一种风电机组齿轮箱故障预测诊断算法制造技术

本发明专利技术公开了本发明专利技术提供了一种基于核主成分分析(KPCA)和支持向量机的风电机组齿轮箱的故障预测诊断方法，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。

A fault diagnosis algorithm for gearbox of wind turbine

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以采用以下技术方案来实现：一种风电机组齿轮箱故障预测诊断算法，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。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上的投影，所得的投影就是样本数据经核主成分KPCA降维后所得数据。所述步骤4)包括如下流程：4.1)建立训练样本的支持向量机模型可表示为：其中，ω是模型参数即权重向量，是从输入空间到高维空间的非线性特征映射，b是残差项。4.2)引入拉格朗日乘子λi后，基于SVM的预测模型变为：其中，核函数K()采用高斯径向基核函数形式：K(x，xi)＝exp(-||x-xi||2/σ2)其中，xi(i＝1,2，3…,N)为输入训练样本，σ为核函数参数。所述步骤5)还包括：5.1)将特征输入集分成K个各组，成为K个子集；5.2)将每个子集数据分别做一次验证集，其余的K-1组子集作为训练集，这样会得到K个模型；5.3)用K个模型最终的验证集的分类准确率的平均数作为交叉验证法下的支持向量机的性能指标。所述步骤6)还包括以下步骤：6.1)将预测结果送入到故障信息库保存并输出至推理机；6.2)推理机对故障信息库的输出进行推理分析，反复匹配知识库中的规则，从而得到相应的故障原因；6.3)将故障原因送入到解释器中，根据推理的路线和结论给出相应的解释并呈现在人机交互界面上，使用户可以清楚的看到推理过程。与现有技术相比，本专利技术的有益效果如下：本专利技术充分利用了KPCA对非线性特征向量的提取能力，舍弃不相关数据，不仅减少了支持向量机需要预测的参数，而且有效地提高了训练时间，优化了预测模型的速度和精度。此外，支持向量机可以处理非线性回归的问题，具有全局最优解，解决了神经网络的局部极小问题和过适应现象，可以很好地提高模型的泛化能力和预测精度。同时借助了专家系统，使得预测结果都得到了推理和解释，解决了风电机组齿轮机的故障诊断问题，为风电机组的安全可靠运行提供了保障，从而可以优化电网调度，实现电网的安全、稳定和经济运行。附图说明图1是本专利技术所述的风电机组齿轮箱故障预测诊断模型的流程图。图2是本专利技术所述的专家系统模块结构图。具体实施方式为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。图1为本专利技术的故障诊断模型流程图。首先获取运行中的历史数据，然后对数据进行预处理，其次利用核主成分分析(KPCA)对多变量进行特征提取以降低维度，再次用提取出来的特征输入作为训练样本建立支持向量机(SVM)，并通过交叉验证法对参数进行优化以提高模型的泛化能力，最后将预测的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。其具体实施方案包括如下步骤：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，轴承温度，风轮转速，风机输出功率的历史采样时刻数据。步骤2，对数据进行预处理。较佳的，步骤2中还应包括利用归一化公式对数据进行预处理。归一化公式如下：xmax-xmin步骤3，利用KPCA算法对数据进行降维，将提取出的特征向量输入作为模型的训练样本集和测试样本集。进一步地，步骤3中还包括以下步骤：步骤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。步骤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。步骤3.3，修正核矩阵，将核矩阵中心化。步骤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。步骤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。步骤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。步骤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上的投影。所得的投影就是样本数据经核主成分KPCA降维后所得数据。步骤4,利用提取出的特征输入建立支持向量机(SVM)，并通过交叉验证法对参数进行优化并对模型用训练样本进行训练。进一步地，步骤4还应包括：步骤4.1，建立训练样本的支持向量机模型可表示为：其中，ω是模型参数即权重向量，本文档来自技高网...

【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