CN110617960A - 一种风电机组齿轮箱故障诊断方法及系统 - Google Patents
一种风电机组齿轮箱故障诊断方法及系统 Download PDFInfo
- Publication number
- CN110617960A CN110617960A CN201910968583.XA CN201910968583A CN110617960A CN 110617960 A CN110617960 A CN 110617960A CN 201910968583 A CN201910968583 A CN 201910968583A CN 110617960 A CN110617960 A CN 110617960A
- Authority
- CN
- China
- Prior art keywords
- fault
- fault diagnosis
- gearbox
- diagnosis
- fusion
- 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
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Sustainable Development (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明实施例提供一种风电机组齿轮箱故障诊断方法及系统。该方法包括:获取齿轮箱的测试数据;将所述测试数据输入至预先训练好的故障诊断模型,获取所述故障诊断模型输出的诊断结果;其中所述故障诊断模型,是基于齿轮箱的故障信号特征提取值,经过数据清洗、归一化和数据降维后进行训练得到的;基于D‑S融合证据理论对所述诊断结果进行信息融合诊断,得到最终诊断结果。本发明实施例通过从多角度提取信号的振动特征,进一步利用故障诊断模型分别进行模式识别诊断,再利用D‑S融合证据理论进行信息融合诊断,提高了齿轮箱故障诊断的准确率,并使诊断模型具有了一定的容错性。
Description
技术领域
本发明涉及发电机技术领域,尤其涉及一种风电机组齿轮箱故障诊断方法及系统。
背景技术
随着人类社会的发展,人类的文明与进步离不开能源的开采和使用,长期使用化石能源带来的资源短缺、环境污染、气候变化等问题日益严重,对社会发展和生态平衡造成的影响越来越大。能源发展逐步从总量扩张向提质增效转变,能源的高质量发展对我国经济社会的高质量发展至关重要,在构建清洁低碳、安全高效的现代能源体系转型期,风电行业的发展至关重要。
齿轮箱是双馈型和半直驱型风电机组传动链中的最关键设备,长期受到冲击载荷较大,易受损出现故障,可以说齿轮箱的健康状态决定了整个机组的发电能力,在风电场的运行过程中,对机组进行准确的故障诊断至关重要,若能在故障早期发现问题和故障变化规律,就能尽早解决问题,避免故障发展过大,减少发电量损失。故障诊断过程中,由于齿轮箱运行状态的复杂性和多样性,运行环境的多变性,同类型的故障其征兆的多样性,另外由于风电机组齿轮箱运行环境多变载荷和噪声较大,传感器的测量误差和噪声污染较大,采集的振动信号往往是不完整、不精确和模糊的,仅仅从单方面的诊断难以直接诊断出故障类型。
因此,需要提出一种风电机组齿轮箱故障诊断方法,能从多维度进行故障诊断,提高故障诊断准确率。
发明内容
本发明实施例提供一种风电机组齿轮箱故障诊断方法及系统,用以解决现有技术中对风电机组齿轮箱采集的故障信息过于单一,且诊断精度不高的问题。
第一方面,本发明实施例提供一种风电机组齿轮箱故障诊断方法,包括:
获取齿轮箱的测试数据;
将所述测试数据输入至预先训练好的故障诊断模型,获取所述故障诊断模型输出的故障诊断结果;其中所述故障诊断模型,是基于齿轮箱的故障信号特征提取值,以及按照故障标准样板进行分类所得到的分类标签训练得到的;
基于D-S融合证据理论对所述诊断结果进行信息融合诊断,得到最终诊断结果。
优选地,所述获取齿轮箱的测试数据,具体包括:
获取齿轮箱的振动加速度信号;
基于小波变化对所述振动加速度信号进行降噪处理,得到所述故障信号特征提取值;
分别在若干个域中提取所述故障信号特征提取值,得到所述测试数据。
优选地,所述若干个域包括时域、频域和小波能量。
优选地,所述振动加速度信号对应的测点位置包括行星轮系、中间轴和高速轴。
优选地,所述故障诊断模型,通过以下步骤获得:
将所述故障信号特征提取值进行数据清洗、归一化和数据降维处理后,得到初始故障信号特征提取值;
按照所述故障标准样板对所述初始故障信号特征提取值进行分类,得到所述分类标签;
将所述初始故障信号特征提取值按照所述分类标签进行分类,生成用于训练的故障信号特征样本集;
获取模糊神经网络结构作为初始模型;
将所述故障信号特征样本集输入所述初始模型进行训练,得到所述故障诊断模型。
优选地,所述基于D-S融合证据理论对所述诊断结果进行信息融合诊断,得到最终故障诊断结果,具体包括:
