一種基于lltsa和pnn的風(fēng)機(jī)故障診斷方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于LLTSA和PNN的風(fēng)機(jī)故障診斷方法，該方法用于對(duì)風(fēng)電場(chǎng)中的多個(gè)風(fēng)力發(fā)電機(jī)組中的風(fēng)機(jī)進(jìn)行故障診斷，將徑向傳感器安裝于風(fēng)機(jī)中受監(jiān)測(cè)部位的徑向，以采集監(jiān)測(cè)部位的徑向振動(dòng)數(shù)據(jù)，為后續(xù)建立故障診斷模型提供依據(jù)，同時(shí)也用于最終的故障診斷。其中，建立故障診斷模型時(shí)，需要對(duì)LLTSA算法中的目標(biāo)維數(shù)d及參數(shù)領(lǐng)域點(diǎn)數(shù)e進(jìn)行遍歷尋優(yōu)，以篩選出準(zhǔn)確率最高的故障診斷模型。本發(fā)明提供的基于LLTSA和PNN的風(fēng)機(jī)故障診斷方法能夠有效診斷分析風(fēng)機(jī)中主要部件的振動(dòng)故障，提取出風(fēng)機(jī)組振動(dòng)信號(hào)中的早期微弱的突變故障信息并對(duì)其進(jìn)行診斷，從而為風(fēng)電機(jī)組故障診斷人員提供有力的科學(xué)依據(jù)，提高風(fēng)機(jī)故障診斷的效率和準(zhǔn)確率。
【專(zhuān)利說(shuō)明】
一種基于LLTSA和PNN的風(fēng)機(jī)故障診斷方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于風(fēng)力發(fā)電領(lǐng)域，具體而言，涉及一種基于LLTSA和PNN的風(fēng)機(jī)故障診斷 方法。
【背景技術(shù)】
[0002] 風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)時(shí)容易受到噪聲干擾，且噪聲具有非線(xiàn)性非平穩(wěn)的特點(diǎn)，同時(shí) 敏感特征難以捕捉，數(shù)據(jù)量較大，在線(xiàn)快速提取有效敏感特征并辨識(shí)故障狀態(tài)非常困難。
[0003] 傳統(tǒng)的風(fēng)機(jī)故障診斷技術(shù)一般包括時(shí)域分析、頻域分析、幅值域分析、倒譜分析和 包絡(luò)分析等，這些方法各有優(yōu)劣，在振動(dòng)波形分析中有著重要的作用，但無(wú)法通過(guò)建立診斷 模型的方式診斷出故障類(lèi)別，因此對(duì)風(fēng)機(jī)故障的診斷不夠精準(zhǔn)。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明提供一種基于LLTSA和PNN的風(fēng)機(jī)故障診斷方法，用以對(duì)風(fēng)電場(chǎng)中的多個(gè)風(fēng) 力發(fā)電機(jī)組中的風(fēng)機(jī)進(jìn)行故障診斷，。
[0005] 為了達(dá)到上述目的，本發(fā)明提供了一種基于LLTSA和PNN的風(fēng)機(jī)故障診斷方法，其 包括以下步驟：
[0006] S1:將一徑向傳感器安裝于風(fēng)機(jī)中的主軸承的徑向，于風(fēng)機(jī)中的主軸承正常、主軸 承中的內(nèi)圈發(fā)生故障、主軸承中的滾動(dòng)體發(fā)生故障以及主軸承中的外圈發(fā)生故障四種情況 下每一種情況發(fā)生時(shí)，均多次進(jìn)行以下步驟S2~S11;
[0007] S2:采集徑向傳感器的振動(dòng)信號(hào)y(t)，并將振動(dòng)信號(hào)y(t)復(fù)制N份并分別加入一個(gè) 白噪聲信號(hào)m(t)，得到N個(gè)包含白噪聲的信號(hào)yi(t)，其中，
[0008] yi(t)=y(t)+ru(t),
[0009] l<i<N，且i為整數(shù)，N個(gè)白噪聲信號(hào)m(t)符合正態(tài)分布；
[00?0] S3:對(duì)yi(t)分別進(jìn)行分解，得到IMF分量Cij(t)和余項(xiàng)ri(t)，其中Cij(t)表示對(duì)yi ⑴進(jìn)行分解得到的第j個(gè)頂F分量，其中，1彡j ;
[0011] S4:依據(jù)不相關(guān)的隨機(jī)序列統(tǒng)計(jì)均值為零的原理，將各MF分量Cij(t)進(jìn)行整體平 1 N 均，得到平均后的MF分量q(t)，其中,
[0012] S5:對(duì)cj⑴分別作快速傅立葉變換FFT，得到Sj⑴；
