基于Kriging模型的风力机齿轮箱故障诊断方法
【专利摘要】本发明公开了一种基于Kriging模型的风力机齿轮箱故障诊断方法，其步骤如下：采集风力机齿轮箱在各个工况模式下的多个振动信号序列并计算多个故障信号特征值；建立工况模式、诊断目标值之间的对应关系和样本数据表；依据样本数据表建立变差函数理论模型；基于变差函数理论模型构建Kriging模型；检测待诊断振动信号的故障信号特征值并输入Kriging模型得到Kriging估计量，根据Kriging估计量查询工况模式、诊断目标值之间的对应关系确定待诊断振动信号的工况模式。本发明具有诊断结果快速准确、非线性拟合效果好、使用灵活、计算量小的优点，能够为实现风力机齿轮箱故障在线诊断奠定基础。
【专利说明】基于Kr i gi ng模型的风力机齿轮箱故障诊断方法
【技术领域】
[0001] 本发明涉及风力机齿轮箱的故障诊断技术，具体涉及一种基于Kriging模型的风 力机齿轮箱故障诊断方法。
【背景技术】
[0002] 目前风电机组多以水平轴为主，包括失速型、变桨型、变桨变速型、直驱型、永磁 型、半直驱型等几种，采用齿轮箱增速双馈异步变速发电机的兆瓦级风电机组是目前风电 市场的主流机型，其中齿轮箱由齿轮箱本体、齿轮、传动轴、轴承及轴承座组成。随着我国风 电装机容量的剧增和风力机投运时间的累积，由齿轮箱故障或损坏引起的机组停运事件时 有发生。据资料统计，我国风场齿轮箱损坏率高达40?50%，个别品牌机组齿轮箱更换率 几乎达到100%。由此带来的直接和间接损失也越来越大，维护人员投入相关工作的工作量 也不断上升。以1. 5MW大型风力机齿轮箱故障为例，故障齿轮箱的拆装、运输和维修费用高 达100万元以上，相当于风力机生产总成本的10%，且该成本费用尚未包括机组停机数月 的生产损失。因此，齿轮箱损坏对风电机组设备和风电企业的安全运行构成严重威胁。
[0003] 状态监测及故障诊断是降低风力机齿轮箱及风电机组运营和维修成本的有效方 法和手段。风力机齿轮箱故障诊断方法的研究和应用，能够尽早发现潜在故障风险，防止损 伤程度的恶化或故障范围的扩大，避免意外事故和人员伤亡；减少故障维修次数和停机时 间，增加设备正常运转时间和无故障率，提高设备利用率；减少不必要的部件更换，以降低 维修费用与停机时间，节约大量运行和维护的费用。资料表明，利用状态监测和故障诊断技 术，能够减少事故率75%，降低维修费用25%?50%，获利与投资比可达17:1。
[0004] 故障诊断方法一般分为传统诊断方法、数学诊断方法和智能故障诊断方法。目前， 风电机组齿轮箱故障诊断最常用的方法是对采集到的振动信号进行频谱分析，由人工或机 器进行模式识别，从而判断是否出现故障及故障原因，属于传统诊断方法和数学诊断方法 的结合。随着人工智能的发展，许多智能诊断方法如模糊逻辑、专家系统以及神经网络等开 始应用于风电设备系统的故障诊断。但是，由于风电机组齿轮箱故障征兆和原因之间的关 系存在不确定性，而且目前已有的各种智能诊断方法还不够完善，致使目前已有的智能诊 断方法不仅计算量较大，实时性较差，而且故障误判率较高，难以满足工程实际需要。
[0005] Kriging(克立金）方法最初源于南非地质学家Krige寻找金矿的一种插值方法， 经过法国著名统计学家Matheron理论化和系统化之后逐渐发展起来的一种最优无偏估 计方法。该方法是在有限区域内对区域变化量的取值进行无偏最优估计，通过待估样本点 (或区域）有限邻域内若干已测定的样本点数据，考虑到样品点（或区域）的形状、大小及 其与待估点（或区域）相互之间的空间分布位置等几何特征以及变量的空间结构信息，对 每一个样品赋予一定的权系数，从而采用加权平均法对待估点（或区域）的未知量进行估 计。Kriging方法最初应用于矿业领域，近年来其应用范围已经大大超出了原有的矿业领 域，在气象分析、环境监测、图像处理、机械工程、结构优化以及航空航天等领域都发挥着日 益重要的作用。
【发明内容】
[0006] 本发明要解决的技术问题是：针对现有技术的上述技术问题，提供一种诊断结果 快速准确、非线性拟合效果好、使用灵活、计算量小，能够为实现风力机齿轮箱故障在线诊 断奠定基础的基于Kriging模型的风力机齿轮箱故障诊断方法。
[0007] 为了解决上述技术问题，本发明采用的技术方案为：
[0008] -种基于Kriging模型的风力机齿轮箱故障诊断方法，其实施步骤如下：
[0009] 1)分别采集风力机齿轮箱在各个工况模式下的多个振动信号序列，所述各个工况 模式包括风力机齿轮箱的正常状态、磨损状态和断齿状态；
[0010] 2)分别计算所述振动信号序列的多个故障信号特征值；
