一种风力机齿轮箱的实时在线故障诊断方法及系统与流程

本发明涉及风力发电领域的风力机齿轮箱故障诊断技术，具体涉及一种风力机齿轮箱的实时在线故障诊断方法及系统。

背景技术：

1、齿轮箱是风电机组中重要的机械连接和传动装置，具有传动精度高、传动比固定等特点。由于长期处于复杂的工作环境以及承受随机变化的载荷，变速齿轮箱经常发生故障并易导致机组停机，造成其使用寿命降低。随着投运时间的累积，齿轮箱的可靠性会逐渐下降，且由于制造误差、装配不当、润滑不良、超载等引起的齿轮故障也会随之发生。此外，齿轮箱正常工作下的不稳定电机电压和时变转子负载也同样会造成齿轮箱转速的波动，进而影响齿轮箱的安全运行。齿轮箱传动系统各零部件失效引发故障导致的停机时间占机组总停机时间的1/3左右，是影响机组可靠性的主要原因。以齿轮箱失效检修为例，部件本身的更换成本通常在数百万元/台次，如果能提前评估设备的亚健康状态，化故障为提前维护检修，可大幅降低设备的维护成本，延长风机的寿命。公布号为cn106777606a的中国专利文献公开了一种风电机组齿轮箱的故障预测诊断方法，其记载了获取运行中的齿轮箱油温、机舱温度、齿轮箱驱动前端和非驱动前端的温度、风速、风机输出功率的历史采样时刻数据，以kpca算法来降低输入维度进行特征提取再利用支持向量机进行分类。但是，该方法具有采集繁复左氧，而且需要利用核主成分分析(kpca)和支持向量机，需要大量数据才能够完成对核主成分分析(kpca)和支持向量机的训练，而且故障预测诊断效率比较低。

技术实现思路

1、本发明要解决的技术问题：针对现有技术的上述问题，提供一种风力机齿轮箱的实时在线故障诊断方法及系统，本发明旨在针对风力机齿轮箱实现一种所需数据简单易获得、故障诊断效率高、所需特征数据样本数据少、能够更精确的早期故障信号以及故障定位的风力机齿轮箱的实时在线故障诊断方法，以避免风力机齿轮箱状态的进一步恶化。

2、为了解决上述技术问题，本发明采用的技术方案为：

3、一种风力机齿轮箱的实时在线故障诊断方法，包括：

4、s101，采集齿轮箱的振动信号的时域信号，并进行傅里叶变换得到频域信号；

5、s102，从振动信号的时域信号提取时域特征，从振动信号的频域信号提取频域特征；

6、s103，将时域特征和频域特征利用预先训练好的核主成分分析模型kpca提取非线性主元特征，并基于非线性主元特征计算偏离核主元模型程度的统计量spe，若偏离核主元模型程度的统计量spe小于预设阈值，则判定齿轮箱状态正常，否则判定齿轮箱状态异常。

7、可选地，步骤s102中从振动信号的时域信号提取时域特征包括：最大值、最小值、峰峰值、均值、均方差、方差、方根幅值、平均幅值、均方幅值、峰值、峭度、波形指标、峰值指标、脉冲指标以及裕度指标中的部分或全部；从振动信号的频域信号提取频域特征包括：重心频率、频率均方根、平均频率以及频率方差中的部分或全部。

8、可选地，步骤s103中计算偏离核主元模型程度的统计量spe的函数表达式为：

9、

10、上式中，p为特征数据样本数，γ为主元个数，为第k1个特征数据样本，为第k2个主元。

11、可选地，步骤s103之前还包括训练核主成分分析模型kpca：针对核函数参数gamma在给定的取值区间内以指定的步长针对时域特征和频域特征进行试验，计算不同的核函数参数gamma取值下的解释方差，并选择解释方差最大时的核函数参数gamma作为核主成分分析模型kpca的最优的核函数参数gamma，从而得到训练好的核主成分分析模型kpca。

