[发明专利]一种风电机组传动系统故障诊断方法

说明书

本发明公开了一种风电机组传动系统故障诊断方法，属于电力设备技术领域。它的步骤为：A、提取振动信号的时域、频域、时频域信息构建多域特征集；B、采用深度置信网络对多域特征集进行特征再学习；C、在特征输出后添加softmax多分类器，利用反向传播算法逐层微调深度置信网络的权值使其结构达到最优并生成合适的分类器；D、输出诊断结果。它可以解决风电机组传动系统故障诊断多域特征集中特征冲突、冗余的问题，同时也解决特征融合与模式识别方法不匹配的问题，进而提高了风电机组传动系统故障诊断的可靠性与诊断率。

技术领域

本发明涉及电力设备技术领域，尤其涉及一种风电机组传动系统故障诊断方法。

背景技术

传动系统作为风力发电机组的核心部件，其运行的可靠性直接影响机组的稳定性，所以对其进行故障诊断有着重要的意义。目前，对于传动系统的故障诊断，通常利用不同的信号处理技术提取特征构建故障特征集，再应用不同的模式识别算法进行识别实现自动诊断。在特征提取方面，Chen等人提取多维时频域特征，通过线性局部切空间排列算法进行维数约简和特征融合；齐俊德等人对信号进行小波包分解，并提取其能量作为故障特征；Xiong等人对信号进行EMD分解，提取本证模函数作为特征向量；宋涛等人提取振动信号多域信息熵作为滚动轴承的故障特征集。以上特征都能在一定程度上反映机械的故障情况，但在结构复杂、工况多变的情况下，提取不同的故障特征集却有着截然不同的诊断结果，特征集反映故障的有效性难以判断。无论提取的单个特征或单域特征都不能全面描述机械的状态特性，需要多域特征融合才能提高故障诊断的鲁棒性与精度。但是，多域特征集中经常存在特征冗余、冲突的现象。因此，需要对多域特征进行特征融合，以消除冗余信息并进行特征互补，最终提高诊断精度。

在模式识别方面，最常用的方法有最近邻域分类器(KNNC)、B-P神经网络、支持向量机(SVM)以及softmax多分类器等。以上方法在一定程度上取得了较好的效果，但这些模式识别方法与特征融合都是分步进行，难以评价两者间的匹配程度，且人为因素对诊断结果影响较大。

深度置信网络(Deep Belief Network，DBN)通过多层网络对特征集进行再学习，形成更加抽象的高层数据结构，高层数据特征既能表示数据的低层属性又能有效去除数据间的冗余、冲突信息。同时，在特征输出后添加softmax多分类器，利用反向传播(BackPropagation,BP)算法逐层微调深度置信网络的权值使其结构达到最优并生成合适的分类器，把故障诊断中的特征融合与故障模式识别有机的融为一体，减少人为因素对诊断结果的影响。

发明内容

1.发明要解决的技术问题

为了克服上述技术问题，本发明提供了一种风电机组传动系统故障诊断方法。它可以解决风电机组传动系统故障诊断多域特征集中特征冲突、冗余的问题，同时也解决特征融合与模式识别方法不匹配的问题，进而提高了风电机组传动系统故障诊断的可靠性与诊断率。

2.技术方案

为解决上述问题，本发明提供的技术方案为：

一种风电机组传动系统故障诊断方法，其步骤为：

A、提取振动信号的时域、频域、时频域信息构建多域特征集；

B、采用深度置信网络对多域特征集进行特征再学习；

C、在特征输出后添加softmax多分类器，利用反向传播算法逐层微调深度置信网络的权值使其结构达到最优并生成合适的分类器；

D、输出诊断结果。

优选地，所述振动信号的时域特征是指，从时域特征统计的角度，提取反映振动信号幅值、能量大小以及幅值分布的16个时域特征。

优选地，所述振动信号的频域特征是指，从频域特征统计的角度，提取反映谱能量分布、中心频带位置变化的14个频域特征。