一种风机齿轮箱故障诊断方法与流程

本发明属于风电技术领域，特别涉及一种风机齿轮箱故障诊断方法。

背景技术：

风电场多设计在离居民区较远的山区或海上，维护比较困难，同时风机因故障停运会对风电场运营方造成很大的损失。而风机故障的出现都会伴随一个从微弱到严重的过程，在故障出现早期较微弱的时候各测量传感器采集到的数据可能会产生冲突，影响对故障类型的判断。

Dezert-Smarandache Theory(DSmT)理论是Dezert和Smarandsche等学者在2002年提出的一种有效的证据冲突组合理论,它主要处理高不确定性、高冲突和不精确的信息源证据。在随后的发展中逐渐提出了PCR1、PCR2、PCR3、PCR4、PCR5以及PCR6等多种组合规则。其中，PCR5是较为精确的一种冲突分配方法。PCR6是由Arnaud Martin和Christophe Osswald等学者提出的作为一种当信息源s>2时替代PCR5的融合规则，它能得到比PCR5更好的融合结果，所以当信息源多以两个时，一般用PCR6规则代替PCR5组合规则。

技术实现要素：

本发明的目的在于设计一个基于DSmT理论的风机齿轮箱早期故障诊断系统。

本发明的技术方案是，一种风机齿轮箱故障诊断方法，包括以下步骤：

步骤一，在风机齿轮箱的的多个检测点上安装振动传感器组成多传感器系统；

步骤二，将多个传感器采集到的各路振动数据进行抗混叠滤波处理，抗混叠滤波采用小波阈值去噪法；

步骤三，采用基于本征模态函数的信息熵特征提取方法提取各路振动数据的特征，首先将滤波后的数据进行EMD分解，然后选取分解的前若干个IMF分量，求出各IMF的总能量E_i，构建出特征向量T

$E={\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left|E_i\right|}^2\right)}^{1/2}$

T＝[E₁/E,E₂/E,...,E_n/E]；

步骤四，将由各路振动数据求得的特征向量T输入BP神经网络完成故障属性判决；

步骤五，各个子BP网络的属性判决结果处理后，计算出各证据下各种故障属性的广义基本置信分配，假设BP神经网络输出为：

A＝[a₁,a₂,...a_k]

则由该证据得到的广义置信分配为：

$m_j=a_j/\left(\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{a}_j\right)$

m＝[m₁,m₂,...m_j]；

步骤六，运用DSmT决策理论，将由各路证据得到的广义置信分配进行故障属性决策融合从而得到风机齿轮箱故障类型。

在DSmT融合时，若证据源为两个，采用PCR5融合规则；若证据源多于两个，采用PCR6融合规则。

本发明从多传感器信息提取，EMD能量分解，IMF信息熵提取，特征向量构建，神经网络训练以及DSmT决策融合从而得到风机齿轮箱早期故障类型。本发明把DSmT决策理论引入风机齿轮箱早期故障诊断系统当中，结合BP神经网络从而构建出风机齿轮箱早期故障诊断模型。

附图说明

图1是本发明的系统流程图。

图2是本发明实施例中故障诊断模型算法流程图。

具体实施方式

如图2所示，本发明的风机齿轮箱故障诊断方法步骤是：

1.在风机齿轮箱多个关键部位安装多个振动传感器组成多传感器系统。

2.将多个传感器采集到的数据进行抗混叠滤波处理，抗混叠滤波采用小波阈值去噪法。

3.采用基于本征模态函数的信息熵特征提取方法提取各路振动数据的特征。首先将滤波后的数据进行EMD分解，然后选取分解的前若干个IMF分量，求出各IMF的总能量E_i，构建出特征向量T

$E={\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left|E_i\right|}^2\right)}^{1/2}$

T＝[E₁/E,E₂/E,...,E_n/E]

4.将由各路振动数据求得的特征向量T输入BP神经网络完成故障属性判决；

5.各个子BP网络的属性判决结果处理后，计算出各证据下各种故障属性的广义基本置信分配。假设BP神经网络输出为：

A＝[a₁,a₂,...a_k]

则由该证据得到的广义置信分配为：

$m_j=a_j/\left(\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{a}_j\right)$

m＝[m₁,m₂,...m_j]

6.运用DSmT决策理论，将由各路证据得到的广义置信分配进行故障属性决策融合从而得到风机齿轮箱故障类型。在DSmT融合时，若证据源为两个，采用PCR5融合规则；若证据源多于两个，采用PCR6融合规则。