一種基于人工智能算法的風機齒輪箱故障診斷方法
【專利摘要】本發明公開了一種基于人工智能算法的風機齒輪箱故障診斷方法。本發明通過研究風機齒輪箱的結構特點和故障類型，采用人工蜂群算法對LSSVM進行參數優化，并將之應用到風機齒輪箱故障診斷中。本發明方法采用的人工蜂群算法優化LSSVM可以很好地完成風機齒輪箱的故障診斷，識別率高，可靠性好。
【專利說明】一種基于人工智能算法的風機齒輪箱故障診斷方法
【技術領域】:
[0001]本發明涉及的是一種基于人工智能算法的風機齒輪箱故障診斷方法。
【背景技術】:
[0002]隨著技術的不斷成熟，風力發電的成本逐步下降，使其經濟效益不斷提高，目前已相當接近于煤電的成本。不論是從交通安全問題，還是環境污染和能源危機問題考慮，風力發電都比煤電具有優勢。
[0003]隨著風電技術的發展和風機數量的增加，產生了一個新的產業，即故障診斷和分析。故障診斷系統可以改善風電的效益，對于提高系統安全性和降低經濟損失具有非常重要的現實意義(張震.基于小波神經網絡專家系統的齒輪箱故障診斷研究[D].燕山大學，2010)。
[0004]近年來，隨著風電機組的廣泛使用以及風電設備結構的逐步完善，故障問題也逐漸引起了人們的關注。風電機組長期工作在惡劣的氣候條件下，容易發生故障，這些故障問題不僅會帶來經濟損失，還會影響人們的日常生活。風電機組一般安裝在戈壁灘、野外、荒郊和高山等風口處，附近沒有遮擋物，受到溫差、風力沖擊和負載變化等各種因素的影響，故障時有發生。齒輪箱安裝在距離地面幾十米甚至上百米的塔架上，空間狹小，常年在極端惡劣的環境中工作，非常容易發生故障，出現各種局部損傷，如:磨損、脫落和裂痕等。隨著齒輪箱的運行，各種局部損傷不斷加重，最終使其無法正常運行，維修起來非常不便(姜香菊，劉二林.小波神經網絡對風力發電機齒輪箱的故障診斷[J].自動化儀表，2012，33(4):9-12.)。齒輪箱是風電機組的核心部分，根據國內外的研究機構和組織對風力發電機組進行的長期追蹤統計，齒輪箱的故障發生率在逐年增高，由其引起的風機停機的概率大且停機時間長，造成很大的經濟和發電量損失，影響風電機組的正常運行(龍泉，劉永前，楊勇平.基于粒子群優化BP神經網絡的風電機組齒輪箱故障診斷方法[J].太陽能學報，2012，33(1):120-125.)。據統計，齒輪箱的故障發生率已經超過風電機組總故障的60%，在機組的部件中故障發生率最高。(張青.風力發電機齒輪箱振動監測和故障診斷系統研究[D].華東理工大學，2013.)。只有及時的發現并處理故障，才能保證齒輪箱的安全有效運行。
[0005]到目前為止，包括電力、石化、冶金等在內的國內眾多行業均開始廣泛利用機械故障診斷理論，唯獨在風電領域才剛處于研究起步階段，還沒有制定出一套行之有效的風機齒輪箱故障診斷方法(張震.基于小波神經網絡專家系統的齒輪箱故障診斷研究[D].燕山大學，2010.)。因此，研究更為精確的風機齒輪箱故障診斷技術，及時發現并處理其故障，提高其運行的可靠性，對風電機組的發展具有深遠的意義。
[0006]風機齒輪箱的結構逐步復雜，要對其進行故障診斷也將日趨困難。目前對于齒輪箱故障診斷的研究有很多，使用的診斷技術有統計過程控制、小波分析、決策樹法及神經網絡等，這些方法均取得了一定成效。采用單一的方法得到的診斷精度較低，因此，目前研究的熱點為集成的智能診斷。文獻[姜香菊，劉二林.小波神經網絡對風力發電機齒輪箱的故障診斷[J].自動化儀表，2012，33(4):9-12.]采用小波神經網絡，對齒輪箱的故障進行診斷。文獻[龍泉，劉永前，楊勇平.基于粒子群優化BP神經網絡的風電機組齒輪箱故障診斷方法[J].太陽能學報，2012，33 (I):120-125.]利用粒子群算法對BP網絡權值和偏置進行優化，使用優化后的BP神經網絡進行故障診斷。然而，利用神經網絡進行故障診斷存在訓練速度比較緩慢、局部最優解問題等問題，而且神經網絡適用于大樣本，當樣本數量較少時，容易造成過學習。正常情況下，風機齒輪箱發生故障的樣本數據較少，僅為幾十組，因此利用神經網絡難以保證故障診斷的性能。