12、可选地，步骤s103之后还包括采集齿轮箱的声发射信号并基于声发射信号进行故障诊断，若步骤s104中判定齿轮箱状态异常，且基于声发射信号也判定齿轮箱状态异常，则判定齿轮箱发生故障；所述基于声发射信号进行故障诊断包括：

13、s201，针对声发射信号进行多元变分模态分解，得到多个模态分量；

14、s202，针对各个模态分量基于方差贡献率或者相关系数判断是否为噪声并去除噪声；

15、s203，针对剩余的模态分量进行小波分解并基于进行小波阈值去噪处理；

16、s204，将小波阈值去噪处理后的模态分量进行重组得到重组信号；

17、s205，针对重组信号利用图模型进行降噪处理；

18、s206，根据图模型降噪处理后的信号利用故障图谱或者分类器进行故障诊断，以确定齿轮箱状态为正常还是异常。

19、可选地，步骤s202中针对各个模态分量基于方差贡献率判断是否为噪声：分别针对各个模态分量计算方差贡献率，若某一个模态分量的方差贡献率小于等于设定值，则判定该模态分量为噪声。

20、可选地，步骤s202中针对各个模态分量基于相关系数判断是否为噪声包括：分别针对各个模态分量进行快速傅里叶变换并确定各模态分量的中心频率，将模态分量按照中心频率从低到高的顺序进行排序，计算每个模态分量与原始信号的相关系数，若某一个模态分量的相关系数小于等于设定值，则判定该模态分量为噪声，其中相关系数的计算函数表达式为：

21、

22、上式中，c表示相关系数，v(t)为模态分量，x(t)为原始信号，e[]为数学中的期望，d[]为数学中的方差。

23、可选地，步骤s205针对重组信号利用图模型进行降噪处理包括：

24、s301，将重组信号中超出声发射信号阈值的多个连续的测量信号作为路图模型的节点构建路图模型g＝(v,e,w)，路图模型g＝(v,e,w)是一个顶点依次与下一个顶点相连接的简单图模型，其中v＝{v1,v2,v3,...,vn}表示节点集合，v1～vn为n个节点，e＝{e(i,j)}表示边集合，e(i,j)表示第i个节点与第j个节点存在联系，w＝{w(i,j)}为权重集合，w(i,j)表示第i个节点与第j个节点之间的权重，w(i,j)＝0表示第i个节点与第j个节点之间没有任何联系；

25、s302，针对路图模型g＝(v,e,w)，采用下式所示的图滤波器进行滤波：

26、

27、上式中，h表示图滤波器的输出信号，v表示节点集合，h(λ1)～h(λn)表示对输入的n个频率分量λ1～λn进行增强或减弱的权重参数，λh表示权重参数矩阵，且所述图滤波器的传递函数的函数表达式为：

28、h(λk)＝1/(1+2αλk)

29、上式中，h(λk)为图滤波器的传递函数，α为系数，λk为输入的第k个频率分量。

30、此外，本发明还提供一种风力机齿轮箱的实时在线故障诊断系统，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述风力机齿轮箱的实时在线故障诊断方法。

31、此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序用于被微处理器编程或配置以执行所述风力机齿轮箱的实时在线故障诊断方法。

32、和现有技术相比，本发明主要具有下述优点：本发明所需的输入数据为齿轮箱的振动信号的时域信号，所需数据简单易获得，尤其适用于风力机齿轮箱的实时在线故障诊断。本发明只需要核主成分分析模型kpca和计算偏离核主元模型程度的统计量spe，基于统计量spe即可实现齿轮箱状态判断，因此数据处理简单，故障诊断效率高、所需特征数据样本数据少、能够更精确的早期故障信号以及故障定位，能够有效地避免风力机齿轮箱状态的进一步恶化，达到对齿轮箱的故障损伤状况的实时准确监测，及时、有效地为风力机齿轮箱提供可靠的、预测性的健康评估报告，为风机的安全高效的运行提供有力支持。