[发明专利]基于支持向量机的风机故障诊断方法

说明书

技术领域

本发明涉及风机故障诊断领域，更具体的说涉及一种基于支持向量机的风机故障诊断方法。

背景技术

随着社会的发展，人类对能源的需求持续攀升，风力发电近年来也得到了世界各地的研究和重视。然而，据不完全统计，目前我国风电机组的平均可利用率普遍低于95％，其中故障率高是一个主要因素，导致维护费用成为风电场的主要成本，因此降低维护费用是提高风电场运营效益的重要途径。据西班牙纳瓦拉水电能源集团公司对风力机主要部件的故障统计：齿轮箱是机组中故障发生率最高的部件，已经超过60％。因此，加强对风电机组齿轮箱的监测和故障诊断，对降低风电场维护费用，提高风电场运行经济效益具有重要意义。

目前，应用于齿轮箱故障诊断的方法主要有反向传播神经网络(back propagation neural network，BPNN)与支持向量机(support vector machine，SVM)等人工智能方法。BPNN算法具有自学习能力，并且具有实现非线性复杂映射的功能，然而该算法有可能陷入局部最优解，且存在“过拟合”现象，影响模型的预测能力；SVM分类器可以有效地解决小样本、过拟合问题，但是SVM需要借助二次规划来求解支持向量，对大规模训练样本难以实施，且SVM解决多分类问题存在困难；利用粒子群算法，果蝇算法等优化方法对BPNN分类器参数进行优化，在一定程度上提高了BPNN分类器的性能，提高了训练效率，加快了收敛速度，但是由于采用固定的训练集与测试集进行学习和选择，只能保证选取的参数在训练集固定的情况下最优，影响选取模型的性能。

发明内容

为快速有效地对风电机组齿轮箱的故障进行诊断，提出了一种基于支持向量机的诊断方法，以尽快判定齿轮箱故障类型，提高运行效率，减少不必要的停机时间。

为实现上述目的，本发明采用的技术方案是：

1)用小波包对风电机组齿轮箱振动信号进行特征提取，形成总的训练集和测试集；

2)按照二叉树分类方法形成的3个分类器所分的类别，将总的训练集和测试集拆分成3个子训练集和3子测试集；

3)分别用+1和-1对各子训练集和子验证集中的类别进行标识；

4)结合CV原理，利用改进PSO算法确定模型参数，建立LS-SVM算法的故障诊断模型；

5)将测试集代入分类器中，得到各测试集中样本的对应类别。

本发明的技术方案具有以下有益效果：

引入二叉树多分类方法构造多个2分类LS-SVM，实现了风电机组齿轮箱故障诊断的多类分类；利用改进PSO算法获得LS-SVM故障诊断模型的最优参数，并采用交叉验证(cross validation，CV)原理来提高分类算法的整体泛化性能。实例分析结果表明，采用LS-SVM和PSO结合的方法可以准确、有效地对风电机组齿轮箱的故障进行诊断。

附图说明

图1是故障诊断步骤流程图；

图2是二叉树多分类方法的分类流程图；

图3是粒子群算法的优化参数流程图；

图4是分类器LS-SVM0的分类输出图；

图5是分类器LS-SVM1的分类输出图；

图6是分类器LS-SVM2的分类输出图。

具体实施方式

下面将结合附图和具体实施例对本发明进行进一步详细说明。

本发明采用的齿轮箱滚动轴承故障数据来源于美国凯斯西储大学轴承实验室，其实验平台包括一个的电机，一个转矩传感器，一个功率计和电子控制设备。振动信号由加速度传感器采集，并且利用磁性底座将传感器固定。实验中利用电火花加工技术在轴承的不同位置人为地植入单个损伤点用来模仿单点故障。

本发明选取直径为0.018cm的损伤点模仿出的故障数据，其中负载功率为746W，轴承转速为1772r/min，采样频率为12kHz，每个样本的采样点为1024个。

1)本发明实施例的具体步骤流程如图1所示。

2)用小波包对风电机组齿轮箱振动信号进行特征提取，形成总的训练集和测试集。

小波包提取特征向量的过程为：

①利用sym4小波对振动信号进行了3层分解消噪，滤除一些干扰成分；