[0011] 3)根据各个工况模式下多个振动信号序列对应的故障信号特征值，通过隶属度函 数建立工况模式、诊断目标值之间的对应关系和样本数据表，所述样本数据表的每一个表 项包括工况模式、多个故障信号特征值、诊断目标值三种类型的数据；
[0012] 4)依据所述样本数据表中的部分或者全部数据，采用最小二乘法进行变差函数理 论模型的拟合，得到变差函数理论模型的参数值及变差函数理论模型；
[0013] 5)基于所述变差函数理论模型，按照Kriging方法建立各个故障信号特征值构成 的输入向量、诊断目标值之间的近似函数关系得到由Kriging估计量的计算表达式构成的 Kriging模型，所述Kriging模型的输入量为待诊断振动信号对应的各个故障信号特征值 构成的输入向量，所述Kriging模型的输出量为与诊断目标值对应Kriging估计量；
[0014] 6)检测风力机齿轮箱在工作状态下的待诊断振动信号，计算所述待诊断振动信号 的各个故障信号特征值，将所述待诊断振动信号的各个故障信号特征值构成的输入向量输 入所述Kriging模型，得到Kriging模型输出的Kriging估计量，根据所述Kriging估计量 查询所述工况模式、诊断目标值之间的对应关系，从而确定待诊断振动信号对应的工况模 式。
[0015] 优选地，所述多个故障信号特征值包括功率谱熵、小波包能熵、峭度、偏度、关联维 数和盒维数。
[0016] 优选地，所述步骤2)中具体是指根据式（1)计算振动信号序列的功率谱熵；
[0017]
【权利要求】
1. 一种基于Kriging模型的风力机齿轮箱故障诊断方法，其特征在于实施步骤如下： 1) 分别采集风力机齿轮箱在各个工况模式下的多个振动信号序列，所述各个工况模式 包括风力机齿轮箱的正常状态、磨损状态和断齿状态； 2) 分别计算所述振动信号序列的多个故障信号特征值； 3) 根据各个工况模式下多个振动信号序列对应的故障信号特征值，通过隶属度函数建 立工况模式、诊断目标值之间的对应关系和样本数据表，所述样本数据表的每一个表项包 括工况模式、多个故障信号特征值、诊断目标值三种类型的数据； 4) 依据所述样本数据表中的部分或者全部数据，采用最小二乘法进行变差函数理论模 型的拟合，得到变差函数理论模型的参数值及变差函数理论模型； 5) 基于所述变差函数理论模型，按照Kriging方法建立各个故障信号特征值构成的 输入向量、诊断目标值之间的近似函数关系得到由Kriging估计量的计算表达式构成的 Kriging模型，所述Kriging模型的输入量为待诊断振动信号对应的各个故障信号特征值 构成的输入向量，所述Kriging模型的输出量为与诊断目标值对应Kriging估计量； 6) 检测风力机齿轮箱在工作状态下的待诊断振动信号，计算所述待诊断振动信号的各 个故障信号特征值，将所述待诊断振动信号的各个故障信号特征值构成的输入向量输入所 述Kriging模型，得到Kriging模型输出的Kriging估计量，根据所述Kriging估计量查询 所述工况模式、诊断目标值之间的对应关系，从而确定待诊断振动信号对应的工况模式。
2. 根据权利要求1所述的基于Kriging模型的风力机齿轮箱故障诊断方法，其特征在 于：所述多个故障信号特征值包括功率谱熵、小波包能熵、峭度、偏度、关联维数和盒维数。
3. 根据权利要求2所述的基于Kriging模型的风力机齿轮箱故障诊断方法，其特征在 于：所述步骤2)中具体是指根据式（1)计算振动信号序列的功率谱熵；
(1) 式（1)中，GF表示振动信号序列的功率谱熵，qi表示第i个振动信号的功率谱在振动 信号序列中的功率谱总和中所占的比重，N表示振动信号序列中振动信号的数量。
4. 根据权利要求2所述的基于Kriging模型的风力机齿轮箱故障诊断方法，其特征在 于：所述步骤2)中具体是指根据式（2)计算振动信号序列的小波包能熵；
(2) 式（2)中，HF表示振动信号序列的小波包能熵，&表示第i个振动信号的频带能量在 振动信号序列中的频带能量总和中所占的比重，N表示振动信号序列中振动信号的数量。
5. 根据权利要求2所述的基于Kriging模型的风力机齿轮箱故障诊断方法，其特征在 于：所述步骤2)中具体是指根据式（3)计算振动信号序列的峭度；
(3) 式⑶中，Kq表示振动信号序列的峭度，{Xi} (1彡i彡N)表示振动信号序列，N表示振 动信号序列中振动信号的数量。
6. 根据权利要求2所述的基于Kriging模型的风力机齿轮箱故障诊断方法，其特征在 于：所述步骤2)中具体是指根据式（4)计算振动信号序列的偏度；
