CN113295419A - 一种风电机组齿轮箱中速级轴承故障预警方法 - Google Patents

Abstract

本发明公开了一种风电机组齿轮箱中速级轴承故障预警方法。为了克服决齿轮箱中速级轴承故障人工分析频谱效率低，易遗漏的问题，本发明包括以下步骤：S1：对振动数据进行预处理；S2：计算预处理后振动数据的频谱与包络谱；S3：对包络谱进行自相关分析，得到自相关包络谱；S4：特征提取，提取时域数据、频谱数据和自相关包络谱数据的有效值、边带特征；S5：利用决策树算法，生成故障预警模型，根据提取的特征确定预警结论。利用振动数据，提取频谱、包络谱故障特征，生成了预警模型，替代人工实现对此类故障的筛选与识别，且具有更高的预警准确率与召回率。

Description

一种风电机组齿轮箱中速级轴承故障预警方法

技术领域

本发明涉及一种轴承故障预警方法领域，尤其涉及一种基于决策树的风电机组齿轮箱中速级轴承故障预警方法。

背景技术

风电作为主要的清洁能源，是实现“碳达峰”与“碳中和”重要途径。齿轮箱是风电机组的重要部件，轴承损坏是影响齿轮箱正常运行的主要原因，严重的轴承故障需要下塔维修或更换，极大增加了机组的运维成本，是目前风电行业面临的一大问题。因此，及时对齿轮箱轴承故障进行诊断与识别是提高风电场运行效率、降低运维成本的关键。

目前，风电机组齿轮箱轴承故障诊断的研究有很多，根据检测数据种类的不同，可以分为温度法、油液分析法、振动法。通常，基于温度数据的诊断方法对于轴承故障不敏感，具有一定局限性；油液分析适用于离线分析，且易受润滑回路中其他部件的干扰，不能准确定位轴承故障；而振动是轴承自身动力学特性的体现，更能直接反应轴承的运行状态。

风电机组齿轮箱一般在输入轴、内齿圈、高速轴位置装有振动检测传感器，风电机组齿轮箱中速级轴承位于一级行星两级平行齿轮箱的第一级平行与第二季平行的中间，其到传感器的路径较长，发生故障时信号易衰减，在频谱中体现不明显，人工检查不易察觉，常发生遗漏，诊断效果不佳。

例如，一种在中国专利文献上公开的“一种风电机组齿轮箱的故障诊断方法及系统”，其公告号CN107560844A，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。

该方案采用振动检测轴承故障，但是在用于检测中速级轴承时，由于中速级轴承到传感器的路径较长，发生故障时信号易衰减，在频谱中体现不明显，人工检查不易察觉，常发生遗漏，诊断效果不佳。

发明内容

本发明主要解决现有技术中速级轴承到振动传感器的路径较长，发生故障时信号易衰减，在频谱中体现不明显，人工检查不易察觉，常发生遗漏，诊断效果不佳的问题；提供一种风电机组齿轮箱中速级轴承故障预警方法，准确识别频谱的谐频、边带特征，替代振动人工对此类故障的筛选与识别，且具有更高的预警准确率与召回率。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种风电机组齿轮箱中速级轴承故障预警方法，包括以下步骤：

S1：对振动数据进行预处理；

S2：计算预处理后振动数据的频谱与包络谱；

S3：对包络谱进行自相关分析，得到自相关包络谱；

S4：特征提取，提取时域数据、频谱数据和自相关包络谱数据的有效值、边带特征；

S5：利用决策树算法，生成故障预警模型，根据提取的特征确定预警结论。

本方案利用振动数据，提取频谱、包络谱故障特征，生成了预警模型，可以替代振动分析工程师实现对此类故障的筛选与识别，且具有更高的预警准确率与召回率。

作为优选，所述的步骤S1包括一下步骤：

S11：预处理，检查振动数据有效性；

S12：滤波，对有效的振动数据重新采样，进行滑动循环滤波。

因齿轮箱中速级故障在频谱上没有相对固定的区间，所以需要先对有效数据进行重采样，保证数据的采样频率一致，再循环滑动地对振动数据进行滤波，从而提取到故障特征明显的频率区间。故障特征明显的时域数据表现为有明显的等间隔冲击。

