技术领域本发明涉及风力发电机组故障检测领域，且特别涉及一种风力发电机齿轮箱故障诊断方法。
背景技术：
由于以往能源的匮乏及安全等问题，全球将目光投向了绿色无污染、可再生的风能上。风能作为一种清洁的可再生能源，越来越受到世界各国的重视。其蕴量巨大，全球的风能约为2.74×109MW，其中可利用的风能为2×107MW，比地球上可开发利用的水能总量还要大10倍。把风的动能转变成机械动能，再把机械能转化为电力动能，这就是风力发电。风力发电的原理，是利用风力带动风车叶片旋转，再透过增速机将旋转的速度提升，来促使发电机发电。风力发电所需要的装置，称作风力发电机组。这种风力发电机组，大体上可分风轮(包括尾舵)、发电机和铁塔三部分。由于风轮的转速比较低，而且风力的大小和方向经常变化着，这又使转速不稳定；所以，在带动发电机之前，还必须附加一个把转速提高到发电机额定转速的齿轮变速箱，再加一个调速机构使转速保持稳定，然后再联接到发电机上。随着风机装机容量的不断增加，风机的故障也频繁地发生。轻微故障需要对风机进行维修检测；重大的故障则需要进行停机维修，不仅对经济造成了严重的损失，而且还会引发一系列的安全隐患。据统计，齿轮箱作为风机的重要传动部件，该部件的故障率非常高。所以，为了保证风机的安全稳定运行以及持久有效发电，对齿轮箱进行故障诊断工作是非常有必要的。然而传统的方法如频谱分析等，虽然能够检测出单一、简单的故障，但是无法满足于复杂故障的识别。因此，有必要提出一种效率高、性能好的故障诊断方法来解决这一问题。
技术实现要素：
为了克服现有故障诊断技术的不足，本发明的目的在于提供一种用于风力发电机齿轮箱故障诊断的方法，该方法能够分析出齿轮箱的运行状态是否正常，并可以在故障状态下确定故障部件。为了达到上述目的，本发明提出一种风力发电机齿轮箱故障诊断方法，包括下列步骤：通过安装在风机齿轮箱箱体上的振动传感器获取齿轮箱运行时的振动信号；采用小波包分析法对采集到的振动信号进行三层分解分析；对小波包分析后的振动信号进行经验模态分解，并提取出信号的第一个分量；对提取出的第一个信号分量进行特征值提取工作，作为故障诊断时所用的特征向量；获取齿轮箱历史故障数据的特征向量样本；用支持向量机对上述特征向量样本进行训练，将分类准确率最高的那一组作为之后故障诊断时所用的参数；获取齿轮箱实时的运行数据，并得到特征向量；用支持向量机对上述特征向量进行分类，并输出诊断结果。进一步的，所述振动传感器安装点分别分布在风机齿轮箱箱体的低速端、中间端、高速端的轴向以及径向位置。进一步的，所述小波包三层分解分析方法采用下列步骤：建立小波包变化三层分解关系式；根据软阈值函数选择相应的阈值对各分解尺度下的高频系数进行阈值量化处理；对分解后的最底层低频系数和高频系数进行一维小波重构。进一步的，所述小波包变化三层分解关系式表示为：S＝AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3，其中，A为信号的低频部分，D为信号的高频部分。进一步的，所述软阈值函数为：W^j,k=sgn(Wj,k)(|Wj,k|-λ),|Wj,k|≥λ0,|Wj,k|<λ,]]>其中，sgn(Wj,k)为一个返回整形函数，Wj,k表示第j层第k个阈值，若Wj,k＞0，则sgn返回1；若Wj,k＝0，则sgn返回0；若Wj,k＜0，则sgn返回-1，λ表示取值范围(0≤λ≤1)。进一步的，所述小波重构函数为：x(t)=Σkhl-2kdkj+1.2n+gl-2kdkj+1.2n+1,]]>其中，表示第j层中第n个节点的小波系数，x(t)表示去噪后的信号，h和g分别为软阈值处理后得到的低频和高频系数。进一步的，所述特征值分别从时域和频域中获得，时域特征值包括峰值指标、峭度指标、偏度指标、裕度指标，频域特征值包括频率重心、频率标准差、均方根频率。以往的诊断方法主要存在着诊断速度慢、诊断结果不准确等问题。实验表明，齿轮箱的运行特征样本在故障诊断工作中起着至关重要的作用。因此，为了提高诊断效果，本发明利用小波包分解与经验模态分解结合的方法对振动信号进行降噪。