基于模糊互K近邻的风力发电机齿轮箱故障诊断方法技术

本发明专利技术公开了一种基于模糊互K近邻的风力发电机齿轮箱故障诊断方法，包括以下步骤：一、采集平行结构齿轮箱数据，通过时、频域方法提取出振动数据中的关键信息作为训练集；收集历史风力发电机运行监测数据，筛选出相关的监测变量，作为训练集；二、利用互近邻规则以及均值

【技术实现步骤摘要】
基于模糊互K近邻的风力发电机齿轮箱故障诊断方法


[0001]本专利技术属于风力发电机齿轮箱故障诊断领域，特别涉及一种基于模糊互K近邻的风力发电机齿轮箱故障诊断方法。

技术介绍

[0002]随着科技的快速发展，以风力发电为主的新型发电方式得到了快速的发展，齿轮箱作为风力发电机组动能传输部分的重要部件，一旦出现故障会影响到风机的正常运行，严重时会导致机组烧毁，带来经济损失甚至会造成人员伤亡。因此，确保齿轮箱的正常运行，对齿轮箱进行故障诊断是确保风机正常运行的关键。K近邻作为一种机器学习算法，不仅能够成功处理分类问题，目前也已被成功应用于故障诊断问题中。但针对风机齿轮箱进行故障诊断时，由于风机运行环境恶劣以及数据运输过程中可能受到干扰，使得采集到的数据中包含一定的噪声和离群点，这些异常点的存在将使齿轮箱故障诊断出现失误。K近邻算法相较于其他复杂的机器学习算法相比，实现较简单，且在故障诊断领域有较好的表现。但K近邻针对类边界不清晰的样本，存在分类不准确的现象；并且异常值对K近邻的影响较大，可能导致K近邻寻找到错误的近邻，从而影响风机齿轮箱故障诊断结果。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模糊互K近邻的风力发电机齿轮箱故障诊断方法，其特征在于，包括以下步骤：步骤一：离线训练，收集平行结构齿轮箱正常和各种故障运行状态下的数据，以及风力发电机组行星结构齿轮箱正常和各种故障运行状态下的数据，并对数据进行筛选；利用互近邻方法将训练集中远离数据中心的单个异常点剔除，之后通过均值
‑
中值法，将超出阈值范围的样本视为相互之间存在近邻关系的异常值，并进行剔除，之后使用模糊隶属度函数对样本进行模糊化；步骤二：在线监测阶段，利用离线阶段处理过的训练集以及训练样本的隶属度向量，计算在线收集样本的隶属度，并根据隶属度向量判断当前齿轮箱处于哪种运行状态，为后期维修提供支持。2.根据权利要求1所述的方法，其特征在于，所属的训练数据包括两部分，一部分为平行结构齿轮箱数据，包括正常齿轮数据、以及不同转速下的齿轮断齿故障数据和齿轮磨损故障数据；另一部分为风机行星结构齿轮箱在运行过程中使用SCADA(Supervisory Control and Data Acquisition)监测系统采集到的数据，包括正常齿轮箱运行数据、齿轮箱滤芯堵塞故障数据、齿轮箱压力低故障数据、齿轮箱温控阀失效故障数据。3.根据权利要求1所述的方法，其特征在于，所述的模糊互K近邻方法包括互近邻方法以及基于互近邻的模糊化。4.根据权利要求1所述的方法，其特征在于，所述利用互近邻规则对训练集中异常值的剔除；给定一个样本x，如果x
i
作为x中的一个近邻，且此时x
i
也是x中的一个近邻，则称x与x
i
互为最近邻，表示为M
k
(x)＝{x
i
}；如果不满足上述条件，则称x不存在互近邻，表示为M
k
(x)＝{Φ}，公式为：M
k
(x)＝{x
i
∈T|x
i
∈S
k
(x)∧x∈S
k
(x
i
)}其中S

【专利技术属性】
技术研发人员：周哲，杜思思，王琳，孙勇，王瑞良，于海舒，
申请(专利权)人：浙江运达风电股份有限公司，
类型：发明
国别省市：