作为优选，所述的预处理步骤筛选出稳定工况下运行的有效振动数据，根据转速、风速和功率参数确定机组是否处于稳定工况。剔除因传感器异常或通讯异常产生的异常数据。

作为优选，所述的频谱计算包括对振动数据加汉宁窗后，进行傅里叶变换，得到频谱数据；所述的包络谱计算包括对振动数据进行Hilbert变换解调，再进行傅里叶变换，得到包络谱数据。防止信号泄露。

作为优选，所述的特征提取包括：

提取时域数据的均值、最大值、最小值、有效值和峭度特征；

提取频谱的有效值、峰值、谐频和边带特征；

提取自相关包络谱的有效值、峰值、谐频和边带特征。

作为优选，所述的步骤S5中使用信息增益准则选择决策树的每个节点所表示的特征，并通过递归的方式构造决策树；

给定训练数据集D：

D＝{(x₁，y₁)，(x₂，y₂)，...，(x_N，y_N)}

其中，x_i为输入实例；

n为特征个数；

y_i为类标记；

y_i∈{1，2，…，K}

N为样本容量；

定义在已知随机变量X条件下，随机变量Y的条件熵H(Y|X)：

p_i＝P(X＝x_i)，i＝1，2，…，n

定义特征A对训练数据集D的信息增益g(D|A)：

g(D|A)＝H(D)-H(D|A)

其中，H(D)为训练数据集D的经验熵；H(D|A)为特征A在给定条件下训练数据集D的经验条件熵。

具体方法是：从根节点开始，计算节点所有特征的信息增益，选择信息增益最大的特征，并通过由特征的取值建立子节点；子节点递归调用上述中的方法构造决策树，直到所有特征的信息增益小于阈值或没有特征选择，得到一个决策树T。

作为优选，所述的步骤S5具体包括以下步骤：

S51：若训练数据集D中所有实例属于同一个类C_k，则决策树T为单节点数，并将类C_k作为该节点的类标记；

S52：若特征A为空集，则决策树T为单节点树，并将训练数据集D中实例数最大的类C_k作为该节点的类标记；

S53：若不属于上述的任意一种情况，则根据信息增益算法，对特征A中的每个特征对训练数据集D的信息增益，选择信息增益最大的特征A_g；

S54：如果特征A_g的信息增益小于阈值ε，则置决策树T为单节点树，并将训练数据集D中实例数最大的类C_k作为该节点的类标记；

S55：如果特征A_g的信息增益大于等于阈值ε，则对特征A_g的每一个可能值a_i，依A_g＝a_i将 D分割为若干非空子集D_i，将非空子集D_i中实例数最大的类作为标记，构建子节点，由节点及其子节点构成决策树T；

S56：对第i个子节点，以非空子集D_i为训练集，以A-{A_g}为特征集，递归地调用步骤S51～S55，得到子树Ti。

作为优选，还包括决策树剪枝；

假设决策树T的叶节点个数为|T|，t是决策树T的叶节点，叶节点有N_i个样本点，其中k类的样本点有N_tk个，k＝1，2，…，K，H_t(T)为叶节点t上的经验熵，α≥0为参数，则决策树学习的损失函数可以定义为：

其中经验熵H_t(T)为：

在损失函数中，将

记作

这时有

C_α(T)＝C(T)+α|T|

其中，C(T)是模型对训练数据的预测误差，|T|表示模型的复杂度，参数α控制两者之间的影响.越大则模型越简单，反之模型越复杂。

作为优选，所述的决策树剪枝具体包括以下步骤：

S56：计算每个节点的经验熵；

S57：递归地从所得决策树T的叶节点向上回缩；

设一组叶节点回缩到其父节点之前与之后的整体树分别为T_B和T_A，其对应的损失函数分别是 C_α(T_B)与C_α(T_A)，如果C_α(T_B)≤C_α(T_A)，则进行剪枝操作，其父节点变为新的叶节点； S58：返回步骤S57，直到不能继续进行为止，得到具有最小损失函数的子树T_A，最终生成决策树模型。

