一种基于机器学习的风电机组传动链故障诊断方法技术

本发明专利技术提供了一种基于机器学习的风电机组传动链故障诊断方法，本发明专利技术方法通过现场振动监测系统对传动链典型的三种故障数据进行采集，依托先进传感器技术和数字化技术，结合机器学习算法，对风机进行实时健康监测。本方法首先将故障数据利用巴特沃斯滤波器进行预处理，然后提取数据的时频域特征，构造联合多特征向量，其次利用灰狼算法优化的孪生支持向量机完成故障分类器的训练；最后将实测数据输入到分类器中，若输出的结果有模型中的三种故障特征，则诊断为异常机组。该方法能够对传动链的故障分类更准确，在故障将要发生之前进行故障的预警，先一步了解到将要产生的故障趋势，做到预防为主，防治结合。防治结合。防治结合。

【技术实现步骤摘要】
一种基于机器学习的风电机组传动链故障诊断方法

：
[0001]本专利技术涉及一种故障的诊断方法，尤其是涉及一种基于机器学习的风电机组传动链故障诊断方法。

技术介绍
：
[0002]风能作为一种可再生清洁能源，被各国广泛开发利用。这也对风力发电安全稳定运行提出了更高要求。风电场为保证风机安全可靠运行，并网发电初期对发电机、齿轮箱等风机关键部件装设了振动监测系统。但由于系统开发较早，采用的算法精度较差，并且采集的数据单一，导致长期运行下缺陷较高，维修费用高居不下，不能对风机的健康状态起到准确的监测和预警作用。为解决上述问题，需要开展监测与预警攻关与研究，优化数据采集、数据分析算法，以实现先进算法在风机运行监测领域的推广化应用。

