[发明专利]一种风机齿轮箱故障诊断模型建立方法及装置

说明书

技术领域

本发明涉及故障诊断领域，具体涉及一种风机齿轮箱故障诊断模型建立方法。

背景技术

全球能源问题日益突出，化石燃料的不可再生性及对全球气候造成的恶劣影响，使各国纷纷出台政策缓解由于能源短缺造成的危机。开发新能源及可再生能源，逐步减少化石能源的使用，是保护生态环境、社会经济可持续发展的战略重大措施。随着经济的发展，以风电为代表的可再生能源在全球范围内飞速发展。我国也是风电行业发展大国，截止到2015年年底，我国累计安装风电机组台数和累计装机容量稳居全球第一。

然而随着风电产业近年来的快速发展，问题也随之而来。国内风电企业对风电机组的部分核心技术尚未完全掌握，一些关键零部件仍然依赖于进口。作为风电机组的主要传动部件，增速齿轮箱的性能对整个风电机组的稳定运行有很大影响。近年来对风电场实际监测得到的统计结果，在风电机组各部件中齿轮箱失效的比例占9.8％，而因齿轮箱失效而造成的风电机组的停机时间占到19.4％。风电齿轮箱一旦出现故障，其高昂的维修费用及较长的维修周期将给风电场及风电企业造成极大的损失。

针对风电机组传动链中故障的诊断技术主要包括信号分析技术和人工智能分析技术。对传动链上的状态监测信号分析方法主要包括：时域分析方法、频域分析方法和时、频联合分析方法。利用信号分析方法对监测信号进行处理后，提取相应的故障特征值，通过故障特征值进行故障判断。但信号分析方法存在着效率低，准确度差的缺点。

发明内容

因此，本发明要解决的技术问题在于现有技术中的风机齿轮箱故障诊断效率低、准确度差的缺陷。

本发明实施例提供一种风机齿轮箱故障诊断模型建立方法，包括

S1、获取风机齿轮箱的振动信号；

S2、对所述振动信号进行平滑和降噪处理；

S3、对处理后的振动信号进行分解，提取振动信号的特征向量；

S4、将所述振动信号的特征向量分为训练数据集和测试数据集；

S5、利用果蝇算法对径向基神经网络模型的参数进行优化，输入所述训练数据集中的振动信号的特征向量获取参数的最优值，生成基于径向基神经网络的风机齿轮箱故障诊断模型；

S6、使用所述测试数据集对所述风机齿轮箱故障诊断模型进行诊断测试得到诊断结果；

S7、判断诊断结果是否达到预设诊断准确率，若未达到预设诊断准确率，则重新获取风机齿轮箱的振动信号，重复步骤S1-S6直至诊断结果达到预设诊断准确率。

可选地，在步骤S1中，通过振动传感器采集风机齿轮箱正常以及典型故障状态下振动信号，至少包括正常振动信号、齿轮箱轴承内圈故障时振动信号、齿轮箱轴承外圈故障时振动信号、断齿状态下振动信号中的部分或全部。

可选地，包括S5中利用果蝇算法对径向基神经网络模型的参数进行优化的处理之前，还包括初始化果蝇优化算法的参数。

可选地，所述初始化果蝇优化算法的参数的过程，包括：

第一，初始化果蝇种群数量P，最大迭代次数G_max，初始搜索步长L₀，果蝇种群初始位置(x₀,y₀)；

第二，设置果蝇优化算法每代搜索步长和适应度函数，其中每代搜索步长公式如下：

其中G_max最大迭代次数，G为当前优化代数，L₀为初始搜索步长，L为当前代搜索步长；

适应度函数为：

其中J为适应度，N为训练样本，m为输出层节点数，x_ji为实际输出，y_ji为目标输出。

第三，初始化参数搜索范围。

可选地，所述利用果蝇算法对径向基神经网络模型的参数进行优化的过程，包括：

随机在搜索范围中初始化Spread值位置(x₀,y₀)；

根据公式根据公式生成当前代搜索步长，再根据公式X(i)＝X_0i+L*rand(1,1)，Y(i)＝Y_0i+L*rand(1,1)赋予果蝇个体在随机方向和随机移动距离，其中X(i)、Y(i)为果蝇种群中每个个体在本代搜索范围中的横纵坐标，i∈(0,P]。X_0i、Y_0i为本代果蝇种群初始位置的横纵坐标，rand(1,1)表示在(0,1)范围内取随机值；