基于PCA和KNN密度算法风电机组轴承故障诊断方法与流程

本发明涉及轴承故障诊断算法领域，具体涉及基于pca和knn密度算法风电机组轴承故障诊断方法。

背景技术：

传统的knn算法是一种应用广泛的故障诊断分类算法，传统的knn算法首先找到与待分类样本距离最近的k个近邻邻居，然后根据这k个邻居的故障类别，采用少数服从多数的决策规则确定待分类样本所属故障类别。

传统的风电机组轴承故障诊断方法是根据轴承振动信号的状态量进行分类的。完整的风电机组轴承故障诊断过程主要包括：①信号测取：根据风机轴承的工作环境，选择测取能够反映轴承工作情况或状态的信号；②特征选取：从测取的信号中抽取能够反映轴承状态的数据信息；③模式识别：根据获取的数据信息，识别该轴承工作的状态，即判断轴承有无故障；④决策控制：根据风机轴承的工作状态，作出相应的控制，如维修或继续监视。

在传统的风电机组轴承故障诊断技术中，在①信号测取中，没有对振动信号进行预处理，与数据无关的信号大大增大了诊断系统的工作量；在②特征选取中，提取特征输入工作量大，增加了故障诊断的时间；在③模式识别中，由于不同故障样本数据分布呈现不均匀性，导致使用传统的knn算法时出现故障数据样本被错误分类的情况，进而导致故障分类精度的下降。

技术实现要素：

为提高风电机组轴承故障分类的精度，实现对风电机组轴承故障的精确诊断，本发明提供基于pca和knn密度算法风电机组轴承故障诊断方法。

本发明是通过以下技术方案实现的：

基于pca和knn密度算法风电机组轴承故障诊断方法，包括以下步骤：

s1：获取风电机组轴承在不同工作状态下的振动信号；

s2：对所述振动信号数据进行预处理，包括去除数据异常点和数据归一化处理；

s3：分别计算所述振动信号样本集中每个样本的时域统计参数和频域统计参数；

s4：根据所述时域统计参数和频域统计参数构建风电机组轴承信号的特征矩阵；

s5：利用pca算法对预处理后的轴承振动数据进行降维，提取特征输入，将所述特征输入作为故障诊断模型的测试样本集和训练样本集；

s6：利用支持向量机(svm)对所述训练样本集进行建模；

s7：利用knn密度分类算法对所述支持向量机的参数进行优化，获得最优的预测模型，循环迭代训练模型；

s8：将预测的结果送入诊断系统中进行分析，得到最终的诊断结果呈现在人机交互界面中。

进一步的，步骤s1中所述不同工作状态包括轴承内圈故障、轴承外圈故障、轴承滚动体故障和正常运行状态。

进一步的，步骤s2中所述归一化公式如下：

其中，x^*为数据归一化后的值，xi为振动信号第i个数据，xmax、xmin分别表示样本数据的最大值、最小值。

进一步的，步骤s3中所述时域统计参数包括平均值、均方根值、方差、方根幅值、峰-峰值、峭度、最大值、最小值、波形指标、脉冲指标、峰值指标、偏斜度；所述频域统计参数包括均方频率、频率重心、频率方差、总功率谱和。

进一步的，步骤s5进一步还包括以下步骤：

s51：将所述预处理后的振动数据组成一个(m×n)维的矩阵，其中n表示指标个数，m表示每个指标中的样本数量；

s52：选定高斯径向核函数中的参数并计算核矩阵；

s53：修正所述核矩阵，对所述核矩阵进行中心化；

s54：运用jacobi迭代的方法求所述核矩阵的特征值λ1，…，λn，对应的特征向量为v1，…，vn；

s55：特征向量规范化，将特征值按降序排序得λ′1＞…＞λ′n，调整特征向量进行得v′1，…，v′n，单位正交化特征向量，得到a1，…，an；

s56：计算特征值的累积贡献率b1，…，bn，设定提取效率p，

当bt≥p时，其中t≤n，提取前t个主分量a1，…，at；

s57：选出相应的较大特征值和特征向量，计算样本矩阵在高维空间中对应于特征向量上的投影，所得的投影就是样本数据经主成分pca降维后所得数据。

进一步的，步骤s6进一步还包括以下步骤：

s61：建立风电机组轴承故障诊断的支持向量机模型，表示为：

其中，ω是模型参数权重向量，t是转置，是从输入空间到高维空间的非线性特征映射，b是残差项；

s62：引入拉格朗日乘子λi，基于svm的轴承故障诊断模型变为：

其中核函数采用高斯径向基核函数形式：

k(x，xi)＝exp(-||x-xi||²/σ²)

其中x为空间任意一点，xi(i＝1,2,3,…,n)为输入训练样本，b为空间常数，σ为核函数参数。

进一步的，步骤s7进一步还包括以下步骤：

s71：计算与测试样本s相邻的第k个从近到远样本到测试样本s之间的欧式距离，记作k-dist(s)，其中k<m，m为点集合数；

s72：计算可达距离r-dist(s,t)

r-dist(s,t)＝max(k-dist(s),dist(s,t))

