所述故障特征数据计算权向量和偏移项。
根据所述权向量和所述偏移项选择核函数。
根据所述故障特征数据、所述权向量、所述偏移项以及所述核函数，确定拉格朗日乘子。
所述基于支持向量机的多故障模式直接分类计算式为：
式中w∈Rn为权向量。b为偏移项。xk为输入特征向量，yk为输出的类标值。k为序号变量。为一个非线性隐函数，它将输入空间映射到一个高维空间，从而推广SVM算法用于解决非线性分类问题。
所述基于支持向量机的多故障模式直接二分类计算式为：
式中αk为拉格朗日乘子，αk与b均为实常数且αk>0。x与y分别为输入特征向量与输出类标向量。sign(·)为符号函数。Ψ(·,·)为核函数，选取不同形式的核函数可以获得不同性质的分类器。
根据所述朗格朗日乘子以及所述中心点坐标，计算分类阈值。
所述基于分层聚类的有效特征样本识别计算式为：
式中M0为参考故障序列集合中的特征样本数，Nk为单故障对照序列集合nk中的特征样本数。T0、T1和T2分别为分层聚类的中间、底部与顶部控制阈值。“MF”为多个故障模式的缩写形式。K为多故障模式类特征的空间分布图像I所对应的总特征样本数。为取阈运算函数，γ为有效特征样本的分层聚类矩阵。i、j分别为序号变量。
步骤106：根据所述分类阈值对所述故障特征进行分类，得到有效特征样本。
步骤107：对有效特征样本进行优化求解，得到优化后的方向向量以及优化后的偏移项。
步骤108：根据优化后的方向向量以及优化后的偏移项，确定拉格朗函数。
所述基于II-C特征样本识别的多故障模式SVM直接分类计算式为：
式中i＝1,...,M。a为方向向量，b为偏移项。φ(·)为内积函数。zi为第i个训练样本中的特征向量，yi为训练类标，等于1或–1。为基数，等于所选择的基函数个数m。
所述基于II-C特征样本识别的多故障模式SVM二分类计算式为：
式中L(·)为拉格朗日函数。α为拉格朗日乘子。β为松弛因子。
步骤109：根据所述拉格朗日函数，对高性能大型风电齿轮箱的故障特征数据进行分类。
具体的，根据所述拉拉格朗日函数确定分离超曲面；
根据所述故障数据在所述分离超曲面的位置，对所述故障特征数据进行分类。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明根据所述故障特征数据以及所述中心点坐标，计算分类阈值；根据所述分类阈值对所述故障特征进行分类，得到有效特征样本；本发明对故障特征数据进行了必要的净化处理，得到了有效的特征样本，对有效特征样本进行优化求解，得到优化后的方向向量以及优化后的偏移项；根据优化后的方向向量以及优化后的偏移项，确定拉格朗函数；根据所述拉格朗日函数，对高性能大型风电齿轮箱的故障特征数据进行分类。本发明通过有效样本进行分类，能够提高分类的效率以及准确率。
图2为高性能大型风电齿轮箱多故障分类系统的结构框图。如图2所示，一种高性能大型风电齿轮箱多故障分类系统包括：
空间分布图像获取模块201，用于获取高性能大型风电齿轮箱故障特征的空间分布图像；所述故障特征包括齿轮破坏和机座松动。
图像切片获取模块202，用于获取所述空间分布图像的图像切片。
故障特征数据确定模块203，用于根据所述图像切片确定高性能大型风电齿轮箱故障特征数据。
坐标获取模块204，用于获取所述图像切片的中心点坐标。
计算模块205，用于根据所述故障特征数据以及所述中心点坐标，计算分类阈值。
所述计算模块205具体包括：
第一计算单元，用于根据所述故障特征数据计算权向量和偏移项；
选择单元，用于根据所述权向量和所述偏移项选择核函数；
确定单元，用于根据所述故障特征数据、所述权向量、所述偏移项以及所述核函数，确定拉格朗日乘子；
第二计算单元，用于根据所述朗格朗日乘子以及所述中心点坐标，计算分类阈值。
有效特征样本分类模块206，用于根据所述分类阈值对所述故障特征进行分类，得到有效特征样本。
求解模块207，用于对有效特征样本进行优化求解，得到优化后的方向向量以及优化后的偏移项。
拉格朗函数确定模块208，用于根据优化后的方向向量以及优化后的偏移项，确定拉格朗函数。
故障特征数据分类模块209，用于根据所述拉格朗日函数，对高性能大型风电齿轮箱的故障特征数据进行分类。
所述故障特征数据分类模块209具体包括：
分离超曲面确定单元，用于根据所述拉拉格朗日函数确定分离超曲面；
分类单元，用于根据所述故障数据在所述分离超曲面的位置，对所述故障特征数据进行分类。
实验验证