获取所述诊断结果作为证据理论,并将所述故障诊断模型的误差作为事件的不确定度,对所述诊断结果进行归一化处理,得到概率赋值;
将所述概率赋值进行信息融合,得到最终故障诊断结果。
优选地,所述将所述概率赋值进行信息融合,得到最终故障诊断结果,具体包括:
基于所述概率赋值,得到整体冲突系数;
基于所述概率赋值和所述整体冲突系数,得到融合概率赋值;
将所述融合概率赋值进行信息融合,得到最终故障诊断结果。
第二方面,本发明实施例提供一种风电机组齿轮箱故障诊断系统,包括:
获取模块,用于获取齿轮箱的测试数据;
处理模块,用于将所述测试数据输入至预先训练好的故障诊断模型,获取所述故障诊断模型输出的故障诊断结果;其中所述故障诊断模型,是基于齿轮箱的故障信号特征提取值,以及按照故障标准样板进行分类所得到的分类标签训练得到的;
融合诊断模块,用于基于D-S融合证据理论对所述诊断结果进行信息融合诊断,得到最终故障诊断结果。
第三方面,本发明实施例提供一种电子设备,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一项所述一种风电机组齿轮箱故障诊断方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现任一项所述一种风电机组齿轮箱故障诊断方法的步骤。
本发明实施例提供的风电机组齿轮箱故障诊断方法及系统,通过从多角度提取信号的振动特征,进一步利用故障诊断模型分别进行模式识别诊断,再利用D-S融合证据理论进行信息融合诊断,提高了齿轮箱故障诊断的准确率,并使诊断模型具有了一定的容错性。
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,下面将对实施例或现有技术描述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为本发明实施例提供的一种风电机组齿轮箱故障诊断方法流程图;
图2为本发明实施例提供的基于D-S融合证据理论进行信息融合诊断的示意图;
图3为本发明实施例提供的一种风电机组齿轮箱故障诊断系统结构图;
图4为本发明实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
由于现有技术中无法从多维度对风电机组齿轮箱的故障信号进行分析和诊断,因此本发明实施例提出一种风电机组齿轮箱故障诊断方法,从多角度提取信号的振动特征,对故障信息进行诊断。
首先分析研究风电机组齿轮箱故障发生和振动机理,确定齿轮箱故障模式集合。风电机组齿轮箱结构可分为两类,一级行星两级平行结构和两级行星一级平行结构,其中,一级行星两级平行结构主要用于2MW以及2MW以下功率的风电齿轮箱,用一组平行级代替行星级,可靠性高,但体积与重量大;两级行星一级平行结构主要用于2.5MW以上功率的齿轮箱,承载能力强,体积小,重量轻,直径小但横向长,部分2MW以下齿轮箱也采用了该种结构。在不同的结构中,振动信号的传递路径不同,采集振动信号时振动加速度传感器的安装位置也不同,针对行星轮系和平行齿轮不同的振动机理和常出现的故障特点,研究总结典型故障信号特征,建立故障模式集合。
图1为本发明实施例提供的一种风电机组齿轮箱故障诊断方法流程图,如图1所示,包括:
S1,获取齿轮箱的测试数据;
S2,将所述测试数据输入至预先训练好的故障诊断模型,获取所述故障诊断模型输出的故障诊断结果;其中所述故障诊断模型,是基于齿轮箱的故障信号特征提取值,以及按照故障标准样板进行分类所得到的分类标签训练得到的;
S3,基于D-S融合证据理论对所述诊断结果进行信息融合诊断,得到最终故障诊断结果。
具体地,在步骤S1中,获取了风电机组齿轮箱的测试数据,作为后续故障诊断系统的输入,在步骤S2中,将获取的测试数据输入至故障诊断模型,该模型为预先训练好的,其输出即为故障诊断结果,在步骤S3中,为了进一步提高故障诊断结果的准确率,采用D-S融合证据理论对得到的诊断结果进行信息融合诊断,得到最终故障诊断结果。
本发明实施例通过从多角度提取信号的振动特征,进一步利用故障诊断模型进行模式识别诊断,再利用D-S融合证据理论进行信息融合诊断,提高了齿轮箱故障诊断的准确率,并使诊断模型具有了一定的容错性。
基于上述实施例,所述获取齿轮箱的测试数据,具体包括:
获取齿轮箱的振动加速度信号;
基于小波变化对所述振动加速度信号进行降噪处理,得到所述故障信号特征提取值;
分别在若干个域中提取所述故障信号特征提取值,得到所述测试数据。
其中,所述若干个域包括时域、频域和小波能量。
其中,所述振动加速度信号对应的测点位置包括行星轮系、中间轴和高速轴。
具体地,首先采集风电机组齿轮箱振动加速度信号,包括行星轮系、中间轴、高速轴等测点位置。在信号处理中利用小波降噪后进行故障信号特征提取,提取的特征值包括时域、频域和小波能量三个不同域的值。
