本发明涉及风机故障诊断领域，具体地说，特别涉及到一种用于风电机组齿轮箱故障预测诊断的方法。
背景技术：
风电机组的主轴轴承作为风力发电设备的关键机械部件，其维修成本高，维护时间长，在非维修时期产生的异常很有可能造成主轴轴承发生故障，传统的SCADA系统无法及时准确的定位故障隐患，影响风电机组的正常运行和风电并网的稳定性。因此有必要对风电机组主轴轴承的实时运行状态和故障诊断进行深入研究。
传统的主轴轴承故障诊断方法依据主轴轴承在运行状态下的振动信号来对已掌握的故障类型进行模式识别并借助神经网络或支持向量机对故障作出诊断。然而神经网络易陷入局部最小问题，会出现过适应现象。另一方面，支持向量机(SVM)的参数优化则决定了收敛精度和预测准度，现有的支持向量机模型的参数优化算法收敛速度较差，极大地影响了故障诊断的精度和速度。
技术实现要素：
本发明的目的在于针对现有技术中的不足，提供一种基于PCA和布谷鸟算法优化SVM的风电机组主轴轴承故障预测诊断方法，能更快地收敛到全局最优值，提高了SVM的泛化能力预测精度，减小了SVM的训练时间和训练速度，保证了故障预测的精度和速度。
本发明所解决的技术问题可以采用以下技术方案来实现：
一种基于PCA和布谷鸟算法优化SVM的风电机组主轴轴承故障预测诊断方法，包括如下步骤：
1)获取运行中风电机组的风速、主轴轴承温度、变桨角度、风向角与机舱角偏差的历史采样时刻数据。
2)对历史采样时刻数据进行归一化处理。
3)利用PCA算法对历史采样时刻数据进行特征提取，并将其作为模型的训练样本集和测试样本集；
4)利用支持向量机对训练样本进行建模；
5)选用布谷鸟搜索算法优化支持向量机的参数，得到最优的预测模型，并反复循环迭代训练模型；
6)将预测的的结果送入到专家系统中进行分析解释得出诊断结果呈现在人机交互界面上。
所述步骤2)中归一化处理的公式如下：
所述步骤3)的步骤如下：
3.1)将所获得的n个指标的原始样本数据组成一个(m×n)维的矩阵，其中m为每个指标的样品数；
3.2)计算出相关系数矩阵，相关系数矩阵表达式为：
其中
3.3)运用Jacobi迭代方法计算R的特征值和特征向量；
3.4)通过选择排序将特征值按降序排序；
3.5)对特征向量进行施密特正交化，得到α1，...，αn；
3.6)计算特征值的累积贡献率，根据给定的提取效率提取出t个主成分α1，...，αt；
3.7)计算以标准化的数据样本数据X在提取出的特征向量上的投影Y，所得的Y即为进行特征提取后的数据。
所述步骤4)的过程如下：
4.1)建立训练样本的支持向量机模型可表示为：
其中，ω是模型参数即权重向量，是从输入空间到高维空间的非线性特征映射，b是残差项；
4.2)引入拉格朗日乘子λi后，基于SVM的预测模型变为：
其中，核函数K采用高斯径向基核函数形式：
K(x，xi)＝exp(-||x-xi||2/σ2)
其中，xi(i＝1，2，3…，N)为输入训练样本，σ为核函数参数。
所述步骤5)还包括：
5.1)确定SVM参数c、g的取值范围，定义CS算法的最小步长stepmin、最大步长stepmax及迭代的次数N；
5.2)设置初始的概率参数Pa为0.25，随机产生出n个巢的位置并对每组鸟巢位置对应训练集的拟合度进行计算，找到目前最好的鸟巢位置以及最好的拟合度Fmax；
5.3)保留上一代最优鸟巢的位置计算Levy飞行步长，并且利用Levy的飞行更新其它鸟巢的位置，得到一组新的鸟巢位置，并且计算它们的拟合度F；
5.4)根据拟合度F，新鸟巢的位置与上一代鸟巢的位置pi-1进行比较，用比较好的鸟巢位置取代较差的鸟巢位置，得到一组比较新的鸟巢位
5.5)用随机数r与pa进行比较，保留pt中被发现概率较小的鸟巢，并对被发现概率较大的鸟巢进行更新，计算新鸟巢的拟合度，并且与pt中鸟巢位置的拟合度进行比较，用较好的鸟巢位置代替差的位置，得到一组最新的较优的鸟巢位置pt；
5.6)找出步骤5.5)中最优的鸟巢位置判断拟合度F是否满足要求，如果满足要求，则停止搜索，并且输出全局最好拟合度Fmax以及它相对应的最优鸟巢如果不满足要求，则返回步骤5.3继续寻优；
5.7)根据最优鸟巢位置所对应的最优参数c、g对SVM进行参数设置。
所述步骤6)还包括：
6.1)将预测结果送入到故障信息库保存并输出至推理机；
6.2)推理机对故障信息库的输出进行推理分析，反复匹配知识库中的规则，从而得到相应的故障原因；
