[发明专利]一种用于风电机组齿轮箱故障预测诊断的方法

说明书

技术领域

本发明涉及风机故障诊断领域，具体地说，特别涉及到一种用于风电机组齿轮箱故障预测诊断的方法。

背景技术

风电机组的主轴轴承作为风力发电设备的关键机械部件，其维修成本高，维护时间长，在非维修时期产生的异常很有可能造成主轴轴承发生故障，传统的SCADA系统无法及时准确的定位故障隐患，影响风电机组的正常运行和风电并网的稳定性。因此有必要对风电机组主轴轴承的实时运行状态和故障诊断进行深入研究。

传统的主轴轴承故障诊断方法依据主轴轴承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并借助神经网络或支持向量机对故障作出诊断。然而神经网络易陷入局部最小问题，会出现过适应现象。另一方面，支持向量机(SVM)的参数优化则决定了收敛精度和预测准度，现有的支持向量机模型的参数优化算法收敛速度较差，极大地影响了故障诊断的精度和速度。

发明内容

本发明的目的在于针对现有技术中的不足，提供一种基于PCA和布谷鸟算法优化SVM的风电机组主轴轴承故障预测诊断方法，能更快地收敛到全局最优值，提高了SVM的泛化能力预测精度，减小了SVM的训练时间和训练速度，保证了故障预测的精度和速度。

本发明所解决的技术问题可以采用以下技术方案来实现：

一种基于PCA和布谷鸟算法优化SVM的风电机组主轴轴承故障预测诊断方法，包括如下步骤：

1)获取运行中风电机组的风速、主轴轴承温度、变桨角度、风向角与机舱角偏差的历史采样时刻数据。

2)对历史采样时刻数据进行归一化处理。

3)利用PCA算法对历史采样时刻数据进行特征提取，并将其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)选用布谷鸟搜索算法优化支持向量机的参数，得到最优的预测模型，并反复循环迭代训练模型；

6)将预测的的结果送入到专家系统中进行分析解释得出诊断结果呈现在人机交互界面上。

所述步骤2)中归一化处理的公式如下：

所述步骤3)的步骤如下：

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)计算出相关系数矩阵，相关系数矩阵表达式为：

其中

3.3)运用Jacobi迭代方法计算R的特征值和特征向量；

3.4)通过选择排序将特征值按降序排序；

3.5)对特征向量进行施密特正交化，得到α₁，...，α_n；

3.6)计算特征值的累积贡献率，根据给定的提取效率提取出t个主成分α₁，...，α_t；

3.7)计算以标准化的数据样本数据X在提取出的特征向量上的投影Y，所得的Y即为进行特征提取后的数据。

所述步骤4)的过程如下：

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λ_i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，x_i)＝exp(-||x-x_i||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)确定SVM参数c、g的取值范围，定义CS算法的最小步长step_min、最大步长step_max及迭代的次数N；

5.2)设置初始的概率参数P_a为0.25，随机产生出n个巢的位置并对每组鸟巢位置对应训练集的拟合度进行计算，找到目前最好的鸟巢位置以及最好的拟合度F_max；

5.3)保留上一代最优鸟巢的位置计算Levy飞行步长，并且利用Levy的飞行更新其它鸟巢的位置，得到一组新的鸟巢位置，并且计算它们的拟合度F；