The invention discloses a based on kernel principal component analysis (KPCA) fault diagnosis method and support vector machine for wind turbine gearbox, considering gearbox failure occurred before and after each element temperature variation and the fault output power and other indicators of change, with KPCA algorithm to reduce the dimensionality of input feature extraction, discard irrelevant data, can greatly improve the training speed, reduce the time of fault diagnosis. While the introduction of the support vector machine for data classification training to improve generalization ability, and by means of expert system to analyze and explain the results, can provide accurate and detailed information for man-machine interface, so as to realize the accurate diagnosis of fault.
【技术实现步骤摘要】
一种风电机组齿轮箱故障预测诊断算法
本专利技术涉及故障诊断算法领域,具体地说,特别涉及到一种基于KPCA和支持向量机的风电机组齿轮箱故障预测诊断算法。
技术介绍
几年来,国家对新能源发电十分重视。风电以最为清洁环保的一种新能源发电技术而被广泛关注。风电的快速发展也给风电装备制造带来了前所未有的难题—故障诊断。而机械系统中的传动装置齿轮箱是风电机组中故障率最高的设备之一,它的运行状态将直接影响风电机组的运行状态和功率输出,因此有必要对风电机组齿轮箱的故障诊断进行深入研究。目前,提出的故障诊断方法主要包括两类。一是根据齿轮箱在运行状态下的振动信号来对已掌握的故障类型进行模式识别;二是通过齿轮箱中的其他变量来预测可能发生的故障,并借助神经网络对故障作出诊断。然而对于多变量的高维数据来说,神经网络易陷入局部最小问题,会出现过适应现象。支持向量机(SVM)则对多变量的高维数据处理速度较慢,运算时间较长,造成诊断速度变慢。因此有必要提出一种可以提高训练样本泛化能力强,同时兼顾诊断速度和诊断精度的新方法。
技术实现思路
本专利技术的目的在于针对现有技术中的不足,提供一种风电机组齿轮箱故障预测诊断算法,在充分考虑了齿轮箱故障发生时各元件温度变化以及故障发生前后输出功率变化等指标的基础上,以KPCA算法来降低输入维度进行特征提取,舍弃不相关的数据,可以大大提高模型训练速度,减少故障诊断时间。同时引入了支持向量机能对数据进行分类训练提高泛化能力,并且借助专家系统对结果进行分析和解释,能够为人机交互界面提供准确而又详实的信息,从而实现了对故障的精确诊断。本专利技术所解决的技术问题可 ...
【技术保护点】
一种风电机组齿轮箱故障预测诊断算法,其特征在于,包括如下步骤:1)获取运行中的齿轮箱油温、机舱温度、齿轮箱驱动前端和非驱动前端的温度、风速、风机输出功率的历史采样时刻数据;2)对历史采样时刻数据进行预处理,包括去除数据异常点和数据归一化;3)利用KPCA算法对预处理后的历史采样时刻数据进行降维,将提取出的特征输入作为模型的训练样本集和测试样本集;4)利用支持向量机对训练样本进行建模;5)利用交叉验证法对支持向量机的参数进行优化,得到最优的预测模型,循环迭代训练模型;6)将预测的结果送入到专家系统中进行分析解释得出结论呈现在人机交互界面上。
【技术特征摘要】
1.一种风电机组齿轮箱故障预测诊断算法,其特征在于,包括如下步骤:1)获取运行中的齿轮箱油温、机舱温度、齿轮箱驱动前端和非驱动前端的温度、风速、风机输出功率的历史采样时刻数据;2)对历史采样时刻数据进行预处理,包括去除数据异常点和数据归一化;3)利用KPCA算法对预处理后的历史采样时刻数据进行降维,将提取出的特征输入作为模型的训练样本集和测试样本集;4)利用支持向量机对训练样本进行建模;5)利用交叉验证法对支持向量机的参数进行优化,得到最优的预测模型,循环迭代训练模型;6)将预测的结果送入到专家系统中进行分析解释得出结论呈现在人机交互界面上。2.根据权利要求1所述的风电机组齿轮箱故障预测诊断算法,其特征在于,所述步骤3)包括如下流程:3.1)将所获得的n个指标的原始样本数据组成一个(m×n)维的矩阵,其中m为每个指标的样品数。3.2)计算核矩阵,先选定高斯径向核函数中的参数,计算核矩阵K;3.3)修正核矩阵,将核矩阵中心化;3.4)运用Jacobi迭代的方法计算核矩阵的特征值λ1,…,λn,对应的特征向量为V1,…,Vn;3.5)将特征向量规范化,将特征值按降序排序得λ′1>…>λ′n,并调整特征向量进行得V′1,…,V′n,单位正交化特征向量,得到a1,…,an;3.6)计算特征值的累积贡献率B1,…,Bn,根据预先设定的提取效率P,当Bt≥P,则提取前t个主分量a1,…,at;3.7)选出相应的较大特征值和特征向量,然后计算样本矩阵在高维空间中在这些特征向量...
【专利技术属性】
技术研发人员:丁云飞,王栋璀,朱晨烜,刘洋,潘羿龙,
申请(专利权)人:上海电机学院,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。