本发明的有益效果是：

本方案利用振动数据，提取频谱、包络谱故障特征，生成了预警模型，可以替代振动分析工程师实现对此类故障的筛选与识别，且具有更高的预警准确率与召回率。

附图说明

图1是本发明的一种故障预警方法流程图。

图2是本发明的一种滤波后的时域图。

图3是本发明的一种滤波后的频谱图。

图4是本发明的一种滤波后的包络谱图。

图5是本发明的一种自相关包络谱图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

本实施例的一种风电机组齿轮箱中速级轴承故障预警方法，如图1所示，包括以下步骤：

S1：对振动数据进行预处理。

S11：预处理，检查振动数据有效性。

预处理步骤筛选出稳定工况下运行的有效振动数据，根据转速、风速和功率参数确定机组是否处于稳定工况。剔除因传感器异常或通讯异常产生的异常数据。

具体判定依据为：

(a)前后两端数据均值之差的绝对值大于去除直流量之后的有效值；表示数据偏移，前后稳定性差。

(b)均值的绝对值大于去除直流量之后的有效值；表示数据偏移量大。

(c)去重后数据量小于50；表示数据精度低。

(d)连续0.5s数据均大于0或均小于0。表示数据短时失稳；

(e)转速大于1200转/min，风速大于5m/s。

S12：滤波，对有效的振动数据重新采样，进行滑动循环滤波。

因齿轮箱中速级故障在频谱上没有相对固定的区间，所以需要先对有效数据进行重采样，保证数据的采样频率一致，再循环滑动地对振动数据进行滤波，从而提取到故障特征明显的频率区间。故障特征明显的时域数据表现为有如图2所示的明显的等间隔冲击。

S2：计算预处理后振动数据的频谱与包络谱。

为防止信号泄露，频谱计算包括对振动数据加汉宁窗后，进行傅里叶变换，得到如图 3所示的频谱数据。包络谱计算包括对振动数据进行Hilbert变换解调，再进行傅里叶变换，得到如图4所示的包络谱数据。

S3：对包络谱进行自相关分析，得到如图5所示的自相关包络谱。

自相关分析就是信号x(t)和它的时移信号x(t+τ)乘积的平均值，它是时移变量τ的函数：

S4：特征提取，提取时域数据、频谱数据和自相关包络谱数据的有效值、边带特征。

在本实施例中，提取时域数据的均值、最大值、最小值、有效值和峭度特征。提取频谱的有效值、峰值、谐频和边带特征。提取自相关包络谱的有效值、峰值、谐频和边带特征。

S5：利用决策树算法，生成故障预警模型，根据提取的特征确定预警结论。

使用信息增益准则选择决策树的每个节点所表示的特征，并通过递归的方式构造决策树，具体方法为：

从根节点开始，计算节点所有特征的信息增益，选择信息增益最大的特征，并通过由特征的取值建立子节点；子节点递归调用上述中的方法构造决策树，直到所有特征的信息增益小于阈值或没有特征选择，得到一个决策树T。

给定训练数据集D：

D＝{(x₁，y₁)，(x₂，y₂)，...，(x_N，y_N)}

其中，x_i为输入实例；

n为特征个数；

y_i为类标记；

y_i∈{1，2，…，K}

N为样本容量；

条件熵H(Y|X)表示在已知随机变量X的条件下，随机变量Y的不确定性。随机变量X给定的条件下随机变量Y的条件熵(condkion entropy)，定义为X在给定条件下Y的条件概率分布的熵对X的数学期望。定义在已知随机变量X条件下，随机变量Y的条件熵H(Y|X)：

p_i＝P(X＝x_i)，i＝1，2，...，n

信息增益(information gain)表示得知特征X的信息的条件下，类Y的信息的不确定性减少的程度。定义特征A对训练数据集D的信息增益g(D|A)：

g(D|A)＝H(D)-H(D|A)