其中r-dist(s,t)是样本s到t的可达距离，dist(s,t)是样本s到t的欧式距离；

s73：计算样本s的局部密度lrd(s)

其中，neighbors为样本s近邻的m个点集合，样本s的局部密度定义为样本s的m个邻近点与s的可达密度平均值的倒数；

s74：计算样本s的密度类似程度d-affinity(s)

其中，d-affinity(s)为样本s局部密度与样本t局部密度之比的平均值。

s75：利用knn密度分类算法比较样本点与测试点之间密度的差异将轴承故障具体分类，测试样本s的密度分别与风电机组轴承在所述不同工作状态下的训练样本参数值的密度进行比较，分别得到n个值d-affinity(s1)、d-affinity(s2)、d-affinity(s3)、d-affinity(sn)，样本s的密度与在某种工作状态的训练样本参数值密度差异最小，d-affinity(si)最小，则该样本s被归类于i(i＝1,2,3,…,n)类故障；

s76：利用knn密度分类算法对所述支持向量机svm的诊断参数进行优化。

进一步的，步骤s8进一步还包括以下步骤：

s81：将预测结果送入信息库保存，并输送至推理机；

s82：所述推理机对信息库中的预测结果进行分析，匹配知识库中的信息，得到相应的故障原因；

s83：将所述故障原因输出至解释器中，得到相应的解释并呈现在人机交互界面中，用户可以得到相应的推理过程。

本发明针对不同故障样本数据分布呈现不均匀特性，优化了传统的knn算法，融合了密度分类算法，采用新的距离计算公式使分布于密集区域的样本点距离增大，分布于于稀疏区域的样本点距离不变。定义样本点之间的局部密度，比较测试点与训练点之间的密度相似程度，这种算法会使样本点之间的整体分布均匀化，降低了样本点分布不均匀性对诊断结果产生的影响。

相比现有技术,本发明具有如下有益效果：

本发明根据风电机组轴承在四种不同工作状态下的振动信号，充分采用了pca算法对非线性特征向量的提取能力，去除不相关数据，有效地提高了训练时间，优化了预测模型的速度和精度。

采用支持向量机对测试样本进行分类识别，通过knn密度分类算法优化了支持向量机的分类性能，结合了传统knn和密度分类的优点，使得支持向量机在分布不均匀的轴承故障数据中可精确的对故障类型进行分类，从而提高风电机组轴承故障分类的精度。

通过诊断系统对分类结果进行分析诊断，为风电机组的安全可靠运行提供了保障，从而可以优化电网调度，实现电网的安全、稳定和经济运行。

附图说明

图1传统knn算法示例草图。

图2本发明的故障诊断方法流程图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程。

如图1所示传统knn算法示例草图：

传统knn算法思路，如果一个样本在特征空间中的k个最邻近的样本中的大多数属于某一个类别，则该样本也属于这个类别。

如图1，根据knn分类算法，看圆要被赋予三角形还是正方形。

选取k＝3，圆的3个最邻近的样本，由于三角形所占比例为2/3，圆将被赋予三角形类，如果k＝5，圆的5个最邻近的样本，由于正方形比例为3/5，因此圆被赋予正方形类。

如果故障数据样本k的近邻点属于同一类故障，那么k点的故障类别为该类；如果故障数据样本k的近邻点属于不同类故障，那么传统的knn方法将无法准确的判断k点的故障类别，本发明采用的knn密度分类方法则可以准确的判断。

如图2所示本发明的故障诊断方法流程图。

首先通过加速度传感器分别采集风电机组在四种不同工作状态(轴承内圈故障、轴承外圈故障、轴承滚动体故障、正常运行状态)下的振动信号，对轴承的振动信号进行预处理，获得故障特征信息，计算振动信号的时域统计参数和频域统计参数，构造风电机组轴承在四种不同工作状态下的特征矩阵。

采用pca算法降低维度，提取特征数据，去除不相关的数据，大大提高模型训练速度，减少故障诊断时间。

采用knn密度分类算法优化支持向量机(svm)，knn密度分类算法通过比较样本点与测试点之间密度的差异来将轴承故障具体的分类，即测试样本s的密度分别与风电机组轴承在四种不同工作状态下的训练样本参数值的密度进行比较，分别得到四个值d-affinity(s1)、d-affinity(s2)、d-affinity(s3)、d-affinity(s4)，样本s的密度与在某种工作状态的训练样本参数值密度差异最小，即d-affinity(si)最小，则该样本s被归类于i(i＝1,2,3,4)类故障，使支持向量机的诊断精度大大提高，克服了支持向量机在故障数据分布不均匀时精度不高的问题。

将预测的结果送入诊断系统中进行分析，得到最终的诊断结果反馈在人机交互界面中，实现对风电机组轴承故障的精确诊断。

以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。