此处,在振动信号时域特征值中,可分为有量纲特征值和无量纲特征值。设采集的齿轮箱振动信号序列为{x0,x1,x2,...,xn-1},有量纲特征值见表1:
无量纲特征值见表2:
频域特征值见表3:
在小波能量中,将正交小波基函数中滤波器系数设定成{hk}k∈Z和{gk}k∈Z,其中尺度函数φ(t)记作u0(t),小波函数记作u1(t),关于φ(t)和的两尺度函数见下式:
定义闭包空间n∈Z+,j∈Z。设可表示为:
因此小波包分解的数学公式为:
小波重构算法为:根据小波分解原理对原始信号分解后,再将其各部分重构,分别计算能量值:式中,xk为小波重构信号;N为重构后信号长度;J为小波分解的频段数目,本发明实施例将信号分为8段。
本发明实施例通过对风电机组采集的原始振动加速度信号进行一系列的预处理,包括小波降噪,分别从三个不同的域提取特征值,进一步提取了故障信号,有利于总结典型故障信号特征,建立故障模式集合。
基于上述任一实施例,所述故障诊断模型,通过以下步骤获得:
将所述故障信号特征提取值进行数据清洗、归一化和数据降维处理后,得到初始故障信号特征提取值;
按照所述故障标准样板对所述初始故障信号特征提取值进行分类,得到所述分类标签;
将所述初始故障信号特征提取值按照所述分类标签进行分类,生成用于训练的故障信号特征样本集;
获取模糊神经网络结构作为初始模型;
将所述故障信号特征样本集输入所述初始模型进行训练,得到所述故障诊断模型。
具体地,提取到的时域、频域、小波能量三个方面的特征值,经过数据清洗、归一化、数据降维后,得到初始故障信号特征提取值,同时按照故障标准样板进行分类,进一步得到分类标签,再将初始故障信号特征提取值按照分类标签进行分类处理,获得用于训练的故障信号特征样本集,在三个域中分别建立三个模糊神经网络(FNN)故障诊断模型。
故障诊断系统建模时根据输入数据和输出数据的维数及实际问题建立合适的模糊神经网络,包括神经网络的输入节点数和输出节点数,以及隶属度函数个数,设置训练误差,最终确定整个模糊神经网络的结构。然后对模糊神经网络参数初始化,利用输入数据训练模糊神经网络直到达到误差要求。将时域、频域、小波能量测试数据分别输入建立好的三个模糊神经网络,对于多种典型齿轮箱故障进行诊断判别,本发明实施例选取五种典型的故障,得到模糊神经网络诊断结果。
因为在行星轮系中,若干个行星轮与太阳轮、内齿圈啮合,行星轮中既有自转又公转的齿轮,主要发生内齿圈断齿和行星轮断齿故障,振动信号中包含多种旋转频率和啮合频率此外还有以上频率的倍频和边频成分,给信号分析带来困难。中间轴转速适中,润滑较好,常发生齿轮剥落故障和断齿故障。高速轴转速较快,齿轮啮合频率较高,齿轮常发生断齿故障。本发明实施例选取行星轮内齿圈断齿、行星轮断齿、中间轴齿轮剥落、中间轴齿轮缺齿、高速轴齿轮断齿五种故障分析,说明该故障诊断方法,这五种故障描述如下:
1)内齿圈断齿:行星级中内齿圈齿轮发生断裂;
2)行星轮断齿:行星级中行星齿轮发生断裂;
3)中间轴齿轮剥落:中间轴齿轮齿面剥落;
4)中间轴齿轮断齿:中间轴齿轮发生断裂;
5)高速轴齿轮断齿:高速轴齿轮发生断裂。
其计算结果如表4所示:
u<sub>1</sub> | u<sub>2</sub> | u<sub>3</sub> | u<sub>4</sub> | u<sub>5</sub> | θ | |
FNN1 | 0.675191 | 0.283229 | 0.035016 | 0.021253 | 0.017543 | 0.093853 |
FNN2 | 0.667202 | 0.279515 | 0.023556 | 0.023888 | 0.023318 | 0.095276 |
FNN3 | 0.682789 | 0.356683 | 0.037340 | 0.039533 | 0.017044 | 0.115547 |
基于上述任一实施例,所述基于D-S融合证据理论对所述诊断结果进行信息融合诊断,得到最终故障诊断结果,具体包括:
获取所述诊断结果作为证据理论,并将所述故障诊断模型的误差作为事件的不确定度,对所述诊断结果进行归一化处理,得到概率赋值;
将所述概率赋值进行信息融合,得到最终故障诊断结果。
其中,所述将所述概率赋值进行信息融合,得到最终故障诊断结果,具体包括:
基于所述概率赋值,得到整体冲突系数;
基于所述概率赋值和所述整体冲突系数,得到融合概率赋值;
将所述融合概率赋值进行信息融合,得到最终故障诊断结果。
具体地,基于D-S融合证据理论进行信息融合诊断,如图2所示。信息融合诊断时将三个模糊神经网络的输出结果作为证据理论将诊断系统误差作为事件的不确定度,归一化后作为概率赋值,如下式所示。
式中,P(ui)为该故障类型的神经网络输出结果,N为所有故障类型的输出值的和。表4得到的输出结果计算出的概率赋值如表5所示:
m(u<sub>1</sub>) | m(u<sub>2</sub>) | m(u<sub>3</sub>) | m(u<sub>4</sub>) | m(u<sub>5</sub>) | m(θ) | |
