一種風電機組齒輪箱故障識別方法
【技術領域】
[0001] 本發明涉及風電機組傳動系統故障監測和故障診斷領域，特別是涉及一種基于快 速傅立葉變換、核主元分析和支持向量機的風電機組齒輪箱故障識別方法。
【背景技術】
[0002] 隨著風能的快速發展，大量風電機組投入運行，而且由于大多數風電機組安裝在 偏遠地區，負荷不穩定等因素，我國有不少風電機組出現了運行故障，這將會直接影響風力 發電的安全性和經濟性。為了使風力發電更具競爭性，確保風機持續高效運行，風電機組的 狀態監測、故障診斷、維修等維護服務的重要性受到普遍關注。這其中對風電機組關鍵機械 部件的損壞尤為嚴重，據統計，我國的風場齒輪箱損壞率高達40%~50%，是風電機組機 械部件中故障率最高的部件。
[0003] 風電機組齒輪箱發生故障時，由于存在多部件耦合振動，并且工作時振動噪聲干 擾巨大，振動的信號體現為非高斯、非平穩、非線性。常用的時域、頻域特征信息提取方法往 往包含諸多冗余信息，以致信號的精度不高，難以準確評價揭示風力發電機運行狀態的內 在特征，不能有效反映當前設備所處狀態。基于時頻域的小波分析技術能夠滿足上述要求， 但在實際應用中所提取設備的信號往往存在很強的噪聲背景，如何對這些故障信號進行進 一步的處理，是信號分析的一大障礙。
[0004] 鑒于此，需要提出一種風電機組齒輪箱故障識別方法，其可以通過核主元分析和 方差累計貢獻率對風機齒輪箱消噪后的歷史數據進行分析，并用支持向量機進行訓練測 試，有利于提高振動信號的處理能力，對齒輪箱故障識別有著重要意義。

【發明內容】

[0005] 為克服上述現有技術存在的不足，本發明之目的在于提供一種風電機組齒輪箱故 障識別方法，其充分考慮到風機齒輪箱故障中存在大量的非線性信號，在利用支持向量機 進行故障分類的基礎上加入核主元分析方法，在兼顧故障分類效果的基礎上提高了故障識 別率，特別是對于風機齒輪箱故障中存在大量的非線性信號有著更強的適應性。
[0006] 為達上述及其它目的，本發明提出一種風電機組齒輪箱故障識別方法，包括如下 步驟：
[0007] 步驟一，獲取一定時間范圍內的風電機組齒輪箱運行的歷史數據；
[0008] 步驟二，采用自相關分析對歷史數據進行小波消噪處理；
[0009] 步驟三，通過快速傅立葉變換，提取消噪后的歷史數據中的時域和頻域特征參 數；
[0010] 步驟四，采用核主元分析方法對特征參數進行維數的降維，提取方差累計貢獻率 最大的幾個非線性主元；
[0011] 步驟五，用齒輪箱正常運行的歷史數據提取的非線性主元建立正常模型，并利用 支持向量機進行訓練
[0012] 步驟六，將后期齒輪箱運行的歷史數據提取的非線性主元導入訓練后的模型，由 此對齒輪箱的故障進行識別。
[0013] 進一步地，步驟二進一步包括：
[0014] 步驟2. 1，選擇一個合適的小波并設定小波分解的層次N，然后對含噪聲信號開展 N層小波分解；
[0015] 步驟2.2,對第1到第N層的每一層高頻系數，選擇一個閾值進行軟閾值量化處 理；
[0016] 步驟2. 3,根據小波分解的第N層的低頻系數和經過量化處理后的第1層到第N層 的高頻系數，進行一維信號的小波重構。
[0017] 進一步地，步驟三進一步包括：
[0018] 步驟3. 1，進行快速傅里葉變換預處理，提取時域特征參數和頻域特征參數；
[0019] 步驟3. 2,計算8個影響最大的時域指標；
[0020] 步驟3. 3,計算6個頻域指標；
[0021] 步驟3. 4 ;將計算后的時域指標和頻域指標構成齒輪狀態原始特征集。
[0022] 進一步地，該時域指標包括振動信號的均值、峰值、均方根值、方差、峭度及無量綱 參數峭度因子、脈沖因子和裕度因子。
[0023] 進一步地，該頻域指標包括振動信號的轉頻幅值、嚙合頻率幅值、嚙合頻率二倍頻 率幅值、重心頻率、均方頻率、頻率方差。
[0024] 進一步地，步驟四進一步包括：
[0025] 步驟4. 1，選取合適的核函數；
[0026] 步驟4. 2,，計算核矩陣K ;
[0027] 步驟4. 3,對該核矩陣K進行特征向量分解，將核矩陣K中心化得Γ ;