其中，H(D)为训练数据集D的经验熵；H(D|A)为特征A在给定条件下训练数据集D的经验条件熵。

具体包括以下步骤：

S51：若训练数据集D中所有实例属于同一个类C_k，则决策树T为单节点数，并将类C_k作为该节点的类标记；

S52：若特征A为空集，则决策树T为单节点树，并将训练数据集D中实例数最大的类C_k作为该节点的类标记；

S53：若不属于上述的任意一种情况，则根据信息增益算法，对特征A中的每个特征对训练数据集D的信息增益，选择信息增益最大的特征A_g；

S54：如果特征A_g的信息增益小于阈值ε，则置决策树T为单节点树，并将训练数据集D中实例数最大的类C_k作为该节点的类标记；

S55：如果特征A_g的信息增益大于等于阈值ε，则对特征A_g的每一个可能值a_i，依A_g＝a_i将 D分割为若干非空子集D_i，将非空子集D_i中实例数最大的类作为标记，构建子节点，由节点及其子节点构成决策树T；

S56：对第i个子节点，以非空子集D_i为训练集，以A-{A_g}为特征集，递归地调用步骤S51～S55，得到子树Ti。

还包括决策树剪枝；

假设决策树T的叶节点个数为|T|，t是决策树T的叶节点，叶节点有N_i个样本点，其中k类的样本点有N_tk个，k＝1，2，…，K，H_t(T)为叶节点t上的经验熵，α≥0为参数，则决策树学习的损失函数可以定义为：

其中经验熵H_t(T)为：

在损失函数中，将

记作

这时有

C_α(T)＝C(T)+α|T|

其中，C(T)是模型对训练数据的预测误差，|T|表示模型的复杂度，参数α控制两者之间的影响.越大则模型越简单，反之模型越复杂。

决策树剪枝具体包括以下步骤：

S56：计算每个节点的经验熵；

S57：递归地从所得决策树T的叶节点向上回缩；

设一组叶节点回缩到其父节点之前与之后的整体树分别为T_B和T_A，其对应的损失函数分别是 C_α(T_B)与C_α(T_A)，如果C_α(T_B)≤C_α(T_A)，则进行剪枝操作，其父节点变为新的叶节点；

S58：返回步骤S57，直到不能继续进行为止，得到具有最小损失函数的子树T_A，最终生成决策树模型。

应理解，实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (9)

1.一种风电机组齿轮箱中速级轴承故障预警方法，其特征在于，包括以下步骤：

S1：对振动数据进行预处理；

S2：计算预处理后振动数据的频谱与包络谱；

S3：对包络谱进行自相关分析，得到自相关包络谱；

S4：特征提取，提取时域数据、频谱数据和自相关包络谱数据的有效值、边带特征；

S5：利用决策树算法，生成故障预警模型，根据提取的特征确定预警结论。

2.根据权利要求1所述的一种风电机组齿轮箱中速级轴承故障预警方法，其特征在于，所述的步骤S1包括一下步骤：

S11：预处理，检查振动数据有效性；

S12：滤波，对有效的振动数据重新采样，进行滑动循环滤波。

3.根据权利要求2所述的一种风电机组齿轮箱中速级轴承故障预警方法，其特征在于，所述的预处理步骤筛选出稳定工况下运行的有效振动数据，根据转速、风速和功率参数确定机组是否处于稳定工况。

4.根据权利要求1所述的一种风电机组齿轮箱中速级轴承故障预警方法，其特征在于，所述的频谱计算包括对振动数据加汉宁窗后，进行傅里叶变换，得到频谱数据；所述的包络谱计算包括对振动数据进行Hilbert变换解调，再进行傅里叶变换，得到包络谱数据。