FNN1 | 0.599592 | 0.251517 | 0.031095 | 0.018873 | 0.015579 | 0.083344 |
FNN2 | 0.599595 | 0.251192 | 0.021169 | 0.021467 | 0.020955 | 0.085622 |
FNN3 | 0.546696 | 0.285590 | 0.029897 | 0.031653 | 0.013647 | 0.092516 |
齿轮箱五种故障相互独立,根据信息融合规则,将三个模糊神经网络的输出概率看作三个信息源,将三个信息源进行融合,首先融合m1和m2,其整体冲突系数k12为:
分配到行星轮内齿圈缺齿故障上的概率为:
同理计算出m12(u2),m12(u3),m12(u4),m12(u5),m12(θ)。然后将m12与m3融合得到m123,结果如表6所示:
m(u1) | m(u2) | m(u3) | m(u4) | m(u5) | m(θ) | |
m<sub>12</sub> | 0.791341 | 0.181425 | 0.008732 | 0.006543 | 0.005850 | 0.036763 |
m<sub>123</sub> | 0.904350 | 0.136009 | 0.003728 | 0.003398 | 0.001931 | 0.017545 |
本发明实施例通过采用D-S融合证据理论对诊断故障模型输出的诊断结果进行信息融合处理,使得故障的概率值大幅度提高,整个系统的可信度进一步提高,系统不确定度降低。
图3为本发明实施例提供的一种风电机组齿轮箱故障诊断系统结构图,如图3所示,包括:获取模块31、处理模块32和融合诊断模块33;其中:
获取模块31用于获取齿轮箱的测试数据;处理模块32用于将所述测试数据输入至预先训练好的故障诊断模型,获取所述故障诊断模型输出的故障诊断结果;其中所述故障诊断模型,是基于齿轮箱的故障信号特征提取值,以及按照故障标准样板进行分类所得到的分类标签训练得到的;融合诊断模块33用于基于D-S融合证据理论对所述诊断结果进行信息融合诊断,得到最终故障诊断结果。
本发明实施例提供的系统用于执行上述对应的方法,其具体的实施方式与方法的实施方式一致,涉及的算法流程与对应的方法算法流程相同,此处不再赘述。
本发明实施例通过从多角度提取信号的振动特征,进一步利用故障诊断模型进行模式识别诊断,再利用D-S融合证据理论进行信息融合诊断,提高了齿轮箱故障诊断的准确率,并使诊断模型具有了一定的容错性。
基于上述任一实施例,所述获取模块31具体包括:获取子模块311、小波降噪处理子模块312和提取子模块313;其中:
获取子模块311用于获取齿轮箱的振动加速度信号,小波降噪处理子模块312用于基于小波变化对所述振动加速度信号进行降噪处理,得到所述故障信号特征提取值,提取子模块313用于分别在若干个域中提取所述故障信号特征提取值,得到所述测试数据。
其中,所述若干个域包括时域、频域和小波能量。
其中,所述振动加速度信号对应的测点位置包括行星轮系、中间轴和高速轴。
本发明实施例通过对风电机组采集的原始振动加速度信号进行一系列的预处理,包括小波降噪,分别从三个不同的域提取特征值,进一步提取了故障信号,有利于总结典型故障信号特征,建立故障模式集合。
基于上述任一实施例,所述处理模块32中的故障诊断模型,通过以下步骤获得:
将所述故障信号特征提取值进行数据清洗、归一化和数据降维处理后,得到初始故障信号特征提取值;
按照所述故障标准样板对所述初始故障信号特征提取值进行分类,得到所述分类标签;
将所述初始故障信号特征提取值按照所述分类标签进行分类,生成用于训练的故障信号特征样本集;
获取模糊神经网络结构作为初始模型;
将所述故障信号特征样本集输入所述初始模型进行训练,得到所述故障诊断模型。
基于上述任一实施例,融合诊断模块33具体包括:概率赋值子模块331和诊断子模块332;其中:
概率赋值子模块331用于获取所述诊断结果作为证据理论,并将所述故障诊断模型的误差作为事件的不确定度,对所述诊断结果进行归一化处理,得到概率赋值,诊断子模块332用于将所述概率赋值进行信息融合,得到最终故障诊断结果。
其中诊断子模块332具体用于:
基于所述概率赋值,得到整体冲突系数;
基于所述概率赋值和所述整体冲突系数,得到融合概率赋值;
将所述融合概率赋值进行信息融合,得到最终故障诊断结果。
