一種基于時(shí)頻聯(lián)合特征的風(fēng)電機(jī)組齒輪箱故障診斷方法

張盟+劉斐+張暄+許增暉+嚴(yán)曉杰

摘要 隨著風(fēng)電機(jī)的不斷發(fā)展，風(fēng)電機(jī)組故障發(fā)生率也越來(lái)越高，隨之帶來(lái)的便是巨大的經(jīng)濟(jì)損失。齒輪箱作為整個(gè)系統(tǒng)的核心，一旦發(fā)生故障，直接影響到整個(gè)系統(tǒng)的性能和效率。為減少因齒輪箱故障而帶來(lái)的經(jīng)濟(jì)損失，本文研究了一種基于支持向量機(jī)的故障診斷技術(shù)，分析了齒輪箱故障的振動(dòng)特征，訓(xùn)練了樣本數(shù)據(jù)并構(gòu)造出合適的分類模型。對(duì)實(shí)際采集的振動(dòng)信號(hào)進(jìn)行分析的基礎(chǔ)上，提取時(shí)域和頻域的特征參數(shù)作為支持向量機(jī)的輸入?yún)?shù)，通過(guò)支持向量機(jī)進(jìn)行訓(xùn)練診斷，得出系統(tǒng)的故障分析結(jié)果。

關(guān)鍵詞 齒輪箱；支持向量機(jī)；時(shí)域；頻域

中圖分類號(hào)TH16 文獻(xiàn)標(biāo)識(shí)碼A 文章編號(hào)2095—6363（2017）03—0035—02

近年來(lái)，隨著風(fēng)能的不斷推廣，風(fēng)電機(jī)組的使用趨于大型化，風(fēng)電機(jī)組的故障發(fā)生率是影響風(fēng)電機(jī)組運(yùn)行性能的主要因素。然而，我國(guó)風(fēng)電起步于20世紀(jì)90年代，發(fā)展的時(shí)間較短，風(fēng)電機(jī)組的故障發(fā)生的規(guī)律仍缺少經(jīng)驗(yàn)和積累。因此，風(fēng)電機(jī)組的故障監(jiān)測(cè)與診斷顯得尤為重要。

1項(xiàng)目簡(jiǎn)介

風(fēng)電機(jī)組由齒輪箱、發(fā)電機(jī)、控制系統(tǒng)等部分組成，如圖1所示，齒輪箱是整個(gè)系統(tǒng)的核心部件。為研究齒輪箱的故障診斷方法，構(gòu)建了如圖2的風(fēng)電機(jī)組齒輪箱故障診斷實(shí)驗(yàn)測(cè)試電路，本實(shí)驗(yàn)?zāi)M了齒輪箱4種工作狀態(tài)，具體描述如表1所示。

2特征提取

振動(dòng)信號(hào)的故障特征采用時(shí)頻聯(lián)合的方式提取，時(shí)域特征包括：均值、均方值、傾斜度等；頻域特征包括：頻譜、集中分散程度、頻率中心等。具體特征提取步驟如下所述。

1）由于采集到的原始振動(dòng)信號(hào)含有各種噪聲，這些噪聲可能會(huì)對(duì)最終的分析結(jié)果造成不利的影響。因此，在對(duì)數(shù)據(jù)進(jìn)行分析之前，需要進(jìn)行預(yù)處理、降噪處理，以減少環(huán)境因素對(duì)實(shí)驗(yàn)結(jié)果的影響。采集的數(shù)據(jù)是N=1 024個(gè)時(shí)間采樣點(diǎn)，采樣頻率為6 400Hz，連續(xù)采集了8個(gè)周期。

倒譜的發(fā)展是基于頻域分析的，在故障診斷方面應(yīng)用較為廣泛，一般用來(lái)分辨信號(hào)的主要頻率成分和變化。

3診斷方法

支持向量機(jī)SVM是一種新的神經(jīng)網(wǎng)絡(luò)，以統(tǒng)計(jì)學(xué)習(xí)理論為理論基礎(chǔ)，以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為原則。在神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)的領(lǐng)域，支持向量機(jī)已成為當(dāng)前研究熱點(diǎn)之一。SVM主要思想是選擇滿足要求的核函數(shù)將非線性不可分的數(shù)據(jù)集映射到高維空間，使數(shù)據(jù)集線性可分，并在高維空間建立最優(yōu)分類超平面，最終轉(zhuǎn)化為求解凸規(guī)劃的問(wèn)題。

4測(cè)試方案

4.1數(shù)據(jù)采集

本實(shí)驗(yàn)從齒輪箱振動(dòng)角度進(jìn)行監(jiān)測(cè)齒輪箱的狀態(tài)，采集一定量的數(shù)據(jù)，將采集到的數(shù)據(jù)上傳至電腦保存，對(duì)采集到的數(shù)據(jù)進(jìn)行降噪、歸一化等處理。實(shí)驗(yàn)數(shù)據(jù)由加速度傳感器測(cè)量得到，測(cè)試模擬了齒輪箱的四種狀態(tài)，如表1所示，每種狀態(tài)10個(gè)樣本，每個(gè)樣本中含有x，y，z三維數(shù)據(jù)，每一維取512個(gè)采樣點(diǎn)。

4.2支持向量機(jī)訓(xùn)練

4.3支持向量機(jī)診斷

將歸一化的訓(xùn)練測(cè)試數(shù)據(jù)分別輸入訓(xùn)練得到的四個(gè)分類器中進(jìn)行測(cè)試，分類器輸出為1的即為對(duì)應(yīng)測(cè)試數(shù)據(jù)的故障類型，若分類器輸出結(jié)果均為1，則該測(cè)試樣本的故障不屬于已訓(xùn)練出的4種故障類型。

4.4測(cè)試結(jié)果

基于時(shí)域特征的診斷和基于頻域特征的診斷遠(yuǎn)比基于時(shí)頻聯(lián)合特征診斷的準(zhǔn)確率差，這便是本文研究的意義所在。時(shí)域特征和頻域特征在故障診斷技術(shù)領(lǐng)域中已難以滿足要求，現(xiàn)需大力發(fā)展時(shí)頻聯(lián)合特征診斷故障的技術(shù)。

5結(jié)論

本文從理論知識(shí)出發(fā)，介紹了支持向量機(jī)的基本思想，并通過(guò)實(shí)際測(cè)試驗(yàn)證診斷的正確性。由數(shù)據(jù)采集，數(shù)據(jù)分析處理，提取時(shí)頻域聯(lián)合特征參數(shù)，模式識(shí)別到故障診斷，形成齒輪箱故障診斷系統(tǒng)，實(shí)現(xiàn)齒輪箱故障的智能監(jiān)測(cè)。由診斷結(jié)果可知，支持向量機(jī)的診斷系統(tǒng)能在一定情況下滿足正確性的要求。綜上所述，本文對(duì)齒輪箱故障監(jiān)測(cè)，減少齒輪箱故障的發(fā)生率，一定程度下降低經(jīng)濟(jì)損失方面具有一定的意義。