一种风电齿轮箱的故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109029975A(43)申请公布日2018.12.18(21)申请号201810667883.X(22)申请日2018.06.26(71)申请人红河学院地址661199云南省红河哈尼族彝族自治州蒙自市东郊(72)发明人程加堂段志梅何静松熊燕(74)专利代理机构西安弘理专利事务所61214代理人罗笛(51)Int.Cl.G01M13/02(2006.01)G06N3/02(2006.01)权利要求书2页说明书6页附图2页(54)发明名称一种风电齿轮箱的故障诊断方法(57)摘要本发明公开的风电齿轮箱的故障诊断方法，首先，提取风电齿轮箱的振动加速度信号，分解后建立故障集；其次，采用一种面向收缩-扩张系数的随机调整方案来增强量子粒子群算法的鲁棒性；再次，为了进一步提高算法跳出局部最优的概率，一种重启动策略也被引入到量子粒子群算法中；最后，采用改进的量子粒子群与BP神经网络相结合的方法来建立风电齿轮箱的故障诊断模型。与BP神经网络、粒子群以及量子粒子群优化BP网络的方案相比，本发明的故障诊断方法具有较高的诊断精度，降低了恶劣事故发生的几率。CN109029975ACN109029975A权利要求书1/2页1.一种风电齿轮箱的故障诊断方法，其特征在于，具体按照如下步骤实施：步骤1、采集齿轮表面的振动加速度信号，并经小波技术分解处理后，得到故障识别的特征向量，将该特征向量随机分为两组，分别作为BP神经网络的训练集和测试集；对齿轮箱的故障类型进行编码，并作为输出样本；步骤2、确定BP神经网络的隐含层神经元个数、训练函数以及输入层至输出层的传递函数，建立基于BP神经网络的故障诊断模型；步骤3、采用改进的量子粒子群算法对BP神经网络的故障诊断模型的参数进行寻优，获得最优的权阈值参数，得到优化BP神经网络；步骤4、利用训练集对优化BP神经网络进行训练，得到改进量子粒子群优化BP神经网络模型；步骤5、采用改进量子粒子群优化BP神经网络模型对测试集进行预测，输出风电齿轮箱故障的诊断结果，并将该诊断结果与步骤1得到的输出样本进行比较，判断出风电齿轮箱的故障类型。2.如权利要求1所述的一种风电齿轮箱的故障诊断方法，其特征在于，步骤1中，所述特征向量分别为功率谱熵、小波熵、关联维数、盒维数、峭度及偏度。3.如权利要求1所述的一种风电齿轮箱的故障诊断方法，其特征在于，步骤1中，所述风电齿轮箱的故障类型包括齿轮正常、齿轮磨损及齿轮断齿。4.如权利要求1所述的一种风电齿轮箱的故障诊断方法，其特征在于，步骤2中，所述BP神经网络采用三层BP神经网络，隐含层神经元的个数按如下公式进行计算：式(1)中，s为隐含层神经元个数；m和n分别为输入、输出层神经元个数，且m取6，n取3；p为1～10之间的整数。5.如权利要求1所述的一种风电齿轮箱的故障诊断方法，其特征在于，步骤2中，所述输入层和输出层的传递函数分别为tansig函数和logsig函数，训练函数选择trainlm函数。6.如权利要求1所述的一种风电齿轮箱的故障诊断方法，其特征在于，步骤3具体包括如下步骤：步骤3.1、初始化改进的量子粒子群算法参数；所述改进的量子粒子群算法的参数包括种群规模N，最大迭代次数kmax，调节收缩-扩张系数β所需的3个参数a、b和σ，极限值limit，转换参数trial；步骤3.2、随机生成初始解xi，计算适应度fit(i)，并令当前个体最优解pbi＝xi，迭代次数k＝1；步骤3.3、记录种群中全局最优解gb及其适应度fbest；步骤3.4、若k<kmax，则执行步骤3.5；否则跳转至步骤3.9；步骤3.5、生成收缩-扩张系数β；收缩-扩张系数β的生成规则为：μ＝a+b·rand(0,1)(2)，β＝μ+σ·randn(0,1)(3)；式(2)和(3)中，a、b和σ为3个预设的常数；rand(0,1)为服从均匀分布的随机数；randn2CN109029975A权利要求书2/2页(0,1)为服从标准正态分布的随机数；步骤3.6、若trial<limit，采用量子粒子群算法的更新规则生成新的候选解；否则，采用重启动策略生成新的解；步骤3.7、评估步骤3.6得到的解的质量；若此解优于当前个体最优解pb，则用此解替代pb，且令转换参数trial＝0；否则trial＝trial+1；若此解优于全局最优解gb，则用此解替代gb；步骤3.8、令迭代次数k＝k+1，并跳转至步骤3.4；步骤3.9、将最优解gb作为BP神经网络的权阈值参数，得到优化BP神经网络。7.如权利要求6所述的一种风电齿轮箱的故障诊断方法，其特征在于，步骤3.6中，所述量子粒子群算法的更新规则为：式(4)和(5)中，u和均为0～1之间的随机数。8.如权利