首先在齿轮箱低速轴、中间轴、高速轴的轴向和径向上都安装振动传感器，通过振动传感器来采集齿轮箱运行时的振动信号。其次，对采集到的振动信号线进行小波包分解并重构。信号经过重构后，再利用经验模态分解对该信号进行再一次处理。这种方法能够有效地消除噪声对信号的干扰。从两次处理后的振动信号中提取出的特征值更能表征设备的运行状态，将其提供给支持向量机进行样本训练能够提高分类结果的准确率。该方法不仅能够诊断出齿轮箱的故障类型，并且能够确定故障位置，具有诊断结果准确、结果显示清晰等优点。附图说明图1所示为本发明较佳实施例的风力发电机齿轮箱故障诊断方法流程图。图2所示为本发明较佳实施例的三层小波包分解图。具体实施方式以下结合附图给出本发明的具体实施方式，但本发明不限于以下的实施方式。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用于方便、明晰地辅助说明本发明实施例的目的。请参考图1，图1所示为本发明较佳实施例的风力发电机齿轮箱故障诊断方法流程图。由于以往的诊断方法会出现诊断速度慢、诊断结果不准确等问题，所以本发明提出一种风力发电机齿轮箱故障诊断方法，包括下列步骤：步骤S100：通过安装在风机齿轮箱箱体上的振动传感器获取齿轮箱运行时的振动信号；步骤S200：采用小波包分析法对采集到的振动信号进行三层分解分析；步骤S300：对小波包分析后的振动信号进行经验模态分解，并提取出信号的第一个分量；步骤S400：对提取出的第一个信号分量进行特征值提取工作，作为故障诊断时所用的特征向量；步骤S500：获取齿轮箱历史故障数据的特征向量样本；步骤S600：用支持向量机对上述特征向量样本进行训练，将分类准确率最高的那一组作为之后故障诊断时所用的参数；步骤S700：获取齿轮箱实时的运行数据，并得到特征向量；步骤S800：用支持向量机对上述特征向量进行分类，并输出诊断结果。根据本发明较佳实施例，所述振动传感器安装点分别分布在风机齿轮箱箱体的低速端、中间端、高速端的轴向以及径向位置。所述小波包三层分解分析方法采用下列步骤：建立小波包变化三层分解关系式；根据软阈值函数选择相应的阈值对各分解尺度下的高频系数进行阈值量化处理；对分解后的最底层低频系数和高频系数进行一维小波重构。请参考图2，图2所示为本发明较佳实施例的三层小波包分解图。小波包变化三层分解的关系如下所示：S＝AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3(1)其中，A为信号的低频部分，D为信号的高频部分，小波包分解的层数用用数字表示。软阈值函数为：W^j,k=sgn(Wj,k)(|Wj,k|-λ),|Wj,k|≥λ0,|Wj,k|<λ---(2)]]>其中，sgn(Wj,k)为一个返回整形函数，Wj,k表示第j层第k个阈值，若Wj,k＞0，则sgn返回1；若Wj,k＝0，则sgn返回0；若Wj,k＜0，则sgn返回-1，λ表示取值范围(0≤λ≤1)。一般选取阈值的方法是通过选取不同的λ值来比较降噪的效果。小波重构函数为：x(t)=Σkhl-2kdkj+1.2n+gl-2kdkj+1.2n+1---(3)]]>其中，表示第j层中第n个节点的小波系数，x(t)表示去噪后的信号，h和g分别为软阈值处理后得到的低频和高频系数。对经验模态分解(EMD)提取出的第一个信号分量进行特征值提取工作。特征值分别从时域和频域中获得。时域特征值包括峰值指标、峭度指标、偏度指标、裕度指标等；频域特征值包括频率重心、频率标准差、均方根频率等。将这些时频域特征量作为故障诊断时所用的特征向量。与现有的诊断方法相比，本发明利用小波包分解与经验模态分解结合的方法对振动信号进行降噪，能够有效地消除噪声对信号的干扰。从二次处理后的振动信号中提取出的特征值能准确地表征设备的运行状态，并能提高支持向量机分类的准确性。该方法不仅能够诊断出齿轮箱的故障类型，并且能够确定故障位置，还可以将该方法运用在其他大型机械设备的故障诊断中。虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。