本发明实施例通过采用D-S融合证据理论对诊断故障模型输出的诊断结果进行信息融合处理,使得故障的概率值大幅度提高,整个系统的可信度进一步提高,系统不确定度降低。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行如下方法:获取齿轮箱的测试数据;将所述测试数据输入至预先训练好的故障诊断模型,获取所述故障诊断模型输出的故障诊断结果;其中所述故障诊断模型,是基于齿轮箱的故障信号特征提取值,以及按照故障标准样板进行分类所得到的分类标签训练得到的;基于D-S融合证据理论对所述诊断结果进行信息融合诊断,得到最终故障诊断结果。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:获取齿轮箱的测试数据;将所述测试数据输入至预先训练好的故障诊断模型,获取所述故障诊断模型输出的故障诊断结果;其中所述故障诊断模型,是基于齿轮箱的故障信号特征提取值,以及按照故障标准样板进行分类所得到的分类标签训练得到的;基于D-S融合证据理论对所述诊断结果进行信息融合诊断,得到最终故障诊断结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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:其依然可以对前述各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各实施例技术方案的精神和范围。
Claims (10)
1.一种风电机组齿轮箱故障诊断方法,其特征在于,包括:
获取齿轮箱的测试数据;
将所述测试数据输入至预先训练好的故障诊断模型,获取所述故障诊断模型输出的故障诊断结果;其中所述故障诊断模型,是基于齿轮箱的故障信号特征提取值,以及按照故障标准样板进行分类所得到的分类标签训练得到的;
基于D-S融合证据理论对所述故障诊断结果进行信息融合诊断,得到最终故障诊断结果。
2.根据权利要求1所述的一种风电机组齿轮箱故障诊断方法,其特征在于,所述获取齿轮箱的测试数据,具体包括:
获取齿轮箱的振动加速度信号;
基于小波变化对所述振动加速度信号进行降噪处理,得到所述故障信号特征提取值;
分别在若干个域中提取所述故障信号特征提取值,得到所述测试数据。
3.根据权利要求2所述的一种风电机组齿轮箱故障诊断方法,其特征在于,所述若干个域包括时域、频域和小波能量。
4.根据权利要求2或3所述的一种风电机组齿轮箱故障诊断方法,其特征在于,所述振动加速度信号对应的测点位置包括行星轮系、中间轴和高速轴。
5.根据权利要求2所述的一种风电机组齿轮箱故障诊断方法,其特征在于,所述故障诊断模型,通过以下步骤获得:
将所述故障信号特征提取值进行数据清洗、归一化和数据降维处理后,得到初始故障信号特征提取值;
按照所述故障标准样板对所述初始故障信号特征提取值进行分类,得到所述分类标签;
将所述初始故障信号特征提取值按照所述分类标签进行分类,生成用于训练的故障信号特征样本集;
获取模糊神经网络结构作为初始模型;
将所述故障信号特征样本集输入所述初始模型进行训练,得到所述故障诊断模型。
6.根据权利要求1所述的一种风电机组齿轮箱故障诊断方法,其特征在于,所述基于D-S融合证据理论对所述诊断结果进行信息融合诊断,得到最终故障诊断结果,具体包括:
获取所述诊断结果作为证据理论,并将所述故障诊断模型的误差作为事件的不确定度,对所述诊断结果进行归一化处理,得到概率赋值;
将所述概率赋值进行信息融合,得到最终故障诊断结果。
7.根据权利要求6所述的一种风电机组齿轮箱故障诊断方法,其特征在于,所述将所述概率赋值进行信息融合,得到最终故障诊断结果,具体包括:
基于所述概率赋值,得到整体冲突系数;
基于所述概率赋值和所述整体冲突系数,得到融合概率赋值;
将所述融合概率赋值进行信息融合,得到最终故障诊断结果。
8.一种风电机组齿轮箱故障诊断系统,其特征在于,包括:
获取模块,用于获取齿轮箱的测试数据;
处理模块,用于将所述测试数据输入至预先训练好的故障诊断模型,获取所述故障诊断模型输出的故障诊断结果;其中所述故障诊断模型,是基于齿轮箱的故障信号特征提取值,以及按照故障标准样板进行分类所得到的分类标签训练得到的;
融合诊断模块,用于基于D-S融合证据理论对所述诊断结果进行信息融合诊断,得到最终故障诊断结果。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述一种风电机组齿轮箱故障诊断方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述一种风电机组齿轮箱故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910968583.XA CN110617960A (zh) | 2019-10-12 | 2019-10-12 | 一种风电机组齿轮箱故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910968583.XA CN110617960A (zh) | 2019-10-12 | 2019-10-12 | 一种风电机组齿轮箱故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110617960A true CN110617960A (zh) | 2019-12-27 |