(4) 式（4)中，Kp表不振动信号序列的偏度，{xj (1 < i < N)表不振动信号序列，N表不振 动信号序列中振动信号的数量。
7. 根据权利要求2所述的基于Kriging模型的风力机齿轮箱故障诊断方法，其特征在 于：所述步骤2)中计算振动信号序列的关联维数的详细步骤如下： 2. 1)将振动信号序列{Xi} (i = 1，2,…，η)进行相空间重构得到nm个矢量yi组成的 矢量序列{yj (i = 1，2,…，nm); 2. 2)计算所述矢量序列{yj (i = 1，2,…，nm)中任一参考点到其余点的距离； 2. 3)分别将所述矢量序列{yj (i = 1，2,…，nm)中任意两个参考点作为当前的矢量 对，计算当前的矢量对的距离，将当前的矢量对的距离和衡量矢量对有关联的给定参数r 进行比较，如果该距离小于给定参数r则判定当前的矢量对为关联矢量对，否则判定当前 的矢量对为非关联矢量对； 2. 4)根据式（5)计算各个所述关联矢量对的关联积分；
(5) 式（5)中，Cm(r)表示所述各个关联矢量对的关联积分，nm表示矢量序列{yj (i = 1,2, 一,11111)中矢量数量，r表示衡量矢量对有关联的给定参数，:Γυ表示矢量序列{yj (i = 1，2,…，nm)中作为当前的矢量对的第i个参考点到第j个参考点之间的距离，H(x) 为阶跃函数； 2. 5)根据式（6)计算振动信号序列的关联维数；
(6) 式（6)中，D2(m)表示振动信号序列的关联维数，ε表示用于分形体覆盖的小方形盒子 的边长，Cm(r)表示各个关联矢量对的关联积分，r表示衡量矢量对有关联的给定参数。
8. 根据权利要求2所述的基于Kriging模型的风力机齿轮箱故障诊断方法，其特征在 于：所述步骤2)中具体是指根据式（7)计算振动信号序列的盒维数；
(7) 式（7)中，％表示振动信号序列的盒维数，ε表示用于分形体覆盖的小方形盒子的边 长，1/ ε表示ε的倒数，Ν( ·)表示利用相应边长小方形盒子进行信号覆盖所需的盒子数 目。
9. 根据权利要求1?8中任意一项所述的基于Kriging模型的风力机齿轮箱故障诊断 方法，其特征在于，所述步骤4)的详细步骤如下： 4. 1)选择所述样本数据表中的部分或者全部表项，将每一个表项中的多个故障信号特 征值共同构成一个输入向量作为一个样本点X，使用式（8)所示的变差函数研究区域内观 测点之间的空间相关性，获得欧氏距离d取值变化时相应的变差函数值γ (d);
(8) 式⑶中，Y (d)表示变差函数值，X表示样本点，y⑴为样本点X的响应观测值，d为 样本点对之间的欧氏距离，与A为在欧氏距离d内的任意两个样本点，N(d)为样本点对 (?:)的数目； 4.2)将欧氏距离d取值变化时相应的变差函数值γ (d)作为输入，依据最小二乘法采 用式（9)所示的高斯模型进行拟合，得到高斯模型的参数值及由该高斯模型构成的变差函 数理论模型；
(9) 式（9)中，d表示欧氏距离，γ (d)表示欧氏距离d对应的变差函数值，cO、c、a分别为 高斯模型的参数值，其中C(l表示高斯模型的块金，c表示高斯模型的拱高，&表示高斯模型 的变程。
10.根据权利要求9所述的基于Kriging模型的风力机齿轮箱故障诊断方法，其特征在 于，所述步骤5)的详细步骤如下： 5. 1)对于给定研究对象的样本数据，利用式（10)和式（11)进行计算确定观测值的权 重系数w ;
(10) (11) 式（10)和式（11)中，Y表示利用式（8)所示变差函数理论模型计算得到的变差函数 值，Γ表示由变差函数计算值γ作为元素构成的矩阵，x(i)和χ ?)表示样本数据的任意两 个样本点，w表示观测值的权重系数，η为计算中所用样本点个数，I表示η维单位列向量， Τ表示矩阵的转置运算。 5. 2)根据所述观测值的权重系数w，按照Kriging方法建立各个故障信号特征值构成 的输入向量、诊断目标值之间的近似函数关系，得到式（12)所示Kriging估计量的计算表 达式构成的Kriging模型，所述Kriging模型的输入量为待诊断振动信号对应的各个故障 信号特征值构成的输入向量，所述Kriging模型的输出量为与诊断目标值对应Kriging估 计量； (12) 式（12)中，表示Kriging模型的输出量，Wi表示权重系数w的第i个分量，ζ(χω) 表示Kriging模型的输入量，η表示计算中所用样本点个数。
【文档编号】G01M13/02GK104122086SQ201410391712
【公开日】2014年10月29日 申请日期:2014年8月11日 优先权日:2014年8月11日
【发明者】黄章俊, 李录平, 田红 申请人:长沙理工大学