【發明內容】
:
[0007]本發明的目的在于克服現有技術的不足，提供一種基于人工智能算法的風機齒輪箱故障診斷方法。
[0008]為了解決【背景技術】所存在的問題，本發明采用以下技術方案:
[0009]一種基于人工智能算法的風機齒輪箱故障診斷方法，它包括以下步驟:
[0010]步驟一:分別采集齒輪箱在正常以及典型故障狀態下的振動數據作為樣本；
[0011]步驟二:對采集到的振動數據進行歸一化；
[0012]步驟三:將原始數據集分為訓練數據集和測試數據集；
[0013]步驟四:對模型中用到的參數和適應度函數進行初始化；
[0014]步驟五:利用人工蜂群算法優化LSSVM分類模型，通過訓練數據集確定正則化參數C和核寬度σ的最優值；
[0015]步驟六:生成風機齒輪箱故障診斷模型；
[0016]步驟七:將測試數據集輸入到訓練好的風機齒輪箱故障診斷模型中，進行故障診斷，輸出測試結果。
[0017]進一步的，在步驟一中，分別采集正常、軸承內圈故障、軸承外圈故障、齒面磨損和斷齒這5種不同狀態下的振動信號。
[0018]進一步的，在步驟二中，對數據進行歸一化的公式如下
【權利要求】
1.一種基于人工智能算法的風機齒輪箱故障診斷方法，其特征在于，它包括以下步驟: 步驟一:分別采集齒輪箱在正常以及典型故障狀態下的振動數據作為樣本； 步驟二:對采集到的振動數據進行歸一化； 步驟三:將原始數據集分為訓練數據集和測試數據集； 步驟四:對模型中用到的參數和適應度函數進行初始化； 步驟五:利用人工蜂群算法優化LSSVM分類模型，通過訓練數據集確定正則化參數C和核寬度σ的最優值； 步驟六:生成風機齒輪箱故障診斷模型； 步驟七:將測試數據集輸入到訓練好的風機齒輪箱故障診斷模型中，進行故障診斷，輸出測試結果。
2.根據權利要求1所述的一種基于人工智能算法的風機齒輪箱故障診斷方法，其特征在于，在步驟一中，分別采集正常、軸承內圈故障、軸承外圈故障、齒面磨損和斷齒這5種不同狀態下的振動信號。
3.根據權利要求1所述的一種基于人工智能算法的風機齒輪箱故障診斷方法，其特征在于，在步驟二中，對數據進行歸一化的公式如下
4.根據權利要求1所述的，其特征在于，在步驟三中，采用150組齒輪箱的振動信號作為樣本進行實驗。其中80組樣本用于訓練，70組樣本用于測試。
5.根據權利要求1所述的一種基于人工智能算法的風機齒輪箱故障診斷方法，其特征在于，在步驟四初始化中包括下列步驟: (1)初始化種群及人工蜂群算法中的參數: 人工蜂群算法的參數有:食物源的數量SN，采蜜蜂的數量，觀察蜂的數量，最大循環次數N，終止循環次數Nnrc ； (2)設置人工蜂群算法的適應度函數: 獲得更高的分類正確率是優化LSSVM的主要目的，因此采用以下公式作為人工蜂群算法的適應度函數
6.根據權利要求1所述的，其特征在于，在步驟五中，基于人工蜂群算法的LSSVM參數優化包括步驟: (1)對人工蜂群算法進行初始化設置，隨機產生一個含有Sn個食物源的初始種群，每個解xi (i=l, 2,...，n)都是一個二維的向量;(2)根據公式
7.根據權利要求1所述的，其特征在于，在步驟六中，LSSVM中參數分別為:C=9.984，ο =0.086。
【文檔編號】G01M13/02GK103808509SQ201410056641
【公開日】2014年5月21日 申請日期:2014年2月19日 優先權日:2014年2月19日
【發明者】趙文清, 蔡蕊 申請人:華北電力大學（保定）