风力发电机组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*CN103278326A*(12)发明专利申请(10)申请公布号(10)申请公布号CNCN103278326103278326A(43)申请公布日2013.09.04(21)申请号201310234926.2(22)申请日2013.06.14(71)申请人上海电机学院地址200240上海市闵行区江川路690号(72)发明人刘天羽邢飞(74)专利代理机构上海翼胜专利商标事务所(普通合伙)31218代理人翟羽黄燕石(51)Int.Cl.G01M13/02(2006.01)权权利要求书1页利要求书1页说明书6页说明书6页附图1页附图1页(54)发明名称风力发电机组齿轮箱的故障诊断方法(57)摘要本发明涉及高故障设备的故障诊断技术领域，公开了一种风力发电机组齿轮箱的故障诊断方法，包括第一步：选择齿轮箱的若干个有效特征建立多维目标空间，模拟若干个故障类别，并对所述若干个故障类别的故障数据进行采集；第二步：对所述故障数据进行时域和幅域分析，提取频域参数和幅域参数成为训练数据集；第三步：将所述训练数据集看成一个种群，所述训练数据集中的每一个数据看成一个粒子，通过迭代算法优化数据子集；第四步：通过适应度函数f(i)，更新粒子的速度和位置；第五步：得到最优子集。本发明解决了风电机组齿轮箱故障诊断中的数据不均衡问题，PSOEE算法提高了分类器对不均衡数据集的预报精度。CN103278326ACN1032786ACN103278326A权利要求书1/1页1.一种风力发电机组齿轮箱的故障诊断方法，其特征在于：包括如下方法：第一步：选择齿轮箱的若干个有效特征建立多维目标空间，模拟若干个故障类别，并对所述若干个故障类别的故障数据进行采集；第二步：对所述故障数据进行时域和幅域分析，提取频域参数和幅域参数成为训练数据集；第三步：将所述训练数据集看成一个种群，所述训练数据集中的每一个数据看成一个粒子，通过下述迭代算法优化数据子集：vid(k+1)=vid(k)+c1r1(pid(k)-xid(k))+c2r2(pgd(k)-xid(k))xid(k+1)=xid(k)+vid(k+1)(i=1,2,…,m;d=1,2,…,D)其中第i个粒子表示成一个D维的向量是第i个粒子的飞行速度，是第i个粒子的最优位置pbest，是整个种群历史搜索到的最优位置gbest，其中D为所述目标空间的维数，m粒子的总数，在式中，k是迭代代数；学习因子c1和c2为非负常数；r1和r2是均匀分布于[0,1]之间的两个随机任意数；vid∈[-vmax,vmax]，vmax是预先设定的常数；vid(k)为第k次迭代时粒子i飞行速度矢量的第d维的分量；xid(k)为第k次迭代时粒子i位置矢量的第d维的分量；pid(k)是粒子i个体最好位置的第d维分量；pgd(k)为种群最好位置的第d维分量；迭代终止条件设定为最大迭代数或（和）粒子群迄今为止搜索到的最优位置满足最小适应度值。第四步：通过适应度函数f(i)，更新粒子的速度和位置，适应度函数如下：式中a(i)为粒子i所选的特征子集的分类正确率估计；p为调整参数,是分类准确率和所选特征数量的平衡系数；Mic为粒子i所选的特征子集中特征的数量;Mall为所有待选特征的总数。第五步：得到最优子集，将所述最优子集作为第三步中的种群，重复第三步，直至得到集成模型。2.根据权利要求1所述的风力发电机组齿轮箱的故障诊断方法，其特征在于：所述第三步中的因子c1和c2为2。3.根据权利要求1所述的风力发电机组齿轮箱的故障诊断方法，其特征在于：所述第四步中的调整参数p为0.2。2CN103278326A说明书1/6页风力发电机组齿轮箱的故障诊断方法技术领域[0001]本发明涉及高故障设备的故障诊断技术领域，特别是一种风力发电机组齿轮箱的故障诊断方法。背景技术[0002]风电机组长期运行在室外恶劣自然环境下，故障率比常规发电机组高。据不完全统计，目前我国风电场中风电机组的平均可利用率普遍低于95%，除了风电接入系统不具备条件外，风电机组故障率高是一个主要因素，这些因素导致风电机组的维护费用成为风电场的主要运营成本，按照风电机组20年全寿命周期运行成本平均计算，风电机组的维护费用约为1.2€/kWh，因此降低维护费用是提高风电场运营效益的重要途径。[0003]齿轮箱是风电机组的关键部件，齿轮箱的故障率在风力发电机各主要部件的故障统计中居高不下，据英国可再生能源中心对风力机主要部件的故障统计，齿轮箱是机组中故障发生率最高的部件，故障百分比已超过60%，由于风电机组安装在几十米高的塔架上，齿轮箱一旦发生问题维修非常不便。因此，加强对风电机组齿轮箱的监测和故障诊断，对降低风电场维护费用，提高风电场运行经济效益具有重要意义。[0004]齿轮