[发明专利]基于PCA和KNN密度算法风电机组轴承故障诊断方法

权利要求书

1.基于PCA和KNN密度算法风电机组轴承故障诊断方法，包括以下步骤：

S1：获取风电机组轴承在不同工作状态下的振动信号；

S2：对所述振动信号数据进行预处理，包括去除数据异常点和数据归一化处理；

S3：分别计算所述振动信号样本集中每个样本的时域统计参数和频域统计参数；

S4：根据所述时域统计参数和所述频域统计参数构建风电机组轴承信号的特征矩阵；

S5：利用PCA算法对预处理后的轴承振动数据进行降维，提取特征输入，将所述特征输入作为故障诊断模型的测试样本集和训练样本集；

S6：利用支持向量机对所述训练样本集进行建模；

S7：利用KNN密度分类算法对所述支持向量机的参数进行优化，获得最优的预测模型；

S8：将预测的结果送入诊断系统中进行分析，得到最终的诊断结果呈现在人机交互界面中。

2.根据权利要求1所述的基于PCA和KNN密度算法风电机组轴承故障诊断方法，其特征在于，步骤S1中所述不同工作状态包括轴承内圈故障、轴承外圈故障、轴承滚动体故障和正常运行状态。

3.根据权利要求1所述的基于PCA和KNN密度算法风电机组轴承故障诊断方法，其特征在于，步骤S2中所述数据归一化处理的公式如下：

x * = x i - x min x max - x min ]]>

其中，x*为数据归一化后的值，xi为振动信号第i个数据，xmax、xmin分别表示样本数据的最大值、最小值。

4.根据权利要求1所述的基于PCA和KNN密度算法风电机组轴承故障诊断方法，其特征在于，步骤S3中所述时域统计参数包括平均值、均方根值、方差、方根幅值、峰峰值、峭度、最大值、最小值、波形指标、脉冲指标、峰值指标和偏斜度；所述频域统计参数包括均方频率、频率重心、频率方差和总功率谱和。