技术实现思路
：
[0003]本专利技术方法对传动链多种参数进行采集，依托先进传感器技术和数字化技术，结合机器学习算法，对风机进行实时健康监测。首次将变分模态分解应用到风电机组传动链系统中，通过灰狼优化后的孪生支持向量机能够对传动链的故障分类更准确，在故障将要发生之前进行故障的预警，先一步了解到将要产生的故障趋势，做到预防为主，防治结合。降低其维修的人力、物力成本，这也是当前风力发电机组维修工作的基础，同时也为开展风机状态评价及检修工作提供科学的参考依据。
[0004]为达到上述目的，本专利技术的技术方案是这样实现的：一种基于机器学习的风电机组传动链故障诊断方法，包括以下步骤：
[0005]第一步，采集风机传动链振动信号，数据中包含齿轮箱中速级轴承开裂故障，齿轮箱中速级齿面断裂，主轴轴承开裂三类典型故障信号，首先对振动信号的数据进行预处理，利用Butterworth带通滤波对采集到的三类传动链故障信号进行数据预处理；
[0006]第二步，对预处理后的信号采用AR模型法分析，提取振动信号的时域特征，具体步骤如下：
[0007]步骤1：采用9阶AR模型拟合y(t)，公式为：
[0008][0009]其中y(t)为预处理后的故障信号，t是振动数据按时间采样个数，为AR模型的系数，s(t)为模型的残差，均值为0，方差为σ2；
[0010]步骤2：求取AR模型，并将模型系数作为该通道信号的特征，构造对故障特征的时域特征向量F，表达式如下：
[0011][0012]其中F
AR
为多维特征向量，为四种不同类型的故障；
[0013]第三步，使用变分模态分解－希尔伯特黄变换，对故障振动信号进行频域特征提取，具体步骤如下：
[0014]步骤1：对y(t)进行变分模态分解，通过迭代搜索获取约束变分模型的最优解，自动获取固有模态函数的中心频率及带宽，用交替方向乘数法迭代更新参数，求解增广拉格朗日函数的鞍点，不断更新参数，满足给定的判定表达式则迭代终止，得出IMF分量个数；
[0015]步骤2：对变分模态分解出的IMF分量进行希尔伯特黄变换；
[0016]步骤3：利用变分模态分解－希尔伯特黄变换提取三类故障信号的频域特征，并且对提取到的频域特征进行信号平滑以及归一化处理；
[0017]第四步，构造联合多特征向量，然后利用核主元分析法对联合多特征向量进行融合降维处理，通过提取贡献率大于85％的主元，生成融合特征，具体步骤如下：
[0018]构造联合特征向量，将时、频特征向量依次首位相连，构造如下所示的联合特征向量：
[0019]f＝[F
AR
，F
VMD－BIS
,F
CSP
][0020]第五步，重复进行第二步到第四步，提取各类运动想象所有样本信号的联合特征向量，构造联合特征矩阵；
[0021]第六步，对联合特征矩阵进行核主元分析，按照累计贡献率大于85％的原则选取主元个数，将样本数据向新的主元空间投影得到降维后的融合特征矩阵；
[0022]第七步，将融合特征作为训练数据输入到孪生支持向量机，并利用灰狼算法优化的孪生支持向量机进行参数寻优，完成分类器的训练；
[0023]第八步，将实测数据输入到分类器中，若输出的结果有模型中的三种故障特征，则诊断为异常机组，待检修人员登机内窥镜确认；若没有出现故障特征，则机组正常。
[0024]优选的，所述第一步中，所述风机传动链振动信号利用现场风电机组中的振动传感器采集，现场风电机组中的振动传感器包括安装在主轴轴承、齿轮箱前后端轴承、发电机前后端轴承上的振动传感器，获取数据包括机组储存历史数据和实测数据。
[0025]优选的，所述步骤三中，对变分模态分解的两个参数：分解个数K和惩罚因子α进行了优化，步骤如下：
[0026]以多台齿轮箱轴承内圈开裂振动数据为例，分析当K值选取不同值时，对振动信号分解效果的影响。最终通过分析得出，当K取不同值时，分解得到的IMF都是按照中心频率从低到高的规律进行排列的，既没有有效成分的丢失也没出现模态混叠现象时的K值为优化K值；
[0027]确定分解个数K的取值后，以齿轮箱轴承故障数据为例，分析不同α值的选取对分解效果的影响，选择使IMF分量带宽适中，既不会产生模态混叠又不会丢失信息的α值为最优值。
[0028]优选的，所述第七步中，灰狼算法(GWO)对孪生支持向量机(TWSVM)的参数进行优化，具体步骤为：
[0029]根据适应度函数来进行算法的迭代，本方法以灰狼优化孪生支持向量机中最重要的三个参数c1、c2和γ，最终利用5折交叉验证得到的故障特征识别正确率的线性加权值作为适应度值。
[0030]有益效果：本方法首次将带通滤波器和变分模态分解相结合，经过灰狼优化后的
孪生支持向量机分类器应用到风力发电机组传动链故障中，在采集振动数据后，通过带通滤波器将高频谐波以及风机噪声干扰去掉，后经过变分模态分解得到故障特征的本征模态分量，变分模态分解有效的抑制非平稳信号的端点效应和模态混叠问题，与经验模特分解和局部均值分解做对比，变分模态分解在故障自动分类方面，具有良好的准确性和稳定性，极大的保留了传动链故障的特征频率。灰狼优化算法对孪生支持向量机的核函数参数和惩罚因子进行了优化，提高了分类器的性能，最后比较并分析了本方法与其它四种常用方法的分类结果，验证了本项目所提方法的有效性。本方法改变某风电场振动分析系统老旧的问题，把机器学习算法应运到风电机组健康管理平台上，优化了算法结构，对故障识别更加准确。具备了更加完善的故障识别技术，实现了对风力发电机组传动链故障的预判，从风机的被动维修做到了主动维护，提高了风电场的发电质量，将产生良好的社会效益。本专利技术方法的完成，能够实现以下有益效果：
[0031]提高风机运行的安全可靠性，降低事故发生率。风机传动链设备一旦发生故障，就会引起风机长停，造成大量经济损失，每年由于传动链引起的事故率发生率高达20％，同时传动链设备的故障会造成大量的人力物力损失，而事故造成的经济损失更是无法估量的，在使用本系统后可将故障引起的事故发生率降低至8％，大大提高了传动链设备运行的可靠性，延长了风电机组的有效运行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的风电机组传动链故障诊断方法，其特征在于，包括以下步骤：第一步，采集风机传动链振动信号，数据中包含齿轮箱中速级轴承开裂故障，齿轮箱中速级齿面断裂，主轴轴承开裂三类典型故障信号，首先对振动信号的数据进行预处理，利用Butterworth带通滤波对采集到的三类传动链故障信号进行数据预处理；第二步，对预处理后的信号采用AR模型法分析，提取振动信号的时域特征，具体步骤如下：步骤1：采用9阶AR模型拟合y(t)，公式为：其中y(t)为预处理后的故障信号，t是振动数据按时间采样个数，为AR模型的系数，s(t)为模型的残差，均值为0，方差为σ2；步骤2：求取AR模型，并将模型系数作为该通道信号的特征，构造对故障特征的时域特征向量F，表达式如下：其中F
AR
为多维特征向量，为四种不同类型的故障；第三步，使用变分模态分解－希尔伯特黄变换，对故障振动信号进行频域特征提取，具体步骤如下：步骤1：对y(t)进行变分模态分解，通过迭代搜索获取约束变分模型的最优解，自动获取固有模态函数的中心频率及带宽，用交替方向乘数法迭代更新参数，求解增广拉格朗日函数的鞍点，不断更新参数，满足给定的判定表达式则迭代终止，得出IMF分量个数；步骤2：对变分模态分解出的IMF分量进行希尔伯特黄变换；步骤3：利用变分模态分解－希尔伯特黄变换提取三类故障信号的频域特征，并且对提取到的频域特征进行信号平滑以及归一化处理；第四步，构造联合多特征向量，然后利用核主元分析法对联合多特征向量进行融合降维处理，通过提取贡献率大于85％的主元，生成融合特征，具体步骤如下：构造联合特征向量，将时、频特征向量依次首位相连，构造如下所示的联合特征向量：f＝[F
AR
，F
VMD－BIS
,F
CSP
]第五步，重复进行第二步到第四步，提取各类运动想象所有样本信...

【专利技术属性】
技术研发人员：徐卿，孙星，塔米尔，阿木古楞，高瑞林，杨文广，吕诚，张维新，张乐，郁晓婷，高娟娟，李关平，王轶群，
申请(专利权)人：中广核乌兰察布风力发电有限公司，
类型：发明
国别省市：