[0013] S6:設(shè)置一分析頻率下限匕和分析頻率上限f2,分別計(jì)算Cj(t)在下限頻率和上 限頻率f2之間的能量百分比
[0014]
'' '，
[0015] 其中，fs為快速傅立葉變換FFT后，Sj(f)的分析頻率最大值；
[0016] S7 :設(shè)置一閾值E，將能量百分比大于閾值E的cj (t)篩選出來(lái)并將其合并得到C ⑴；
[0017] S8:將c(t)分段，每段長(zhǎng)度為M，且M = 2m，其中m為大于等于6的整數(shù)，分段后的數(shù)據(jù) 以xk表示，其中，Kk<M;
[0018] S9:選取以下時(shí)域指標(biāo):絕對(duì)均值|?|、有效值xrms、最大峰值xP、方差Dx、峰峰值x P-P、 峰值指標(biāo)《、波形指標(biāo)Sf、脈沖指標(biāo)If、裕度指標(biāo)CL f、峭度指標(biāo)Kv和重復(fù)性描述因子Rf，其中：
[0021] xp=max|xk|，
[0019]
[0020]
[0022]
?中?為分段后的一段數(shù)據(jù)中X1~XM的平均值，
[0026]其中Xmax為?~XM中的最大值，
1UIS
[0027]其中，Xr為方根幅值
X
[0028]
其中β為峭度，
[0029]重復(fù)性描述因子Rf的計(jì)算方法如下：
[0030]將一段數(shù)據(jù)平均截取為a段，每段包含的周期數(shù)為整數(shù)，每段包含b個(gè)數(shù)據(jù)，其中， 義^表示截取后的第a段數(shù)據(jù)中的第b個(gè)數(shù)據(jù)，
[0031 ]計(jì)算a段數(shù)據(jù)的差分：{ Δ χη，Δ χ12,…，Δ xlb-1;…；Δ xal，Δ xa2,…，Δ xab-丨}，，其 中，Δ Χ11 = Χ12_Χ11，Δ Χ12 = Χ13~Χ12，Δ xib-l = xib~xib_l，Δ Xai = Xa2_Xal，Δ Xa2 = Xa3~Xa2，Δ xab-1 -Xab-Xab-1 ?
[0032] 計(jì)算a段數(shù)據(jù)的平均重復(fù)波形{?,5ζ,.，其中
[0033] 計(jì)算a段數(shù)據(jù)的平均重復(fù)波形的平均差分
[0034] 以{Δ%* Δ%* Μ3、~> …、為標(biāo)準(zhǔn)，分別計(jì)算其與a段數(shù)據(jù) 的差分{ ΔΧ11，ΔΧ12，···，Axib-1; · · · ; AXal，AXa2，···，AXab-丨}以及a段數(shù)據(jù)的平均重復(fù)波形 之間的差分值，若某點(diǎn)處差分值為負(fù)，則定義該點(diǎn)處的差分量為〇,若某點(diǎn)處的差分值為零， 則定義該點(diǎn)處的差分量為1，若差分值為正，則定義該點(diǎn)處的差分量為2，
[0035] 統(tǒng)計(jì)a段數(shù)據(jù)的差分{ Δ χη，Δ χυ，···，Δ xlb-1; · · · ; Δ xal，Δ xa2，···，Δ xab-丨}，的差 分量與a段數(shù)據(jù)的平均重復(fù)波形的差分量不同的點(diǎn)數(shù)c，
[0036] 計(jì)算重復(fù)性描述因子Rf: c
[0037] 心=7， D
[0038] S10:選取以下頻域指標(biāo):平均頻率favg、譜峰穩(wěn)定指數(shù)S、第一頻帶相對(duì)能量Erl、第 二頻帶相對(duì)能量E r2、第三頻帶相對(duì)能量Er3、第四頻帶相對(duì)能量Er4和第五頻帶相對(duì)能量Er5， 其中：
[0039]其中，fk為快速傅立葉變換FFT的頻率值， A、·'
' Λ ，
[0040]
[0041] 艮1=_^§(:1^/]^(〇沉，其中及為快速傅立葉變換??1'后，5(〇為分析頻率最大 值的五分之一，F(xiàn) s為快速傅立葉變換FFT后，S(f)的分析頻率最大值，
[0042]
[0043]
[0044]
[0045]
[0046] S11:分別計(jì)算S8步驟中得到的Μ段數(shù)據(jù)的上述時(shí)域指標(biāo)和頻域指標(biāo)，Μ段數(shù)據(jù)的上 述時(shí)域指標(biāo)和頻域指標(biāo)構(gòu)成一個(gè)MX 18的高維流形，并對(duì)MX 18的高維流形分別進(jìn)行各維度 的歸一化；
