一种基于似然学习机的风机齿轮箱状态识别方法与流程

本发明涉及电力系统故障监测与诊断领域，尤其是涉及一种基于似然学习机的风机齿轮箱状态识别方法。

背景技术：

随着风电装机容量不断增大，风电场设备的维护使用定期维护、事后维修的方式，其维护费用占风电场总运行费用高达30％，行星齿轮箱作为风机传动系统的关键部件，长期运行在交变载荷下，其故障率超过风机机组总故障的60％，如何对风机齿轮箱进行运行状态监测与故障诊断以降低运维成本、提高风电机组安全性与可靠性是电力系统故障监测与诊断领域的热点。

风机传动系统中存在的不确定因素与非线性因素造成振动信号分析困难。正常的齿轮运行时，齿轮之间啮合完好，齿轮滑动接触表面之间存在润滑油膜，振动信号平稳。当齿轮发生局部故障，带有损伤的轮齿与其他轮齿啮合，导致润滑油膜破裂，产生振动冲击现象，冲击信号将随着齿轮的旋转按照一定的时间间隔重复出现。周期性或准周期性的振动冲击是齿轮箱故障的一个关键特征。

齿轮箱状态监测与故障诊断方法主要可以分为信号处理和智能算法两类。信号处理方法有：1)齿轮在工作过程中受力会出现方向不确定性的问题，利用全矢频带能量分析的方法可用于判定齿轮箱的早期微弱故障；2)针对emd出现模态混叠，在采集信号中加入白噪声，根据信号本身特性自适应设定白噪声标准差改进分解，达到最优分解效果提高了故障诊断的效率；3)应用自适应最大相关峭度解卷积的方法解决早起信号微弱难以提取的问题。智能算法有：1)应用模糊c均值聚类对信号进行聚类可以提高故障诊断的准确度；2)隐马尔可夫模型算法应用于齿轮箱诊断系统能够提高平均识别度；3)卷积自动编码器进行齿轮箱故障特征是一种无监督的学习方式，具有效率高的特点。

目前，信号分析需要结合运行人员的经验进行故障判断与识别因而效率低，智能算法存在过拟合泛化性能低的问题。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于似然学习机的风机齿轮箱状态识别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于似然学习机的风机齿轮箱状态识别方法，包括以下步骤：

1)从风机齿轮箱振动信号中提取出峭度作为风机齿轮箱的故障特征量；

2)利用似然学习机对峭度进行学习生成高斯模型作为状态监测模型，即高斯监测模型；

3)利用生成的高斯监测模型对齿轮箱状态进行判断。

所述的步骤1)中，峭度k的表达式为：

其中，s为信号值，μ为信号均值，σ为信号标注差，e(·)为期望。

所述的步骤2)具体为：

采用似然学习机对峭度数据进行概率密度估计并选择高斯模型的概率分布，将其作为先验概率，然后对新的峭度数据进行多次学习，每次学习将上一次的后验概率作为下一次的先验概率，最终得到学习好的状态监测模型。

所述的步骤2)中，高斯监测模型包括单一高斯模型和高斯混合模型，当风机齿轮箱正常时，高斯监测模型为单一高斯模型，当风机齿轮箱为故障时，高斯监测模型为混合系数为2的高斯混合模型。

所述故障的类型包括磨损、断齿和齿根裂缝。

当风机齿轮箱为正常状态时，其对应单一高斯模型的特征量峭度值为3，当风机齿轮箱为故障时，磨损、断齿和齿根裂缝对应高斯混合模型的特征量峭度值均大于3，且依次增大。

与现有技术相比，本发明具有以下优点：

本发明针对信号分析和人工智能算法存在的弊端，从概率论与数理统计角度进行机器学习研究，提出了似然学习机(likelihoodlearningmachine，llm)的学习算法能够自主学习风机齿轮箱的运行模式，降低了对运行人员的依赖，且其具有良好的泛化性能得以应对风机运行的各种复杂工况，达到对风机齿轮箱监测与故障诊断的目的，降低运维成本，提高经济性和风机运行的安全性和可靠性。

