[发明专利]一种风电齿轮箱的故障诊断方法

说明书

本发明公开的风电齿轮箱的故障诊断方法，首先，提取风电齿轮箱的振动加速度信号，分解后建立故障集；其次，采用一种面向收缩‑扩张系数的随机调整方案来增强量子粒子群算法的鲁棒性；再次，为了进一步提高算法跳出局部最优的概率，一种重启动策略也被引入到量子粒子群算法中；最后，采用改进的量子粒子群与BP神经网络相结合的方法来建立风电齿轮箱的故障诊断模型。与BP神经网络、粒子群以及量子粒子群优化BP网络的方案相比，本发明的故障诊断方法具有较高的诊断精度，降低了恶劣事故发生的几率。

技术领域

本发明属于风电机组故障诊断技术领域，具体涉及一种风电齿轮箱的故障诊断方法。

背景技术

齿轮箱是风电机组的关键部件之一。由于受到冲击载荷和交变载荷的影响，齿轮箱的磨损、断齿等故障频发，已成为故障多发区。据统计，齿轮箱故障约占风电机组总故障的60％，是诱发设备故障的重要因素。因此，建立有效的齿轮箱故障识别模型，及时掌握其健康状况，以对齿轮箱即将发生的故障进行提前预知，避免恶劣事故发生的几率，有利于提高风电场的运营效益。

在风电齿轮箱故障诊断技术中，以振动信号分析方法的应用较为广泛。然而，基于模型的传统诊断技术难以实现齿轮箱故障模式的有效识别，故而人工智能技术被引入到风电机组的故障诊断中，如人工神经网络与支持向量机(SVM)等。只是人工神经网络往往存在过拟合等问题，而SVM算法的最优参数难以获取，致使其诊断准确性亟待提高。为此，一系列智能优化算法被应用其中以获取较佳参数，如粒子群算法(PSO)、遗传算法(GA)以及细菌觅食算法(BFA)等。

在过去的20年中，许多智能优化算法被用于求解参数优化问题。其中，粒子群优化算法是一种重要的群体智能搜索方法。由于其概念简单、易于实现，粒子群算法受到了进化计算领域的广泛关注。然而，PSO算法容易陷入局部最优，从而不能保证全局收敛性。受量子力学中随机行为特性的启发，孙俊等提出了量子粒子群优化算法(QPSO)，并证明了其全局收敛性优于PSO算法。在QPSO算法中，每个粒子可以通过学习整个种群的最佳位置信息来修正搜索方向，具有收敛速度快的特点，然而，QPSO算法在求解复杂多极值优化问题时也容易早熟收敛。

发明内容

本发明的目的是提供一种风电齿轮箱的故障诊断方法，解决了现有的人工神经网络过拟合及收敛速度慢、QPSO算法求解过程易早熟收敛的问题。

本发明所采用的技术方案是，一种风电齿轮箱的故障诊断方法，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；

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。

本发明的特点还在于，

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。

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。

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：