一种风机齿轮箱故障诊断模型建立方法及装置.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CN106932196A(43)申请公布日2017.07.07(21)申请号201710142440.4(22)申请日2017.03.10(71)申请人华北电力大学地址102206北京市昌平区回龙观北农路2号华北电力大学(72)发明人黄从智李岩朱红路(74)专利代理机构北京三聚阳光知识产权代理有限公司11250代理人马永芬(51)Int.Cl.G01M13/02(2006.01)G06N3/08(2006.01)权利要求书3页说明书8页附图2页(54)发明名称一种风机齿轮箱故障诊断模型建立方法及装置(57)摘要本发明提供一种风机齿轮箱故障诊断模型建立方法，用于建立风机齿轮箱诊断模型，首先，获取风机齿轮箱的振动信号，然后对所述振动信号进行平滑和降噪处理；对处理后的振动信号进行分解，提取振动信号的特征向量；将所述振动信号的特征向量分为训练数据集和测试数据集；利用果蝇算法对径向基神经网络模型的参数进行优化，输入所述训练数据集中的振动信号的特征向量获取参数的最优值，生成基于径向基神经网络的风机齿轮箱故障诊断模型并进行测试。该方案中针对RBF神经网络的特点引入优化算法，使得故障诊断效果提高，通过引入人工智能分析技术对提取的特征值进行进一步处理，从而提高故障诊断的效率，从而减少由于故障引起的停机损失。CN106932196ACN106932196A权利要求书1/3页1.一种风机齿轮箱故障诊断模型建立方法，其特征在于，包括S1、获取风机齿轮箱的振动信号；S2、对所述振动信号进行平滑和降噪处理；S3、对处理后的振动信号进行分解，提取振动信号的特征向量；S4、将所述振动信号的特征向量分为训练数据集和测试数据集；S5、利用果蝇算法对径向基神经网络模型的参数进行优化，输入所述训练数据集中的振动信号的特征向量获取参数的最优值，生成基于径向基神经网络的风机齿轮箱故障诊断模型；S6、使用所述测试数据集对所述风机齿轮箱故障诊断模型进行诊断测试得到诊断结果；S7、判断诊断结果是否达到预设诊断准确率，若未达到预设诊断准确率，则重新获取风机齿轮箱的振动信号，重复步骤S1-S6直至诊断结果达到预设诊断准确率。2.根据权利要求1所述的方法，其特征在于，在步骤S1中，通过振动传感器采集风机齿轮箱正常以及典型故障状态下振动信号，至少包括正常振动信号、齿轮箱轴承内圈故障时振动信号、齿轮箱轴承外圈故障时振动信号、断齿状态下振动信号中的部分或全部。3.根据权利要求1或2所述的方法，其特征在于，包括S5中利用果蝇算法对径向基神经网络模型的参数进行优化的处理之前，还包括初始化果蝇优化算法的参数。4.根据权利要求3所述的方法，其特征在于，所述初始化果蝇优化算法的参数的过程，包括：第一，初始化果蝇种群数量P，最大迭代次数Gmax，初始搜索步长L0，果蝇种群初始位置(x0,y0)；第二，设置果蝇优化算法每代搜索步长和适应度函数，其中每代搜索步长公式如下：其中Gmax最大迭代次数，G为当前优化代数，L0为初始搜索步长，L为当前代搜索步长；适应度函数为：其中J为适应度，N为训练样本，m为输出层节点数，xji为实际输出，yji为目标输出。第三，初始化参数搜索范围。5.根据权利要求4所述的方法，其特征在于，所述利用果蝇算法对径向基神经网络模型的参数进行优化的过程，包括：随机在搜索范围中初始化Spread值位置(x0,y0)；根据公式根据公式生成当前代搜索步长，再根据公式X(i)＝X0i+L*rand(1,1)，Y(i)＝Y0i+L*rand(1,1)赋予果蝇个体在随机方向和随机移动距离，其中X(i)、Y(i)为果蝇种群中每个个体在本代搜索范围中的横纵坐标，i∈(0,P]。X0i、Y0i为本代果蝇种群初始位置的横纵坐标，rand(1,1)表示在(0,1)范围内取随机值；2CN106932196A权利要求书2/3页根据公式求出整个果蝇种群适应度，确定最佳种群适应度Jmin并确定获得最佳适应度对应的果蝇位置(xi，yi)，将其作为下一代初始位置；重复最大迭代次数Gmax次得到最优解即为神经网络最优Spread值。6.根据权利要求1或2或4或5所述的方法，其特征在于，所述步骤S3中，包括对振动信号使用sym8小波对振动信号进行三层小波包分解。7.根据权利要求6所述的方法，其特征在于，所述步骤S2中对所述振动信号进行平滑和降噪处理的步骤中，采用的公式为：其中，xi(i＝1,2,...,m)为处理前数据点，yi(i＝1,2,...,m)为经过五点三次法平滑处理后数据点。8.根据权利要求7所述的方法，其特征在于，所述振动信号获取200组，其中分到所述训练数据集中的数据120组，分到测试数据集中的数据为80组。9.一种风机齿轮箱故障诊断