5.根据权利要求1所述的一种风电机组齿轮箱中速级轴承故障预警方法，其特征在于，所述的特征提取包括：

提取时域数据的均值、最大值、最小值、有效值和峭度特征；

提取频谱的有效值、峰值、谐频和边带特征；

提取自相关包络谱的有效值、峰值、谐频和边带特征。

6.根据权利要求1或5所述的一种风电机组齿轮箱中速级轴承故障预警方法，其特征在于，所述的步骤S5中使用信息增益准则选择决策树的每个节点所表示的特征，并通过递归的方式构造决策树；

给定训练数据集D：

D＝{(x₁，y₁)，(x₂，y₂)，...，(x_N，y_N)}

其中，x_i为输入实例；

n为特征个数；

y_i为类标记；

y_i∈{1，2，…，K}

N为样本容量；

定义在已知随机变量X条件下，随机变量Y的条件熵H(Y|X)：

p_i＝P(X＝x_i)，i＝1，2，…，n

定义特征A对训练数据集D的信息增益g(D|A)：

g(D|A)＝H(D)-H(D|A)

其中，H(D)为训练数据集D的经验熵；H(D|A)为特征A在给定条件下训练数据集D的经验条件熵。

7.根据权利要求6所述的一种风电机组齿轮箱中速级轴承故障预警方法，其特征在于，所述的步骤S5具体包括以下步骤：

S51：若训练数据集D中所有实例属于同一个类C_k，则决策树T为单节点数，并将类C_k作为该节点的类标记；

S52：若特征A为空集，则决策树T为单节点树，并将训练数据集D中实例数最大的类C_k作为该节点的类标记；

S53：若不属于上述的任意一种情况，则根据信息增益算法，对特征A中的每个特征对训练数据集D的信息增益，选择信息增益最大的特征A_g；

S54：如果特征A_g的信息增益小于阈值ε，则置决策树T为单节点树，并将训练数据集D中实例数最大的类C_k作为该节点的类标记；

S55：如果特征A_g的信息增益大于等于阈值ε，则对特征A_g的每一个可能值a_i，依A_g＝a_i将D分割为若干非空子集D_i，将非空子集D_i中实例数最大的类作为标记，构建子节点，由节点及其子节点构成决策树T；

S56：对第i个子节点，以非空子集D_i为训练集，以A-{A_g}为特征集，递归地调用步骤S51～S55，得到子树Ti。

8.根据权利要求1或5或7所述的一种风电机组齿轮箱中速级轴承故障预警方法，其特征在于，还包括决策树剪枝；

假设决策树T的叶节点个数为|T|，t是决策树T的叶节点，叶节点有N_i个样本点，其中k类的样本点有N_tk个，k＝1，2，…，K，H_t(T)为叶节点t上的经验熵，α≥0为参数，则决策树学习的损失函数可以定义为：

其中经验熵H_t(T)为：

在损失函数中，将

记作

这时有

C_α(T)＝C(T)+α|T|

其中，C(T)是模型对训练数据的预测误差，|T|表示模型的复杂度，参数α控制两者之间的影响.越大则模型越简单，反之模型越复杂。

9.根据权利要求8所述的一种风电机组齿轮箱中速级轴承故障预警方法，其特征在于，所述的决策树剪枝具体包括以下步骤：

S56：计算每个节点的经验熵；

S57：递归地从所得决策树T的叶节点向上回缩；

设一组叶节点回缩到其父节点之前与之后的整体树分别为T_B和T_A，其对应的损失函数分别是C_α(T_B)与C_α(T_A)，如果C_α(T_B)≤C_α(T_A)，则进行剪枝操作，其父节点变为新的叶节点；

S58：返回步骤S57，直到不能继续进行为止，得到具有最小损失函数的子树T_A，最终生成决策树模型。

Images