[0047] S12:分別統(tǒng)計(jì)于風(fēng)機(jī)中的主軸承正常、主軸承中的內(nèi)圈發(fā)生故障、主軸承中的滾 動(dòng)體發(fā)生故障以及主軸承中的外圈發(fā)生故障四種情況時(shí)對(duì)MX 18的高維流形分別進(jìn)行各維 度的歸一化的結(jié)果，得到分別對(duì)應(yīng)主軸承正常、主軸承中的內(nèi)圈發(fā)生故障、主軸承中的滾動(dòng) 體發(fā)生故障以及主軸承中的外圈發(fā)生故障時(shí)的樣本集A、樣本集B、樣本集C和樣本集D; [0048] S13:分別提取樣本集A、樣本集B、樣本集C和樣本集D中70 %的高維數(shù)據(jù)組成訓(xùn)練 集，其余30%的高維數(shù)據(jù)組成測(cè)試集，對(duì)于樣本A、樣本集B、樣本集C和樣本集D中的訓(xùn)練集 和測(cè)試集，分別進(jìn)行如下步驟S14~S20中的處理，得到主軸承正常時(shí)的PNN神經(jīng)網(wǎng)絡(luò)模型 P1、主軸承中的內(nèi)圈發(fā)生故障時(shí)的PNN神經(jīng)網(wǎng)絡(luò)模型P2、主軸承中的滾動(dòng)體發(fā)生故障時(shí)的 PNN神經(jīng)網(wǎng)絡(luò)模型P3以及主軸承中的外圈發(fā)生故障時(shí)的PNN神經(jīng)網(wǎng)絡(luò)模型P4;
[0049] S14:對(duì)LLTSA算法中目標(biāo)維數(shù)d及參數(shù)領(lǐng)域點(diǎn)數(shù)e進(jìn)行遍歷尋優(yōu)，其中，d的初始值 為l，e的初始值為20;
[0050] S15:采用LLTSA算法提取訓(xùn)練集中的低維敏感流形；
[0051] S16:設(shè)置徑向基函數(shù)的擴(kuò)展系數(shù)SPREAD為1.5,根據(jù)提取出的訓(xùn)練集中的低維敏 感流形構(gòu)建PNN神經(jīng)網(wǎng)絡(luò)模型；
[0052] S17:使用測(cè)試集測(cè)試PNN神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率；
[0053] S18:判斷參數(shù)領(lǐng)域點(diǎn)數(shù)k的值是否小于30，若為是，則令e的值加1，否則進(jìn)一步判 斷目標(biāo)維數(shù)d的值是否小于18;
[0054] S19:若d的值小于18,則令d的值加1，否則結(jié)束遍歷尋優(yōu)過(guò)程；
[0055] S20:篩選出遍歷尋優(yōu)過(guò)程中準(zhǔn)確率最高的PNN神經(jīng)網(wǎng)絡(luò)模型并確定LLTSA算法中 參數(shù)d和e的最優(yōu)值ds和es;
[0056] S21:對(duì)一風(fēng)機(jī)中的徑向傳感器執(zhí)行步驟S2~S11，得到該風(fēng)機(jī)的歸一化后的MX 18 的尚維流形；
[0057] S22:將LLTSA算法中的目標(biāo)維數(shù)d及參數(shù)領(lǐng)域點(diǎn)數(shù)e分別設(shè)置為上述么和^，并采用 LLTSA算法從S21中得到的MX 18的高維流形中提取低維流形，以及將提取出的低維流形分 別輸入至P1、P2、P3和P4中；
[0058] S23:判斷P1、P2、P3和P4的輸出概率，其中，輸出概率最大的神經(jīng)網(wǎng)絡(luò)模型對(duì)應(yīng)的 情況即為風(fēng)機(jī)中的徑向傳感器的工作情況。
[0059] 在本發(fā)明的一實(shí)施例中，白噪聲信號(hào)m(t)滿(mǎn)足e=:a/vWSlne+0.5alnN=0，其中e 為標(biāo)準(zhǔn)離差即yKt)與⑴之間的偏離量，a為白噪聲的幅值。
[0060] 在本發(fā)明的一實(shí)施例中，步驟S8中，m的值為10。
[0061] 本發(fā)明提供的基于LLTSA和PNN的風(fēng)機(jī)故障診斷方法能夠有效診斷分析風(fēng)機(jī)中主 要部件的振動(dòng)故障，提取出風(fēng)機(jī)組振動(dòng)信號(hào)中的早期微弱的突變故障信息并對(duì)其進(jìn)行診 斷，從而為風(fēng)電機(jī)組故障診斷人員提供有力的科學(xué)依據(jù)，提高風(fēng)機(jī)故障診斷的效率和準(zhǔn)確 率。
【具體實(shí)施方式】
[0062] 下面對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例 僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技 術(shù)人員在沒(méi)有付出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范 圍。
[0063] 本發(fā)明提供了一種基于LLTSA和PNN的風(fēng)機(jī)故障診斷方法，其包括以下步驟：