Family
ID=68925455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910968583.XA Pending CN110617960A (zh) | 2019-10-12 | 2019-10-12 | 一种风电机组齿轮箱故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110617960A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111425584A (zh) * | 2020-04-29 | 2020-07-17 | 常州机电职业技术学院 | 适用于分离式减速器的齿轮传动噪声的消噪方法 |
CN112163474A (zh) * | 2020-09-15 | 2021-01-01 | 东南大学 | 一种基于模型融合的齿轮箱智能诊断方法 |
CN112733706A (zh) * | 2021-01-07 | 2021-04-30 | 河南理工大学 | 基于双线性lbp的电机故障诊断方法、电子设备及介质 |
CN113050594A (zh) * | 2021-03-11 | 2021-06-29 | 北京航空航天大学 | 一种矢量喷管控制系统的多信息融合故障诊断方法及系统 |
CN113484738A (zh) * | 2021-05-25 | 2021-10-08 | 北京航空航天大学 | 基于多特征信息融合的电路故障诊断方法 |
CN113806893A (zh) * | 2021-11-16 | 2021-12-17 | 常州和利时信息系统工程有限公司 | 基于工业互联网的风机状态监测与故障诊断方法及系统 |
CN114279553A (zh) * | 2021-11-18 | 2022-04-05 | 江阴长仪集团有限公司 | 一种智能量测开关的状态诊断方法及装置 |
CN115539378A (zh) * | 2022-11-23 | 2022-12-30 | 中汽信息科技(天津)有限公司 | 一种汽车生产线液压齿轮泵故障诊断方法、装置及介质 |
CN116910493A (zh) * | 2023-09-12 | 2023-10-20 | 山东能源数智云科技有限公司 | 基于多源特征提取的设备故障诊断模型的构建方法及装置 |
CN117076870A (zh) * | 2023-10-16 | 2023-11-17 | 广东石油化工学院 | 旋转机械故障诊断方法、装置、设备及存储介质 |
CN117609692A (zh) * | 2023-11-14 | 2024-02-27 | 中节能风力发电股份有限公司 | 一种风力发电机组齿轮箱平行级故障诊断方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127184A (zh) * | 2016-07-05 | 2016-11-16 | 上海电机学院 | 一种风机齿轮箱故障诊断方法 |
CN108318249A (zh) * | 2018-01-24 | 2018-07-24 | 广东石油化工学院 | 一种旋转机械轴承的故障诊断方法 |
CN109213121A (zh) * | 2018-08-07 | 2019-01-15 | 重庆大学 | 一种风机制动系统卡缸故障诊断方法 |
CN109325553A (zh) * | 2018-12-04 | 2019-02-12 | 山东建筑大学 | 一种风电齿轮箱故障检测方法、系统、设备及介质 |
CN109657647A (zh) * | 2019-01-09 | 2019-04-19 | 红河学院 | 一种基于信息融合技术的水电机组故障诊断方法 |
-
2019
- 2019-10-12 CN CN201910968583.XA patent/CN110617960A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127184A (zh) * | 2016-07-05 | 2016-11-16 | 上海电机学院 | 一种风机齿轮箱故障诊断方法 |
CN108318249A (zh) * | 2018-01-24 | 2018-07-24 | 广东石油化工学院 | 一种旋转机械轴承的故障诊断方法 |
CN109213121A (zh) * | 2018-08-07 | 2019-01-15 | 重庆大学 | 一种风机制动系统卡缸故障诊断方法 |
CN109325553A (zh) * | 2018-12-04 | 2019-02-12 | 山东建筑大学 | 一种风电齿轮箱故障检测方法、系统、设备及介质 |