本技术方案以齿轮箱正常状态、轮齿破坏和机座松动三类模式的分类为例子阐述风电齿轮箱多故障模式二分类的过程，其基本分类原理为：对多个故障模式类按照从复杂到简单的层次进行两两分类，所采用的特征量统一是两维的，具有良好的分类精度，即
式中Ci为第i个模式类，Cother为其他模式类。Fi、Fj为待分类的训练特征样本。
多故障模式分类
正常状态、轮齿破坏与机座送动三类典型的风电齿轮箱故障模式特征的空间分布如图3所示。采用多模式类特征样本构建训练集：
[Iw(k,l)]n＝W(k,l)In(x0-<N/2>+k,y0-<N/2>+l),
[Iw(k,l)]g＝W(k,l)Ig(x0-<N/2>+k,y0-<N/2>+l),
[Iw(k,l)]l＝W(k,l)Il(x0-<N/2>+k,y0-<N/2>+l).
式中[·]n、[·]g以及[·]l分别为正常状态、轮齿破坏以及机座送动模式类的特征训练集，In(·,·)、Ig(·,·)与Il(·,·)分别为尺寸M1×M2的空间特征分布图像。
首先初始化FLSA-SVM分类模型，核函数选择为径向基函数(RadialBasisFunction，RBF)。随后采用一对一编码模式对初始模型进行调整，并直接使用每个模式类的20个训练特征向量进行分类器的训练。三个模式类的分类结果如图4以及表1所示。在表1中，还对比给出了LS-SVM以及传统的SVM分类器对三个模式类的分类结果。
表1多模式直接分类结果
可以看到，基于FLSA-SVM的多模式直接分类结果不是太好，对正常、轮齿破坏与机座松动三个模式类的误分率分别达到20％、10％以及20％，暗示训练集特征样本在特征空间中的松散分布对分类测试工作所造成的不利影响。不过即使如此，FLSA-SVM分类器的表现依然好于LS-SVM以及传统的SVM。值得注意的是，改进方法的整体运算时间(13.0224秒)明显小于其他两种方法(分别为20.0576秒与17.1398秒)，具有较高的效率。
应用FCM-C基特征样本识别方法对每个模式类的训练集与测试集特征样本进行划分，FCM-C的聚类数目设置为4，模糊加权指数取为m＝2。经过特征样本识别后再进行FLSA-SVM分类器训练。三个模式的分类测试结果如图5以及表2所示。对比图4与图5以及表1与表2，可以清楚地看到：经过特征样本识别并剔除明显偏离的野值样本后，正常与机座松动模式的误分率明显下降，只有轮齿破坏模式的误分率有轻微的增加(从10％到11.8％)。整体而言，分类的准确性有显著提高，间接地显示出FCM-C基方法对有效特征样本的识别作用。
表2经过特征样本识别的FLSA-SVM多模式分类结果
模式 正常 轮齿破坏 机座松动
误分率 12.5％ 11.8％ 0％
多故障模式二分类
将轮齿破坏、机座松动两个模式类的训练集与测试集组合，构成非正常模式训练集与测试集，利用FastICA算法分别批训练两个ICA特征抽取网络，由此形成[正常-非正常]特征提取器，分别提取正常与非正常模式的两维量化特征，训练特征向量数分别为20个和40个，测试特征向量也是如此。
直接使用正常与非正常、轮齿破坏与机座松动四个模式类的训练样本，共训练两个FLSA-SVM分类器，核函数仍然采用RBF。分类测试过程分为两级，第一级用于识别正常与非正常状态，第二级用于识别轮齿破坏与机座松动模式。所得的第一级分类测试结果如图6所示。对已得到正确分类的非正常模式(轮齿破坏或机座松动)的测试样本，利用前面实验中已经建立的两维特征提取器[轮齿破坏-机座松动]进行第二级分类测试，结果如图7所示。在表3中，进一步详细列出了直接多模式二分类的最终结果。对比图4及表1可以看到，多模式二分类策略的采用明显降低了模式分类的错误率，三个模式类的累加误分率分别下降到5％、7.5％以及7.5％，表明分类器的性能已得到明显改善。
表3FLSA-SVM直接多模式二分类结果
同样应用FCM-C基方法对训练集与测试集特征样本进行划分，算法参数设置同前。所得的第一级和第二级分类测试结果如图8、图9以及表4所示。可以看到，应用FCM-C基特征样本识别后，第一级分类测试的误分率由[5％5％]下降为[0％2.9％]，分类效果明显改善，这种改善是很有意义的。多模式二分类算法对第一级分类的精度要求很高，因为第一级的错误划分将直接影响下一级的处理结果。第二级分类测试的误分率由[5％5％]上升为[11.7％5.9％]，测试结果不够理想。对此，可以从以下两个方向进行算法改进，第一是在下一级处理中不使用FCM-C基方法进行特征样本的识别与剔除，而是进行直接分类；第二是调整分类算法的参数，例如控制RBF核函数的γ及σ2等。
