[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

说明书

本发明提供基于PCA和KNN密度算法风电机组轴承故障诊断方法，获取风电机组轴承在不同工作状态下的振动信号；对振动信号数据进行预处理；分别计算每个样本的时域和频域统计参数，构成风电机组轴承信号的特征矩阵；利用PCA算法对风电机组不同工作状态的多特征矩阵进行降维，提取特征输入，将该输入作为故障诊断模型的训练样本集；采用支持向量机(SVM)对训练样本进行建模；采用KNN密度分类算法对支持向量机的参数进行优化；最终的诊断结果呈现在人机交互界面中。可精确的对故障类型进行分类，提高风电机组轴承故障分类的精度。为风电机组的安全可靠运行提供了保障，从而可以优化电网调度，实现电网的安全、稳定和经济运行。

技术领域

本发明涉及轴承故障诊断算法领域，具体涉及基于PCA和KNN密度算法风电机组轴承故障诊断方法。

背景技术

传统的KNN算法是一种应用广泛的故障诊断分类算法，传统的KNN算法首先找到与待分类样本距离最近的K个近邻邻居，然后根据这K个邻居的故障类别，采用少数服从多数的决策规则确定待分类样本所属故障类别。

传统的风电机组轴承故障诊断方法是根据轴承振动信号的状态量进行分类的。完整的风电机组轴承故障诊断过程主要包括：①信号测取：根据风机轴承的工作环境，选择测取能够反映轴承工作情况或状态的信号；②特征选取：从测取的信号中抽取能够反映轴承状态的数据信息；③模式识别：根据获取的数据信息，识别该轴承工作的状态，即判断轴承有无故障；④决策控制：根据风机轴承的工作状态，作出相应的控制，如维修或继续监视。

在传统的风电机组轴承故障诊断技术中，在①信号测取中，没有对振动信号进行预处理，与数据无关的信号大大增大了诊断系统的工作量；在②特征选取中，提取特征输入工作量大，增加了故障诊断的时间；在③模式识别中，由于不同故障样本数据分布呈现不均匀性，导致使用传统的KNN算法时出现故障数据样本被错误分类的情况，进而导致故障分类精度的下降。

发明内容

为提高风电机组轴承故障分类的精度，实现对风电机组轴承故障的精确诊断，本发明提供基于PCA和KNN密度算法风电机组轴承故障诊断方法。

本发明是通过以下技术方案实现的：

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(SVM)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，循环迭代训练模型；

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。

进一步的，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。

进一步的，步骤S2中所述归一化公式如下：