CN109657647A (zh) * | 2019-01-09 | 2019-04-19 | 红河学院 | 一种基于信息融合技术的水电机组故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
屈胜男: "模糊神经网络和D-S证据理论在齿轮箱故障诊断中的应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
黄时聪 等: "机器人柔性装配系统故障诊断的研究", 《机械工业自动化》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111425584A (zh) * | 2020-04-29 | 2020-07-17 | 常州机电职业技术学院 | 适用于分离式减速器的齿轮传动噪声的消噪方法 |
CN112163474B (zh) * | 2020-09-15 | 2024-03-26 | 东南大学 | 一种基于模型融合的齿轮箱智能诊断方法 |
CN112163474A (zh) * | 2020-09-15 | 2021-01-01 | 东南大学 | 一种基于模型融合的齿轮箱智能诊断方法 |
CN112733706A (zh) * | 2021-01-07 | 2021-04-30 | 河南理工大学 | 基于双线性lbp的电机故障诊断方法、电子设备及介质 |
CN112733706B (zh) * | 2021-01-07 | 2022-09-16 | 河南理工大学 | 基于双线性lbp的电机故障诊断方法、电子设备及介质 |
CN113050594A (zh) * | 2021-03-11 | 2021-06-29 | 北京航空航天大学 | 一种矢量喷管控制系统的多信息融合故障诊断方法及系统 |
CN113484738A (zh) * | 2021-05-25 | 2021-10-08 | 北京航空航天大学 | 基于多特征信息融合的电路故障诊断方法 |
CN113806893A (zh) * | 2021-11-16 | 2021-12-17 | 常州和利时信息系统工程有限公司 | 基于工业互联网的风机状态监测与故障诊断方法及系统 |
CN114279553A (zh) * | 2021-11-18 | 2022-04-05 | 江阴长仪集团有限公司 | 一种智能量测开关的状态诊断方法及装置 |
CN115539378A (zh) * | 2022-11-23 | 2022-12-30 | 中汽信息科技(天津)有限公司 | 一种汽车生产线液压齿轮泵故障诊断方法、装置及介质 |
CN116910493B (zh) * | 2023-09-12 | 2023-12-08 | 山东能源数智云科技有限公司 | 基于多源特征提取的设备故障诊断模型的构建方法及装置 |
CN116910493A (zh) * | 2023-09-12 | 2023-10-20 | 山东能源数智云科技有限公司 | 基于多源特征提取的设备故障诊断模型的构建方法及装置 |
CN117076870A (zh) * | 2023-10-16 | 2023-11-17 | 广东石油化工学院 | 旋转机械故障诊断方法、装置、设备及存储介质 |
CN117076870B (zh) * | 2023-10-16 | 2024-01-12 | 广东石油化工学院 | 旋转机械故障诊断方法、装置、设备及存储介质 |
CN117609692A (zh) * | 2023-11-14 | 2024-02-27 | 中节能风力发电股份有限公司 | 一种风力发电机组齿轮箱平行级故障诊断方法及装置 |
CN117609692B (zh) * | 2023-11-14 | 2024-04-30 | 中节能风力发电股份有限公司 | 一种风力发电机组齿轮箱平行级故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110617960A (zh) | 一种风电机组齿轮箱故障诊断方法及系统 | |
Li et al. | A fault diagnosis scheme for planetary gearboxes using adaptive multi-scale morphology filter and modified hierarchical permutation entropy | |
Shi et al. | Planetary gearbox fault diagnosis using bidirectional-convolutional LSTM networks | |