[0064] S1:將一徑向傳感器安裝于風(fēng)機(jī)中的主軸承的徑向，于風(fēng)機(jī)中的主軸承正常、主軸 承中的內(nèi)圈發(fā)生故障、主軸承中的滾動(dòng)體發(fā)生故障以及主軸承中的外圈發(fā)生故障四種情況 下每一種情況發(fā)生時(shí)，均多次進(jìn)行以下步驟S2~S11;
[0065] 以上幾種故障僅舉例，實(shí)際上，風(fēng)機(jī)中的多個(gè)部位均可能發(fā)生故障，例如齒輪箱中 的一級(jí)行星齒輪、齒輪箱中的二級(jí)行星齒輪、齒輪箱中的高速軸、發(fā)電機(jī)驅(qū)動(dòng)端和發(fā)電機(jī)非 驅(qū)動(dòng)端，當(dāng)對(duì)上述部位進(jìn)行故障監(jiān)測(cè)時(shí)，徑向傳感器需設(shè)置于監(jiān)測(cè)部位的徑向，以采集受監(jiān) 測(cè)部位的徑向振動(dòng)數(shù)據(jù)，為后續(xù)建立故障診斷模型提供依據(jù)，同時(shí)也用于最終的故障診斷。
[0066] S2:采集徑向傳感器的振動(dòng)信號(hào)y(t)，并將振動(dòng)信號(hào)y(t)復(fù)制N份并分別加入一個(gè) 白噪聲信號(hào)m(t)，得到N個(gè)包含白噪聲的信號(hào) yi(t)，其中，
[0067] yi(t) =y(t)+ru(t),
[0068] 1<;1^^，且;[為整數(shù)，1'1個(gè)白噪聲信號(hào)]^(1:)符合正態(tài)分布；
[0069] S3:對(duì)yi(t)分別進(jìn)行分解，得到IMF分量Cij⑴和余項(xiàng)ri(t)，其中Cij⑴表示對(duì)yi ⑴進(jìn)行分解得到的第j個(gè)頂F分量，其中，1彡j ;
[0070] S4:依據(jù)不相關(guān)的隨機(jī)序列統(tǒng)計(jì)均值為零的原理，將各MF分量Cij(t)進(jìn)行整體平 均，得到平均后的MF分量 Cj(t)，其中
[0071 ] 具體實(shí)施時(shí)，白噪聲信號(hào)ni (t)較佳滿(mǎn)足e=a/·^或lne+0.5alnN=0，其中e為標(biāo)準(zhǔn) 尚差即yi(t)與Cj⑴之間的偏1?量，a為白噪聲的幅值。
[0072] S5:對(duì)cj(t)分別作快速傅立葉變換FFT，得到Sj (f);
[0073] S6:設(shè)置一分析頻率下限^和分析頻率上限f2,分別計(jì)算w(t)在下限頻率心和上 限頻率f2之間的能量百分比nJ:
[0074]
[0075] 其中，fs為快速傅立葉變換FFT后，Sj(f)的分析頻率最大值；
[0076] S7 :設(shè)置一閾值E，將能量百分比大于閾值E的cj (t)篩選出來(lái)并將其合并得到c (t)；
[0077] S8:將c(t)分段，每段長(zhǎng)度為M，且M = 2m，其中m為大于等于6的整數(shù)，分段后的數(shù)據(jù) 以xk表示，其中，Kk<M;
[0078] 具體實(shí)施時(shí)，步驟S8中m的值較佳為10。
[0079] S9:選取以下時(shí)域指標(biāo):絕對(duì)均值P、有效值xrms、最大峰值xP、方差Dx、峰峰值x P-P、 峰值指標(biāo)《、波形指標(biāo)Sf、脈沖指標(biāo)If、裕度指標(biāo)CLf、峭度指標(biāo)K v和重復(fù)性描述因子Rf，其中：
[0082] xp=max|xk|，
[0080]
[0081]
[0083]
$中孓為分段后的一段數(shù)據(jù)中X1~XM的平均值，
[0084] xp-p=max(xk)-min(xk)，
[0085]
[0086]
[0087]
?中Xmax為XI~XM中的最大值，
[0088]
中，Xr為方根幅值，
[0089]
，其中β為峭度
[0090] 重復(fù)性描述因子Rf的計(jì)算方法如下：
[0091 ]將一段數(shù)據(jù)平均截取為a段，每段包含的周期數(shù)為整數(shù)，每段包含b個(gè)數(shù)據(jù)，其中， 義^表示截取后的第a段數(shù)據(jù)中的第b個(gè)數(shù)據(jù)，
[0092] 計(jì)算a段數(shù)據(jù)的差分：{ Δ χη，Δ χυ，···，Δ xlb-1; · · · ; Δ xal，Δ xa2，···，Δ xab-丨}，，其 中，Δ Xu - X12_X11，Δ X12 - X13_X12，Δ Xib-1 - Xlb_Xlb-1，Δ Xai - Xa2_Xal，Δ Xa2 - Xa3-Xa2 Δ Xab-1 - Xab-Xab-1 ?