[0028] 步驟4. 4,選取正常樣本數據，計算其均值和標準差，并對樣本數據標準化，構建訓 練矩陣X ;
[0029] 步驟4. 5,計算特征值和特征向量；
[0030] 步驟4. 6,計算方差累計貢獻率，確定主元數目，提取最大的幾個特征值對應的特 征向量V ;
[0031] 步驟4. 7,計算特征向量V在特征空間上的投影tk，即矩陣X的非線性主元。
[0032] 進一步地，步驟4. 6中，數據集X中第i個分量xi方差貢獻率為：
[0033]
[0034] 前k個分量的方差累計貢獻率為：
[0035]
[0036] 其中A1為協方差矩陣Σ的特征值，且λ > λ 2···> λ，〇。
[0037] 進一步地，若當前k個核主元的方差累計貢獻率達到90%以上，則認為所求核主 元可全面表征原始特征信息，此時確定核主元個數為k。
[0038] 進一步地，步驟一中，從數據存儲模塊中獲取一定時間范圍內的風電機組齒輪箱 輸入軸、輸出軸共計8個測點的歷史數據。
[0039] 進一步地，步驟一中，獲得的歷史數據為輸入軸、輸出軸的軸向和徑向測點的歷史 數據。
[0040] 與現有技術相比，本發明一種風電機組齒輪箱故障識別方法根據風電機組齒輪箱 的故障特點，通過核主元分析和方差累計貢獻率對風機齒輪箱消噪后的歷史數據進行分 析，有利于處理非線性信號，再利用支持向量機進行故障分類，有利于提高振動信號的處理 能力，在兼顧故障分類效果的基礎上提高了故障識別率，特別是對于風機齒輪箱故障中存 在大量的非線性信號有著更強的適應性，對齒輪箱故障識別有著重要意義，同時也對風電 機組齒輪箱的維護優化成本具有重要意義。
【附圖說明】
[0041] 圖1為本發明一種風電機組齒輪箱故障識別方法的步驟流程圖。
【具體實施方式】
[0042] 以下通過特定的具體實例并結合【附圖說明】本發明的實施方式，本領域技術人員可 由本說明書所揭示的內容輕易地了解本發明的其它優點與功效。本發明亦可通過其它不同 的具體實例加以施行或應用，本說明書中的各項細節亦可基于不同觀點與應用，在不背離 本發明的精神下進行各種修飾與變更。
[0043] 圖1為本發明一種風電機組齒輪箱故障識別方法的步驟流程圖。如圖1所示，本 發明一種風電機組齒輪箱故障識別方法，包括如下步驟：
[0044] 步驟101，獲取一定時間范圍內的風電機組齒輪箱運行的歷史數據。
[0045] 步驟102,采用自相關分析對歷史數據進行小波消噪處理。
[0046] 步驟103,通過快速傅立葉變換，提取消噪后的歷史數據中的時域和頻域特征參 數。
[0047] 步驟104,采用核主元分析方法對特征參數進行維數的降維，提取方差累計貢獻率 最大的幾個非線性主元。
[0048] 步驟105,用齒輪箱正常運行的歷史數據提取的非線性主元建立正常模型，并用支 持向量機進行訓練。
[0049] 步驟106,將后期齒輪箱運行的歷史數據提取的非線性主元導入訓練后的模型，由 此可以對齒輪箱的故障進行識別。
[0050] 進一步地，步驟102還包括以下步驟：
[0051] 步驟2. 1小波分解。選擇一個合適的小波并設定小波分解的層次N，然后對含噪聲 信號開展N層小波分解。
[0052] 步驟2. 2小波分解高頻系數的閾值量化。對第1到第N層的每一層高頻系數，選 擇一個閾值進行軟閾值量化處理。
[0053] 步驟2. 3 -維小波的重構。根據小波分解的第N層的低頻系數和經過量化處理后 的第1層到第N層的高頻系數，進行一維信號的小波重構。
[0054] 進一步地，步驟103還包括以下步驟：
[0055] 步驟3. 1快速傅里葉變換預處理，提取時域特征參數和頻域特征參數。
[0056] 步驟3. 2計算8個影響最大的時域指標，時域指標是振動信號的均值、峰值、均方 根值、方差、峭度及無量綱參數峭度因子、脈沖因子和裕度因子。
[0057] 步驟3. 3計算6個頻域指標，頻域指標是振動信號的轉頻幅值、嚙合頻率幅值、嚙 合頻率二倍頻率幅值、重心頻率、均方頻率、頻率方差
[0058] 步驟3. 4將計算后的時域指標和頻域指標構成齒輪狀態原始特征集。
[0059] 進一步地，步驟104還包括以下步驟：
[0060] 步驟