附图说明

图1为行星齿轮箱行星轮振动波形图，其中，图(1a)为正常状态的振动波形图，图(1b)为磨损状态的振动波形图，图(1c)为齿根断裂状态的振动波形图，图(1d)为断齿状态的振动波形图。

图2为转速1800r/min状态监测图。

图3为转速2400r/min状态监测图。

图4为转速3000r/min状态监测图。

图5为本发明的方法流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

本发明旨对复杂工况下的风机齿轮箱监测与故障诊断，首先从风机齿轮箱振动信号提取出峭度作为特征量，然后利用似然学习机对采集信号进行学习生成高斯模型，最后利用所生成的高斯模型可以对齿轮箱状态进行评估。

具体采取的技术方案如下：

(1)齿轮箱故障特征量提取。风机的实际运行过程中，由于存在振动信号传输路径复杂多变、运行环境噪声干扰严重、振动源与噪声互相耦合等诸多因素的影响，齿轮箱故障检测困难。峭度是传统的时域统计指标中使用最普遍，最可靠的指标之一，峭度(kurtosis)是反映振动信号分布特性的数值统计量及描述波形尖峰度的无量纲参数，是归一化的四阶中心矩，数学描述为：

(2)似然学习机理论(likelihoodlearningmachine)

采集一组振动信号数据为s＝(s1,s2,...sn)^t,用ω为控制参数的条件概率p(s|ω)来表示，根据贝叶斯定理可以表示为：

通过后验概率p(ω|s)，对信号s进行观测可对ω进行量化的不确定性估计。变量p(s|ω)作为控制变量ω的函数，表达在不同ω下信号s出现可能性，称为似然函数(likelihoodfunction)。利用似然函数，贝叶斯定理可以表述为：

posterior∝likelihood×prior(3)

posterior为后验概率，likelihood为似然函数，prior为先验概率。

将先验概率与后验概率作为表征两种系统状态的状态模型，将上式进行进一步改写：

posteriorstate∝likelihoodlearningmachine*priorstate(4)

posteriorstate称为后验状态，表示学习之后的状态；likelihoodlearningmachine被称为似然学习机；priorstate称为先验状态，表示学习之前的状态。

从上式可以看出，最大似然函数将先验状态与后验状态进行链接，前后两种状态进行更新是似然函数学习的结果，将似然函数看作学习器，称之为似然学习机(likelihoodlearningmachine,llm)，似然学习机能够对采集数据进行学习估计，以样本数据出现最大概率进行参数学习。

似然学习机算法首先对观测数据进行概率密度估计并选择合适的概率分布，将其作为先验概率即学习前的状态；然后应用似然学习机对新观察到的数据进行学习，先验概率转化为后验概率即得到学习后状态；每经过一次学习，状态模型便得到更新，原后验状态就作为下一次学习的先验状态。如此反复进行学习达到对运行状态不断监测的目的，依据不断学习的状态模型对风机维护做出最优决策。

式(4)中先验模型与后验模型的选择需要根据研究对象分布特性进行确定。本文研究对象为风机齿轮箱振动信号，根据上文特征提取研究，其振动信号的高斯分布特性，故选择高斯模型作为状态监测模型。

(3)高斯混合模型

高斯模型具有良好的分布统计特性，其在状态估计与故障预测方面有巨大优势，既可提供预测点的估计值，又可给出预测结果的概率密度分布即不确定性估计。通过将单一高斯模型进行线性组合，称为混合高斯模型，调节均值和方差以及线性组合的系数，可以对连续的概率密度给出任意精度近似，形式为：

n(s|μk,σk)称为混合高斯模型成分，πk称为混合系数。对上式两侧进行积分，p(s)和各个高斯成分都是归一化的，得：

给定n(s|μk,σk)，满足p(s)≥0的充分必要条件是对于所有的k都有πk≥0，将此条件与条件式(13)结合，得：

0≤πk≤1(7)

混合高斯模型似然学习机因引入混合系数的奇异性造成其参数无法直接求解，需使用em算法进行求解。

(4)似然学习机的em算法

似然学习机的em算法求解混合高斯模型的步骤为：

(a)初始化高斯监测模型参数均值μk、协方差σk、混合系数πk；

(b)e步骤，使用当前参数值计算监测隐变量“责任”