[0093] 計(jì)算a段數(shù)據(jù)的平均重復(fù)波形{?,，其中
>
[0094] 計(jì)算&段數(shù)據(jù)的平均重復(fù)波形{瓦,^,...，又；，...，^丨的平均差分
[0095] 以
為標(biāo)準(zhǔn)，分別計(jì)算其與a段數(shù)據(jù) 的差分{ Αχη，ΔΧ12，···，Axib-1; · · · ; AXal，AXa2，···，AXab-U，以及a段數(shù)據(jù)的平均重復(fù)波 形之間的差分值，若某點(diǎn)處差分值為負(fù)，則定義該點(diǎn)處的差分量為〇,若某點(diǎn)處的差分值為 零，則定義該點(diǎn)處的差分量為1，若差分值為正，則定義該點(diǎn)處的差分量為2，
[0096] 統(tǒng)計(jì) a 段數(shù)據(jù)的差分{ Δχη，Δχυ，···，Axlb-1;···; Axal，Axa2，···，Axab-山的差分 量與a段數(shù)據(jù)的平均重復(fù)波形的差分量不同的點(diǎn)數(shù)c，
[0097] 計(jì)算重復(fù)性描述因子Rf:
[0098]
[0099] S10:選取以下頻域指標(biāo):平均頻率favg、譜峰穩(wěn)定指數(shù)S、第一頻帶相對(duì)能量Erl、第 二頻帶相對(duì)能量E r2、第三頻帶相對(duì)能量Er3、第四頻帶相對(duì)能量Er4和第五頻帶相對(duì)能量Er5， 其中：
[0100]
中，fk為快速傅立葉變換FFT的頻率值， kx-:l / Κχ-: i .,.
[0101]
[0102] ，其中，Bf為快速傅立葉變換FFT后，S(f)為分析頻率最大 值的五分之一，F(xiàn)S為快速傅立葉變換FFT后，S(f)的分析頻率最大值，
[0103]
[0104]
[0105]
[0106]
[0107] S11:分別計(jì)算S8步驟中得到的Μ段數(shù)據(jù)的上述時(shí)域指標(biāo)和頻域指標(biāo)，Μ段數(shù)據(jù)的上 述時(shí)域指標(biāo)和頻域指標(biāo)構(gòu)成一個(gè)MX 18的高維流形，并對(duì)MX 18的高維流形分別進(jìn)行各維度 的歸一化；
[0108] S12:分別統(tǒng)計(jì)于風(fēng)機(jī)中的主軸承正常、主軸承中的內(nèi)圈發(fā)生故障、主軸承中的滾 動(dòng)體發(fā)生故障以及主軸承中的外圈發(fā)生故障四種情況時(shí)對(duì)MX 18的高維流形分別進(jìn)行各維 度的歸一化的結(jié)果，得到分別對(duì)應(yīng)主軸承正常、主軸承中的內(nèi)圈發(fā)生故障、主軸承中的滾動(dòng) 體發(fā)生故障以及主軸承中的外圈發(fā)生故障時(shí)的樣本集A、樣本集B、樣本集C和樣本集D;
[0109] S13:分別提取樣本集A、樣本集B、樣本集C和樣本集D中70 %的高維數(shù)據(jù)組成訓(xùn)練 集，其余30%的高維數(shù)據(jù)組成測(cè)試集，對(duì)于樣本A、樣本集B、樣本集C和樣本集D中的訓(xùn)練集 和測(cè)試集，分別進(jìn)行如下步驟S14~S20中的處理，得到主軸承正常時(shí)的PNN神經(jīng)網(wǎng)絡(luò)模型 P1、主軸承中的內(nèi)圈發(fā)生故障時(shí)的PNN神經(jīng)網(wǎng)絡(luò)模型P2、主軸承中的滾動(dòng)體發(fā)生故障時(shí)的 PNN神經(jīng)網(wǎng)絡(luò)模型P3以及主軸承中的外圈發(fā)生故障時(shí)的PNN神經(jīng)網(wǎng)絡(luò)模型P4;
[0110] S14:對(duì)LLTSA算法中的目標(biāo)維數(shù)d及參數(shù)領(lǐng)域點(diǎn)數(shù)e進(jìn)行遍歷尋優(yōu)，其中，d的初始 值為l，e的初始值為20;
[0111] S15:采用LLTSA算法提取訓(xùn)練集中的低維敏感流形；
[0112] S16:設(shè)置徑向基函數(shù)的擴(kuò)展系數(shù)SPREAD為1.5,根據(jù)提取出的訓(xùn)練集中的低維敏 感流形構(gòu)建PNN神經(jīng)網(wǎng)絡(luò)模型；
