风力发电机组齿轮箱的故障诊断方法

摘要

本发明涉及高故障设备的故障诊断技术领域，公开了一种风力发电机组齿轮箱的故障诊断方法，包括第一步：选择齿轮箱的若干个有效特征建立多维目标空间，模拟若干个故障类别，并对所述若干个故障类别的故障数据进行采集；第二步：对所述故障数据进行时域和幅域分析，提取频域参数和幅域参数成为训练数据集；第三步：将所述训练数据集看成一个种群，所述训练数据集中的每一个数据看成一个粒子，通过迭代算法优化数据子集；第四步：通过适应度函数f(i)，更新粒子的速度和位置；第五步：得到最优子集。本发明解决了风电机组齿轮箱故障诊断中的数据不均衡问题，PSOEE算法提高了分类器对不均衡数据集的预报精度。

主权项

1.一种风力发电机组齿轮箱的故障诊断方法，其特征在于：包括如下方法：第一步：选择齿轮箱的若干个有效特征建立多维目标空间，模拟若干个故障类别，并对所述若干个故障类别的故障数据进行采集；第二步：对所述故障数据进行时域和幅域分析，提取频域参数和幅域参数成为训练数据集；第三步：将所述训练数据集看成一个种群，所述训练数据集中的每一个数据看成一个粒子，通过下述迭代算法优化数据子集：v_id(k+1)=v_id(k)+c₁r₁(p_id(k)-x_id(k))+c₂r₂(p_gd(k)-x_id(k))x_id(k+1)=x_id(k)+v_id(k+1)(i=1,2,…,m;d=1,2,…,D)其中第i个粒子表示成一个D维的向量${\overrightarrow{X}}_i=(x_{i1},x_{i2},···,x_{\mathrm{iD}}),i=\mathrm{1,2},···,m,$${\overrightarrow{V}}_i=(v_{i1},v_{i2},···,v_{\mathrm{iD}})$是第i个粒子的飞行速度，是第i个粒子的最优位置pbest，是整个种群历史搜索到的最优位置gbest，其中D为所述目标空间的维数，m粒子的总数，在式中，k是迭代代数；学习因子c₁和c₂为非负常数；r₁和r₂是均匀分布于[0,1]之间的两个随机任意数；v_id∈[-v_max,v_max]，v_max是预先设定的常数；v_id(k)为第k次迭代时粒子i飞行速度矢量的第d维的分量；x_id(k)为第k次迭代时粒子i位置矢量的第d维的分量；p_id(k)是粒子i个体最好位置的第d维分量；p_gd(k)为种群最好位置的第d维分量；迭代终止条件设定为最大迭代数或（和）粒子群迄今为止搜索到的最优位置满足最小适应度值。第四步：通过适应度函数f(i)，更新粒子的速度和位置，适应度函数如下：$f\left(i\right)=a\left(i\right)-p\frac{m_{\mathrm{ic}}}{m_{\mathrm{all}}}$式中a(i)为粒子i所选的特征子集的分类正确率估计；p为调整参数,是分类准确率和所选特征数量的平衡系数；M_ic为粒子i所选的特征子集中特征的数量;M_all为所有待选特征的总数。第五步：得到最优子集，将所述最优子集作为第三步中的种群，重复第三步，直至得到集成模型。