(c)m步骤，使用当前责任更新监测模型参数，

(d)计算似然监测模型的对数形式

检查其收敛性，若不收敛返回步骤(b)。

(5)利用似然学习机进行状态监测的具体步骤为：

(a)初始化状态监测模型；

(b)对采集信号进行峭度特征量的提取；

(c)利用似然学习机对峭度进行学习；

(d)对状态监测模型进行更新；

(e)根据状态监测模型对风机齿轮箱状态进行评估。

实施例：

为验证基于本发明的有效性，采用spectraquestinc公司的drivetraindynamicssimulator进行实验验证，实验平台由6个部分组成，分别为：驱动电机，2级制行星齿轮箱，平行齿轮箱，模拟负载，传感器，转速控制器。实验所用的采样率为12000hz。振动传感器安装在齿轮箱轴向方向。行星轮的故障的常见类型包括磨损、齿根有裂缝和断齿故障。

当电机转速为1800r/min时，行星齿轮在不同状态下的原始振动信号如图(1)所示。正常状态下，齿轮啮合完好，振动信号平稳，幅值小，没有明显的冲击信号；磨损状态下，磨损导致齿轮表面的油膜破裂，啮合度降低，振动信号幅值增大，出现准周期性的冲击信号；齿根裂缝是在行星轮齿根部出现了裂缝，裂缝同样导致油膜破裂，啮合度降低，相对正常状态下，其振动幅值增大，出现了周期的冲击信号；断齿状态下，与磨损与齿根断裂相比较，冲击信号出现的频次更低，且周期性特征明显。

正常状态下，采集信号的峭度值作为特征量进行特征提取；将特征量输入到似然学习机内，利用em算法进行状态模型求解；得到正常状态下的状态监测图如图2中所示，正常状态下得到的监测模型为单一高斯模型，其众数值落在3附近，表明风机齿轮箱运行平稳。高斯模型表明峭度分布在3附近的占比高即风机处在正常状态，扰动造成的峭度值偏离3的数值占比少，扰动存在的概率小。

将磨损状态下的数据作为输入进行实验，得到的状态监测图如图2中所示。在磨损状态下，因为振动冲击的存在，特征量峭度值增大，em算法求解得到了混合系数k为2的混合高斯模型。与正常状态下的单一峰值相比，混合模型出现两个峰值，两者存在明显差异，可用于进行状态监测。大峭度值表示冲击成分增多，且大峭度值在整体分布中的占比增多，表明出现故障概率增大。监测结果表明，大峭度值的占比增大时，风机齿轮箱出现故障。

将断齿状态下的数据作为输入进行实验，得到的状态监测图如图2中所示。与磨损状态相同，出现了k为2的混合高斯模型，但相比磨损状态，其出现的高峭度峰值大于磨损状态，表明断齿状态下，振动冲击出现的占比高于磨损状态，与原始状态图中结果分析一致。

将齿根裂缝状态下的数据作为输入进行实验，得到的状态监测图如图2中所示。与磨损、断齿两种状态相同，出现了k为2的混合高斯模型，但相比前两种状态，其出现的高峭度峰值更大，表明其冲击振动更剧烈，与原始状态图中结果分析一致。

进行电机转速为2400r/min的实验，状态监测图如图3所示。输入正常状态下的采集数据，得到k＝1的监测模型，表明风机齿轮箱处于正常状态。分别输入3种故障状态下的采集数据，分别得到k＝2的监测模型，可做出风机齿轮箱故障的报警。故障状态类别可根据分布峰值所处大小进行判断。

进一步将电机转速为3000r/min的试验数据输入，得到状态监测图如图4所示。正常与故障数据分别得到k＝1与k＝2的状态模型，能够给出故障警报。

根据上述实施实例可以看出，本发明能够在不同的转速下辨识齿轮的状态，当出现故障时，不仅能够有效地做出预警，而且能够判断故障类型，可以有效地进行风机齿轮箱运行状态监测，具有良好的实用价值。