[发明专利]一种风电齿轮箱的故障诊断方法

权利要求书

1.一种风电齿轮箱的故障诊断方法，其特征在于，具体按照如下步骤实施：

步骤1、采集齿轮表面的振动加速度信号，并经小波技术分解处理后，得到故障识别的特征向量，将该特征向量随机分为两组，分别作为BP神经网络的训练集和测试集；对风电齿轮箱的故障类型进行编码，并作为输出样本；

步骤2、确定BP神经网络的隐含层神经元个数、训练函数以及输入层至输出层的传递函数，建立基于BP神经网络的故障诊断模型；

步骤3、采用改进的量子粒子群算法对BP神经网络的故障诊断模型的参数进行寻优，获得最优的权阈值参数，得到优化BP神经网络；

具体包括如下步骤：

步骤3.1、初始化改进的量子粒子群算法参数；

所述改进的量子粒子群算法参数包括种群规模N，最大迭代次数kmax，调节收缩-扩张系数β所需的3个参数a、b和σ，极限值limit，转换参数trial；

步骤3.2、随机生成初始解xi，计算适应度fit(i)，并令当前个体最优解pbi＝xi，迭代次数k＝1；

步骤3.3、记录种群中全局最优解gb及其适应度fbest；

步骤3.4、若kkmax，则执行步骤3.5；否则跳转至步骤3.9；

步骤3.5、生成收缩-扩张系数β；

收缩-扩张系数β的生成规则为：

μ＝a+b·rand(0,1) (1)，

β＝μ+σ·randn(0,1) (2)；

式(1)和(2)中，a、b和σ为3个预设的常数；rand(0,1)为服从均匀分布的随机数；randn(0,1)为服从标准正态分布的随机数；

步骤3.6、若triallimit，采用量子粒子群算法的更新规则生成新的候选解；否则，采用重启动策略生成新的解；

步骤3.7、评估步骤3.6得到的解的质量；

若此解优于当前个体最优解pb，则用此解替代pb，且令转换参数trial＝0；否则trial＝trial+1；若此解优于全局最优解gb，则用此解替代gb；

步骤3.8、令迭代次数k＝k+1，并跳转至步骤3.4；

步骤3.9、将全局最优解gb作为BP神经网络的权阈值参数，得到优化BP神经网络；

步骤4、利用训练集对优化BP神经网络进行训练，得到改进量子粒子群优化BP神经网络模型；

步骤5、采用改进量子粒子群优化BP神经网络模型对测试集进行预测，输出风电齿轮箱故障的诊断结果，并将该诊断结果与步骤1得到的输出样本进行比较，判断出风电齿轮箱的故障类型；

步骤3.6中，所述量子粒子群算法的更新规则为：

式(3)和(4)中，u和均为0～1之间的随机数；

步骤3.6中，所述重启动策略表示为：

式(6)中，lb和ub分别为搜索空间的下界和上界；rand和rand(0,1)均为0～1之间的随机数。

2.如权利要求1所述的一种风电齿轮箱的故障诊断方法，其特征在于，步骤1中，所述特征向量分别为功率谱熵、小波熵、关联维数、盒维数、峭度及偏度。

3.如权利要求1所述的一种风电齿轮箱的故障诊断方法，其特征在于，步骤1中，所述风电齿轮箱的故障类型包括齿轮正常、齿轮磨损及齿轮断齿。

4.如权利要求1所述的一种风电齿轮箱的故障诊断方法，其特征在于，步骤2中，所述BP神经网络采用三层BP神经网络，隐含层神经元的个数按如下公式进行计算：

式(7)中，s为隐含层神经元个数；m和n分别为输入、输出层神经元个数，且m取6，n取3；p为1～10之间的整数。

5.如权利要求1所述的一种风电齿轮箱的故障诊断方法，其特征在于，步骤2中，所述输入层和输出层的传递函数分别为tansig函数和logsig函数，训练函数选择trainlm函数。