6.3)将故障原因送入到解释器中，根据推理的路线和结论给出相应的解释并呈现在人机交互界面上，使用户可以清楚的看到推理过程。
与现有技术相比，本发明的有益效果如下：
本发明利用了PCA的特征提取能力，不但减少了支持向量机需要预测的参数，而且有效地提高了训练时间，优化了预测模型的速度和精度。此外，采用布谷鸟搜索算法可以快速收敛到全局最优解，很好地优化了支持向量机的性能参数，不仅解决了神经网络的局部极小问题和过适应现象，还克服了传统SVM收敛速度较慢的缺点，有效地提高了模型的预测精度和速度。同时借助了专家系统对预测结果做出诊断，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为本发明所述的风电机组主轴轴承故障预测诊断方法的流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
参见图1，本发明所述的一种基于PCA和布谷鸟算法优化SVM的风电机组主轴轴承故障预测诊断方法，包括如下步骤：
1)获取运行中风电机组的风速、主轴轴承温度、变桨角度、风向角与机舱角偏差的历史采样时刻数据。
2)对历史采样时刻数据进行归一化处理。
3)利用PCA算法对历史采样时刻数据进行特征提取，并将其作为模型的训练样本集和测试样本集；
4)利用支持向量机对训练样本进行建模；
5)选用布谷鸟搜索算法优化支持向量机的参数，得到最优的预测模型，并反复循环迭代训练模型；
6)将预测的的结果送入到专家系统中进行分析解释得出诊断结果呈现在人机交互界面上。
所述步骤2)中归一化处理的公式如下：
所述步骤3)的步骤如下：
3.1)将所获得的n个指标的原始样本数据组成一个(m×n)维的矩阵，其中m为每个指标的样品数；
3.2)计算出相关系数矩阵，相关系数矩阵表达式为：
其中
3.3)运用Jacobi迭代方法计算R的特征值和特征向量；
3.4)通过选择排序将特征值按降序排序；
3.5)对特征向量进行施密特正交化，得到α1，…，αn；
3.6)计算特征值的累积贡献率，根据给定的提取效率提取出t个主成分α1，…，αt；
3.7)计算以标准化的数据样本数据X在提取出的特征向量上的投影Y，所得的Y即为进行特征提取后的数据。
所述步骤4)的过程如下：
4.1)建立训练样本的支持向量机模型可表示为：
其中，ω是模型参数即权重向量，是从输入空间到高维空间的非线性特征映射，b是残差项；
4.2)引入拉格朗日乘子λi后，基于SVM的预测模型变为：
其中，核函数K采用高斯径向基核函数形式：
K(x，xi)＝exp(-||x-xi||2/σ2)
其中，xi(i＝1，2，3…，N)为输入训练样本，σ为核函数参数。
所述步骤5)还包括：
5.1)确定SVM参数c、g的取值范围，定义CS算法的最小步长stepmin、最大步长stepmax及迭代的次数N；
5.2)设置初始的概率参数Pa为0.25，随机产生出n个巢的位置并对每组鸟巢位置对应训练集的拟合度进行计算，找到目前最好的鸟巢位置以及最好的拟合度Fmax；
5.3)保留上一代最优鸟巢的位置计算Levy飞行步长，并且利用Levy的飞行更新其它鸟巢的位置，得到一组新的鸟巢位置，并且计算它们的拟合度F；
5.4)根据拟合度F，新鸟巢的位置与上一代鸟巢的位置pi-1进行比较，用比较好的鸟巢位置取代较差的鸟巢位置，得到一组比较新的鸟巢位
5.5)用随机数r与pa进行比较，保留pt中被发现概率较小的鸟巢，并对被发现概率较大的鸟巢进行更新，计算新鸟巢的拟合度，并且与pt中鸟巢位置的拟合度进行比较，用较好的鸟巢位置代替差的位置，得到一组最新的较优的鸟巢位置pt；
5.6)找出步骤5.5)中最优的鸟巢位置判断拟合度F是否满足要求，如果满足要求，则停止搜索，并且输出全局最好拟合度Fmax以及它相对应的最优鸟巢如果不满足要求，则返回步骤5.3继续寻优；
5.7)根据最优鸟巢位置所对应的最优参数c、g对SVM进行参数设置。
所述步骤6)还包括：
6.1)将预测结果送入到故障信息库保存并输出至推理机；
6.2)推理机对故障信息库的输出进行推理分析，反复匹配知识库中的规则，从而得到相应的故障原因；
6.3)将故障原因送入到解释器中，根据推理的路线和结论给出相应的解释并呈现在人机交互界面上，使用户可以清楚的看到推理过程。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。