表4经过特征样本识别的FLSA-SVM多模式二分类结果
在表5中，给出了改进后的第二级分类测试结果。可以看到，无论是采用直接分类还是调整算法参数(σ2由0.5增加到0.7)，两种改进方式都达到了满意的效果，对轮齿破坏与机座松动两个模式类的误分率均下降到5.9％，整体效果要好于改进之前，具体可对比表3、表4与表5中的数据。进一步验证了本发明的优势。
表5改进后的第二级分类测试结果
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种高性能大型风电齿轮箱多故障分类方法，其特征在于，所述方法包括：
获取高性能大型风电齿轮箱故障特征的空间分布图像；所述故障特征包括齿轮破坏和机座松动；
获取所述空间分布图像的图像切片；
根据所述图像切片确定高性能大型风电齿轮箱故障特征数据；
获取所述图像切片的中心点坐标；
根据所述故障特征数据以及所述中心点坐标，计算分类阈值；
根据所述分类阈值对所述故障特征进行分类，得到有效特征样本；
对有效特征样本进行优化求解，得到优化后的方向向量以及优化后的偏移项；
根据优化后的方向向量以及优化后的偏移项，确定拉格朗函数；
根据所述拉格朗日函数，对高性能大型风电齿轮箱的故障特征数据进行分类。
2.根据权利要求1所述的故障分类方法，其特征在于，所述根据所述故障特征数据以及所述中心点坐标，计算分类阈值，具体包括：
根据所述故障特征数据计算权向量和偏移项；
根据所述权向量和所述偏移项选择核函数；
根据所述故障特征数据、所述权向量、所述偏移项以及所述核函数，确定拉格朗日乘子；
根据所述朗格朗日乘子以及所述中心点坐标，计算分类阈值。
3.根据权利要求1所述的故障分类方法，其特征在于，所述根据所述拉格朗日函数，对高性能大型风电齿轮箱的故障特征数据进行分类，具体包括：
根据所述拉拉格朗日函数确定分离超曲面；
根据所述故障数据在所述分离超曲面的位置，对所述故障特征数据进行分类。
4.一种高性能大型风电齿轮箱多故障分类系统，其特征在于，所述系统包括：
空间分布图像获取模块，用于获取高性能大型风电齿轮箱故障特征的空间分布图像；所述故障特征包括齿轮破坏和机座松动；
图像切片获取模块，用于获取所述空间分布图像的图像切片；
故障特征数据确定模块，用于根据所述图像切片确定高性能大型风电齿轮箱故障特征数据；
坐标获取模块，用于获取所述图像切片的中心点坐标；
计算模块，用于根据所述故障特征数据以及所述中心点坐标，计算分类阈值；
有效特征样本分类模块，用于根据所述分类阈值对所述故障特征进行分类，得到有效特征样本；
求解模块，用于对有效特征样本进行优化求解，得到优化后的方向向量以及优化后的偏移项；
拉格朗函数确定模块，用于根据优化后的方向向量以及优化后的偏移项，确定拉格朗函数；
故障特征数据分类模块，用于根据所述拉格朗日函数，对高性能大型风电齿轮箱的故障特征数据进行分类。
5.根据权利要求4所述的系统，其特征在于，所述计算模块包括：
第一计算单元，用于根据所述故障特征数据计算权向量和偏移项；
选择单元，用于根据所述权向量和所述偏移项选择核函数；
确定单元，用于根据所述故障特征数据、所述权向量、所述偏移项以及所述核函数，确定拉格朗日乘子；
第二计算单元，用于根据所述朗格朗日乘子以及所述中心点坐标，计算分类阈值。
6.根据权利要求4所述的系统，其特征在于，所述故障特征数据分类模块包括：
分离超曲面确定单元，用于根据所述拉拉格朗日函数确定分离超曲面；
分类单元，用于根据所述故障数据在所述分离超曲面的位置，对所述故障特征数据进行分类。
CN201810391306.2A 2018-04-27 2018-04-27 一种高性能大型风电齿轮箱故障分类方法及系统 Pending CN108875558A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810391306.2A CN108875558A (zh) 2018-04-27 2018-04-27 一种高性能大型风电齿轮箱故障分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810391306.2A CN108875558A (zh) 2018-04-27 2018-04-27 一种高性能大型风电齿轮箱故障分类方法及系统