Chen et al. | Fault feature extraction and diagnosis of rolling bearings based on wavelet thresholding denoising with CEEMDAN energy entropy and PSO-LSSVM | |
Han et al. | Intelligent fault diagnosis method for rotating machinery via dictionary learning and sparse representation-based classification | |
Zhao et al. | A weighted multi-scale dictionary learning model and its applications on bearing fault diagnosis | |
Yang et al. | Vibration condition monitoring system for wind turbine bearings based on noise suppression with multi-point data fusion | |
Gharavian et al. | Comparison of FDA-based and PCA-based features in fault diagnosis of automobile gearboxes | |
Wu et al. | Rub-impact fault diagnosis of rotating machinery based on 1-D convolutional neural networks | |
CN105806613A (zh) | 一种基于阶比复杂度的行星齿轮箱故障诊断方法 | |
Gecgel et al. | Gearbox fault diagnostics using deep learning with simulated data | |
Zhong et al. | Multi-fault rapid diagnosis for wind turbine gearbox using sparse Bayesian extreme learning machine | |
CN103048133A (zh) | 一种基于贝叶斯网络的滚动轴承故障诊断方法 | |
Wang et al. | Gear fault diagnosis based on variational modal decomposition and wide+ narrow visual field neural networks | |
Upadhyay et al. | Diagnosis of bearing defects using tunable Q-wavelet transform | |
Huang et al. | Deep residual networks-based intelligent fault diagnosis method of planetary gearboxes in cloud environments | |
CN112577736A (zh) | 基于sanc和1d-cnn-lstm的风电机组行星齿轮箱故障诊断方法 | |
CN111855202A (zh) | 一种齿轮箱故障诊断方法及系统 | |
Manarikkal et al. | Diagnostics and prognostics of planetary gearbox using CWT, auto regression (AR) and K-means algorithm | |
Cao et al. | Fault diagnosis of rolling bearing based on multiscale one-dimensional hybrid binary pattern | |
CN113390631A (zh) | 一种柴油机齿轮箱故障诊断方法 | |
CN106502850A (zh) | 一种稀疏紧框架字典学习模型的多故障辨识方法与装置 | |
Jia et al. | Research on multidomain fault diagnosis of large wind turbines under complex environment | |
CN114386452A (zh) | 核电循环水泵太阳轮故障检测方法 | |
CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 |
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: 20191227 |
|
RJ01 | Rejection of invention patent application after publication |