[0113] S17:使用測(cè)試集測(cè)試PNN神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率；
[0114] S18:判斷參數(shù)領(lǐng)域點(diǎn)數(shù)k的值是否小于30，若為是，則令e的值加1，否則進(jìn)一步判 斷目標(biāo)維數(shù)d的值是否小于18;
[0115] S19:若d的值小于18,則令d的值加1，否則結(jié)束遍歷尋優(yōu)過(guò)程；
[0116] S20:篩選出遍歷尋優(yōu)過(guò)程中準(zhǔn)確率最高的PNN神經(jīng)網(wǎng)絡(luò)模型并確定LLTSA算法中 參數(shù)d和e的最優(yōu)值ds和e s;
[0117] S21:對(duì)一風(fēng)機(jī)中的徑向傳感器執(zhí)行步驟S2~SI 1，得到該風(fēng)機(jī)的歸一化后的Μ X 18 的尚維流形；
[0118] S22:將LLTSA算法中的目標(biāo)維數(shù)d及參數(shù)領(lǐng)域點(diǎn)數(shù)e分別設(shè)置為上述么和^，并采用 LLTSA算法從S21中得到的MX 18的高維流形中提取低維流形，以及將提取出的低維流形分 別輸入至P1、P2、P3和P4中；
[0119] S23:判斷P1、P2、P3和P4的輸出概率，其中，輸出概率最大的神經(jīng)網(wǎng)絡(luò)模型對(duì)應(yīng)的 情況即為風(fēng)機(jī)中的徑向傳感器的工作情況。
[0120]本發(fā)明提供的基于LLTSA和PNN的風(fēng)機(jī)故障診斷方法能夠有效診斷分析風(fēng)機(jī)中主 要部件的振動(dòng)故障，提取出風(fēng)機(jī)組振動(dòng)信號(hào)中的早期微弱的突變故障信息并對(duì)其進(jìn)行診 斷，從而為風(fēng)電機(jī)組故障診斷人員提供有力的科學(xué)依據(jù)，提高風(fēng)機(jī)故障診斷的效率和準(zhǔn)確 率。
[0121]本領(lǐng)域普通技術(shù)人員可以理解:實(shí)施例中的裝置中的模塊可以按照實(shí)施例描述分 布于實(shí)施例的裝置中，也可以進(jìn)行相應(yīng)變化位于不同于本實(shí)施例的一個(gè)或多個(gè)裝置中。上 述實(shí)施例的模塊可以合并為一個(gè)模塊，也可以進(jìn)一步拆分成多個(gè)子模塊。
[0122]最后應(yīng)說(shuō)明的是：以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制;盡管 參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解:其依然可 以對(duì)前述實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換;而 這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明實(shí)施例技術(shù)方案的精神和范 圍。
【主權(quán)項(xiàng)】
1. 一種基于化TSA和PNN的風(fēng)機(jī)故障診斷方法，該方法用于對(duì)風(fēng)電場(chǎng)中的多個(gè)風(fēng)力發(fā)電 機(jī)組中的風(fēng)機(jī)進(jìn)行故障診斷，其特征在于，包括W下步驟： S1:將一徑向傳感器安裝于風(fēng)機(jī)中的主軸承的徑向，于風(fēng)機(jī)中的主軸承正常、主軸承中 的內(nèi)圈發(fā)生故障、主軸承中的滾動(dòng)體發(fā)生故障W及主軸承中的外圈發(fā)生故障四種情況下每 一種情況發(fā)生時(shí)，均多次進(jìn)行W下步驟S2~S11; S2:采集徑向傳感器的振動(dòng)信號(hào)y(t)，并將振動(dòng)信號(hào)y(t)復(fù)制N份并分別加入一個(gè)白噪 聲信號(hào)m(t)，得到N個(gè)包含白噪聲的信號(hào)yi(t)，其中， yi(t) =y(t)+m(t)， 