Publications (1)

Publication Number Publication Date
CN108875558A true CN108875558A (zh) 2018-11-23

Family

ID=64327231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810391306.2A Pending CN108875558A (zh) 2018-04-27 2018-04-27 一种高性能大型风电齿轮箱故障分类方法及系统

Country Status (1)

Country Link
CN (1) CN108875558A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6526356B1 (en) * 2001-06-19 2003-02-25 The Aerospace Corporation Rocket engine gear defect monitoring method
US20050284225A1 (en) * 2004-06-28 2005-12-29 Huageng Luo System and method for monitoring the condition of a drive train
CN101566848A (zh) * 2009-05-27 2009-10-28 中南大学 基于泡沫尺寸统计分布的浮选过程故障诊断方法
CN204062501U (zh) * 2014-03-25 2014-12-31 罗斯蒙特公司 用于检测过程管道的状态的诊断现场装置
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
WO2016069171A1 (en) * 2014-10-31 2016-05-06 Exxonmobil Upstream Research Company Handling domain discontinuity in a subsurface grid model with the help of grid optimization techniques
CN106777606A (zh) * 2016-12-02 2017-05-31 上海电机学院 一种风电机组齿轮箱故障预测诊断算法
CN106874957A (zh) * 2017-02-27 2017-06-20 苏州大学 一种滚动轴承故障诊断方法
WO2017128455A1 (zh) * 2016-01-25 2017-08-03 合肥工业大学 一种基于广义多核支持向量机的模拟电路故障诊断方法
US20170261264A1 (en) * 2017-05-25 2017-09-14 Northeastern University Fault diagnosis device based on common information and special information of running video information for electric-arc furnace and method thereof
CN107784325A (zh) * 2017-10-20 2018-03-09 河北工业大学 基于数据驱动增量融合的螺旋式故障诊断模型
CN108509987A (zh) * 2018-03-19 2018-09-07 浙江师范大学 高性能的大型风电齿轮箱多故障模式二分类器

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6526356B1 (en) * 2001-06-19 2003-02-25 The Aerospace Corporation Rocket engine gear defect monitoring method
US20050284225A1 (en) * 2004-06-28 2005-12-29 Huageng Luo System and method for monitoring the condition of a drive train
CN101566848A (zh) * 2009-05-27 2009-10-28 中南大学 基于泡沫尺寸统计分布的浮选过程故障诊断方法
CN204062501U (zh) * 2014-03-25 2014-12-31 罗斯蒙特公司 用于检测过程管道的状态的诊断现场装置
WO2016069171A1 (en) * 2014-10-31 2016-05-06 Exxonmobil Upstream Research Company Handling domain discontinuity in a subsurface grid model with the help of grid optimization techniques
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
WO2017128455A1 (zh) * 2016-01-25 2017-08-03 合肥工业大学 一种基于广义多核支持向量机的模拟电路故障诊断方法
CN106777606A (zh) * 2016-12-02 2017-05-31 上海电机学院 一种风电机组齿轮箱故障预测诊断算法
CN106874957A (zh) * 2017-02-27 2017-06-20 苏州大学 一种滚动轴承故障诊断方法
US20170261264A1 (en) * 2017-05-25 2017-09-14 Northeastern University Fault diagnosis device based on common information and special information of running video information for electric-arc furnace and method thereof
CN107784325A (zh) * 2017-10-20 2018-03-09 河北工业大学 基于数据驱动增量融合的螺旋式故障诊断模型
CN108509987A (zh) * 2018-03-19 2018-09-07 浙江师范大学 高性能的大型风电齿轮箱多故障模式二分类器

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SONIA LEVA等: "Dynamic Analysis of a High-Speed Train", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 *
焦卫东等: "整体改进的基于支持向量机的故障诊断方法", 《仪器仪表学报》 *

Similar Documents

Publication Publication Date Title
CN108388927B (zh) 基于深度卷积孪生网络的小样本极化sar地物分类方法
CN112529042B (zh) 一种基于双重注意力多示例深度学习的医学图像分类方法
CN107292336A (zh) 一种基于dcgan的极化sar图像分类方法
CN105046224A (zh) 基于分块自适应加权梯度方向直方图特征的人脸识别方法
CN107679509A (zh) 一种小环藻识别方法及装置
CN102393914A (zh) 一种基于支持向量机分类树的地基云图识别方法
CN101251896B (zh) 一种基于多分类器的物体检测系统及方法
CN102509123A (zh) 一种基于复杂网络的脑功能磁共振图像分类方法
Khalid et al. A comparative study of feature extraction methods for wood texture classification
CN103839078A (zh) 一种基于主动学习的高光谱图像分类方法
CN108509701A (zh) 一种基于振动信号的旋转机械故障直接智能诊断方法
CN103366184A (zh) 基于混合分类器的极化sar数据分类方法及系统
CN112330616A (zh) 一种脑脊液细胞图像自动化识别和计数的方法
CN103049760A (zh) 基于图像分块和位置加权的稀疏表示目标识别方法
CN111310719B (zh) 一种未知辐射源个体识别及检测的方法
CN103235954A (zh) 一种基于改进AdaBoost算法的地基云图识别方法
CN108596228A (zh) 一种基于无监督模糊系统的脑功能磁共振图像分类方法
CN115600088A (zh) 一种基于振动信号的配电变压器故障诊断方法
CN101877065B (zh) 小样本条件下的人脸图像非线性鉴别特征抽取和识别方法
CN110188592A (zh) 一种尿液有形成分细胞图像分类模型构建方法及分类方法
CN106570514A (zh) 一种基于词袋模型和支持向量机的汽车轮毂分类方法
CN109584208A (zh) 一种针对工业结构缺陷智能识别模型的检验方法
CN105825215A (zh) 一种基于局部近邻嵌入核函数的仪表定位方法及其使用载体
CN111325158B (zh) 一种基于cnn和rfc的集成学习的极化sar图像分类方法
CN111127407B (zh) 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法

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

Application publication date: 20181123

RJ01 Rejection of invention patent application after publication