且i為整數(shù)，N個(gè)白噪聲信號(hào)m(t)符合正態(tài)分布； S3:對(duì)yi(t)分別進(jìn)行分解，得到IMF分量cu(t)和余項(xiàng)ri(t)，其中cu(t)表示對(duì)yi(t)進(jìn) 行分解得到的第j個(gè)IMF分量，其中，1《j《N; S4:依據(jù)不相關(guān)的隨機(jī)序列統(tǒng)計(jì)均值為零的原理，將各IMF分量cu(t)進(jìn)行整體平均，得 到平均后的IMF分量cj(t)，其中S5:對(duì)Cj (t)分別作快速傅立葉變換FFT，得到Sj(f); S6:設(shè)置一分析頻率下限fi和分析頻率上限f2,分別計(jì)算(3^*)在下限頻率fi和上限頻率 f2之間的能量百分比屯：其中，f S為快速傅立葉變換FFT后，& (f)的分析頻率最大值； S7:設(shè)置一闊值E，將能量百分比大于闊值E的cパt)篩選出來(lái)并將其合并得到c(t); S8:將c(t)分段，每段長(zhǎng)度為M，且Μ=2"，其中m為大于等于6的整數(shù)，分段后的數(shù)據(jù)Wxk 表示，其中， S9 :選取W下時(shí)域指標(biāo):絕對(duì)均值|?|、有效值Xrms、最大峰值Xp、方差Dx、峰峰值Xp-p、峰值 指標(biāo)cf、波形指標(biāo)Sf、脈沖指標(biāo)If、裕度指標(biāo)CLf、峭度指標(biāo)Κν和重復(fù)性描述因子Rf，其中：廷中X為分段后的一段數(shù)據(jù)中XI~XM的平均值，重復(fù)性描述因子Rf的計(jì)算方法如下： 將一段數(shù)據(jù)平均截取為a段，每段包含的周期數(shù)為整數(shù)，每段包含b個(gè)數(shù)據(jù)，其中，Xab表 示截取后的第a段數(shù)據(jù)中的第b個(gè)數(shù)據(jù)， 計(jì)算a段數(shù)據(jù)的差分：{ Δ XII，Δ X12, . . .，Δ Xlb-l; . . . ; Δ Xal，Δ Xa2, . . .，A Xab-l}，，其中， Λ XII 二 X12-X11，Δ X12 二 X13-X12, A X化-1 二 X化-χ化-1 Δ Xai 二 Xa2_Xal A Xa2 二 Xa3_Xa2, A Xab-1 二 ；K扎-Xab-1， 計(jì)算a段數(shù)據(jù)的平均重復(fù)波形計(jì)算a段數(shù)據(jù)的平均重復(fù)波形馬·是·是…馬，的平均差分{么％.濾2，盆聲、L義{岔:為，激每，紙3，…，么'為標(biāo)準(zhǔn)，分別計(jì)算其與a段數(shù)據(jù)的差 分{ Δ XII，Δ X12, . . .，Δ xib-l; . . . ; Δ Xai，Δ Xa2，···，A Xab-l似及a段數(shù)據(jù)的平均重復(fù)波形之 間的差分值，若某點(diǎn)處差分值為負(fù)，則定義該點(diǎn)處的差分量為0,若某點(diǎn)處的差分值為零，貝U 定義該點(diǎn)處的差分量為1，若差分值為正，則定義該點(diǎn)處的差分量為2， 統(tǒng)計(jì) a 段數(shù)據(jù)的差分{ Δχιι，Δχι2，···，Axib-l; . . . ; Axal，Axa2，···，Axab-l}的差分量與 a 段數(shù)據(jù)的平均重復(fù)波形的差分量不同的點(diǎn)數(shù)C， 計(jì)算重復(fù)性描述因子Rf:S10:選取W下頻域指標(biāo):平均頻率favg、譜峰穩(wěn)定指數(shù)S、第一頻帶相對(duì)能量Erl、第二頻 帶相對(duì)能量Er2、第；頻帶相對(duì)能量Er3、第四頻帶相對(duì)能量Er4和第五頻帶相對(duì)能量ErS，其中：其中，fk為快速傅立葉變換FFT的頻率值，，其中，恥為快速傅立葉變換FFT后，S(f)為分析頻率最大值的 五分之一，F(xiàn)s為快速傅立葉變換FFT后，S(f)的分析頻率最大值，Sll:分別計(jì)算S8步驟中得到的Μ段數(shù)據(jù)的上述時(shí)域指標(biāo)和頻域指標(biāo)，Μ段數(shù)據(jù)的上述時(shí) 域指標(biāo)和頻域指標(biāo)構(gòu)成一個(gè)MX 18的高維流形，并對(duì)MX 18的高維流形分別進(jìn)行各維度的歸 一化； S12:分別統(tǒng)計(jì)于風(fēng)機(jī)中的主軸承正常、主軸承中的內(nèi)圈發(fā)生故障、主軸承中的滾動(dòng)體 發(fā)生故障W及主軸承中的外圈發(fā)生故障四種情況時(shí)對(duì)MX 18的高維流形分別進(jìn)行各維度的 歸一化的結(jié)果，得到分別對(duì)應(yīng)主軸承正常、主軸承中的內(nèi)圈發(fā)生故障、主軸承中的滾動(dòng)體發(fā) 生故障W及主軸承中的外圈發(fā)生故障時(shí)的樣本集A、樣本集B、樣本集C和樣本集D; S13:分別提取樣本集A、樣本集B、樣本集C和樣本集D中70%的高維數(shù)據(jù)組成訓(xùn)練集，其 余30%的高維數(shù)據(jù)組成測(cè)試集，對(duì)于樣本A、樣本集B、樣本集C和樣本集D中的訓(xùn)練集和測(cè)試 集，分別進(jìn)行如下步驟S14~S20中的處理，得到主軸承正常時(shí)的P順神經(jīng)網(wǎng)絡(luò)模型P1、主軸 承中的內(nèi)圈發(fā)生故障時(shí)的PP^N神經(jīng)網(wǎng)絡(luò)模型P2、主軸承中的滾動(dòng)體發(fā)生故障時(shí)的ΡΓ^Ν神經(jīng)網(wǎng) 絡(luò)模型P3W及主軸承中的外圈發(fā)生故障時(shí)的Ρ順神經(jīng)網(wǎng)絡(luò)模型Ρ4; S14:對(duì)化TSA算法中目標(biāo)維數(shù)d及參數(shù)領(lǐng)域點(diǎn)數(shù)e進(jìn)行遍歷尋優(yōu)，其中，d的初始值為1，e 的初始值為20; S15:采用化TSA算法提取訓(xùn)練集中的低維敏感流形； S16:設(shè)置徑向基函數(shù)的擴(kuò)展系數(shù)SPREAD為1.5,根據(jù)提取出的訓(xùn)練集中的低維敏感流 形構(gòu)建ΡΓ^Ν神經(jīng)網(wǎng)絡(luò)模型； S17:使用測(cè)試集測(cè)試ΡΓ^Ν神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率； S18:判斷參數(shù)領(lǐng)域點(diǎn)數(shù)k的值是否小于30,若為是，則令e的值加1，否則進(jìn)一步判斷目 標(biāo)維數(shù)d的值是否小于18; S19:若d的值小于18，則令d的值加1，否則結(jié)束遍歷尋優(yōu)過(guò)程； S20:篩選出遍歷尋優(yōu)過(guò)程中準(zhǔn)確率最高的ΡΓ^Ν神經(jīng)網(wǎng)絡(luò)模型并確定化TSA算法中參數(shù)d 和e的最優(yōu)值cU和es; S21:對(duì)一風(fēng)機(jī)中的徑向傳感器執(zhí)行步驟S2~S11，得到該風(fēng)機(jī)的歸一化后的MX 18的高 維流形； S22:將化TSA算法中的目標(biāo)維數(shù)d及參數(shù)領(lǐng)域點(diǎn)數(shù)e分別設(shè)置為上述ds和es，并采用 LLTSA算法從S21中得到的Μ X 18的高維流形中提取低維流形，W及將提取出的低維流形分 別輸入至Ρ1、Ρ2、Ρ3和Ρ4中； S23:判斷Ρ1、Ρ2、Ρ3和Ρ4的輸出概率，其中，輸出概率最大的神經(jīng)網(wǎng)絡(luò)模型對(duì)應(yīng)的情況 即為風(fēng)機(jī)中的徑向傳感器的工作情況。2. 根據(jù)權(quán)利要求1所述的基于化TSA和Ρ順的風(fēng)機(jī)故障診斷方法，其特征在于，白噪聲信 號(hào)m(t)滿(mǎn)足戶(hù)￡1/\府或1]1日+0.5日1曲=0,其中e為標(biāo)準(zhǔn)離差即yi(t)與Cj(t)之間的偏離量，a 為白噪聲的幅值。3. 根據(jù)權(quán)利要求1所述的基于化TSA和P順的風(fēng)機(jī)故障診斷方法，其特征在于，步驟S8 中，m的值為10。
【文檔編號(hào)】G01M13/04GK105973596SQ201610301493
【公開(kāi)日】2016年9月28日
【申請(qǐng)日】2016年5月9日
【發(fā)明人】萬(wàn)鵬, 華青松, 汪鋒, 張?chǎng)? 解錫偉
【申請(qǐng)人】華銳風(fēng)電科技(集團(tuán))股份有限公司