一种基于机器学习的风电机组传动链故障诊断方法

技术领域：

本发明涉及一种故障的诊断方法，尤其是涉及一种基于机器学习的风电机组传动链故障诊断方法。

背景技术：

风能作为一种可再生清洁能源，被各国广泛开发利用。这也对风力发电安全稳定运行提出了更高要求。风电场为保证风机安全可靠运行，并网发电初期对发电机、齿轮箱等风机关键部件装设了振动监测系统。但由于系统开发较早，采用的算法精度较差，并且采集的数据单一，导致长期运行下缺陷较高，维修费用高居不下，不能对风机的健康状态起到准确的监测和预警作用。为解决上述问题，需要开展监测与预警攻关与研究，优化数据采集、数据分析算法，以实现先进算法在风机运行监测领域的推广化应用。

发明内容：

本发明方法对传动链多种参数进行采集，依托先进传感器技术和数字化技术，结合机器学习算法，对风机进行实时健康监测。首次将变分模态分解应用到风电机组传动链系统中，通过灰狼优化后的孪生支持向量机能够对传动链的故障分类更准确，在故障将要发生之前进行故障的预警，先一步了解到将要产生的故障趋势，做到预防为主，防治结合。降低其维修的人力、物力成本，这也是当前风力发电机组维修工作的基础，同时也为开展风机状态评价及检修工作提供科学的参考依据。

为达到上述目的，本发明的技术方案是这样实现的：一种基于机器学习的风电机组传动链故障诊断方法，包括以下步骤：

第一步，采集风机传动链振动信号，数据中包含齿轮箱中速级轴承开裂故障，齿轮箱中速级齿面断裂，主轴轴承开裂三类典型故障信号，首先对振动信号的数据进行预处理，利用Butterworth带通滤波对采集到的三类传动链故障信号进行数据预处理；

第二步，对预处理后的信号采用AR模型法分析，提取振动信号的时域特征，具体步骤如下：

步骤1：采用9阶AR模型拟合y(t)，公式为：

其中y(t)为预处理后的故障信号，t是振动数据按时间采样个数，

步骤2：求取AR模型，并将模型系数作为该通道信号的特征，构造对故障特征的时域特征向量F，表达式如下：

其中F

第三步，使用变分模态分解－希尔伯特黄变换，对故障振动信号进行频域特征提取，具体步骤如下：

步骤1：对y(t)进行变分模态分解，通过迭代搜索获取约束变分模型的最优解，自动获取固有模态函数的中心频率及带宽，用交替方向乘数法迭代更新参数，求解增广拉格朗日函数的鞍点，不断更新参数，满足给定的判定表达式则迭代终止，得出IMF分量个数；

步骤2：对变分模态分解出的IMF分量进行希尔伯特黄变换；

步骤3：利用变分模态分解－希尔伯特黄变换提取三类故障信号的频域特征，并且对提取到的频域特征进行信号平滑以及归一化处理；

第四步，构造联合多特征向量，然后利用核主元分析法对联合多特征向量进行融合降维处理，通过提取贡献率大于85％的主元，生成融合特征，具体步骤如下：

构造联合特征向量，将时、频特征向量依次首位相连，构造如下所示的联合特征向量：

f＝[F

第五步，重复进行第二步到第四步，提取各类运动想象所有样本信号的联合特征向量，构造联合特征矩阵；

第六步，对联合特征矩阵进行核主元分析，按照累计贡献率大于85％的原则选取主元个数，将样本数据向新的主元空间投影得到降维后的融合特征矩阵；

第七步，将融合特征作为训练数据输入到孪生支持向量机，并利用灰狼算法优化的孪生支持向量机进行参数寻优，完成分类器的训练；

第八步，将实测数据输入到分类器中，若输出的结果有模型中的三种故障特征，则诊断为异常机组，待检修人员登机内窥镜确认；若没有出现故障特征，则机组正常。

优选的，所述第一步中，所述风机传动链振动信号利用现场风电机组中的振动传感器采集，现场风电机组中的振动传感器包括安装在主轴轴承、齿轮箱前后端轴承、发电机前后端轴承上的振动传感器，获取数据包括机组储存历史数据和实测数据。

优选的，所述步骤三中，对变分模态分解的两个参数：分解个数K和惩罚因子α进行了优化，步骤如下：

以多台齿轮箱轴承内圈开裂振动数据为例，分析当K值选取不同值时，对振动信号分解效果的影响。最终通过分析得出，当K取不同值时，分解得到的IMF都是按照中心频率从低到高的规律进行排列的，既没有有效成分的丢失也没出现模态混叠现象时的K值为优化K值；

确定分解个数K的取值后，以齿轮箱轴承故障数据为例，分析不同α值的选取对分解效果的影响，选择使IMF分量带宽适中，既不会产生模态混叠又不会丢失信息的α值为最优值。

优选的，所述第七步中，灰狼算法(GWO)对孪生支持向量机(TWSVM)的参数进行优化，具体步骤为：

根据适应度函数来进行算法的迭代，本方法以灰狼优化孪生支持向量机中最重要的三个参数c1、c2和γ，最终利用5折交叉验证得到的故障特征识别正确率的线性加权值作为适应度值。

有益效果：本方法首次将带通滤波器和变分模态分解相结合，经过灰狼优化后的孪生支持向量机分类器应用到风力发电机组传动链故障中，在采集振动数据后，通过带通滤波器将高频谐波以及风机噪声干扰去掉，后经过变分模态分解得到故障特征的本征模态分量，变分模态分解有效的抑制非平稳信号的端点效应和模态混叠问题，与经验模特分解和局部均值分解做对比，变分模态分解在故障自动分类方面，具有良好的准确性和稳定性，极大的保留了传动链故障的特征频率。灰狼优化算法对孪生支持向量机的核函数参数和惩罚因子进行了优化，提高了分类器的性能，最后比较并分析了本方法与其它四种常用方法的分类结果，验证了本项目所提方法的有效性。本方法改变某风电场振动分析系统老旧的问题，把机器学习算法应运到风电机组健康管理平台上，优化了算法结构，对故障识别更加准确。具备了更加完善的故障识别技术，实现了对风力发电机组传动链故障的预判，从风机的被动维修做到了主动维护，提高了风电场的发电质量，将产生良好的社会效益。本发明方法的完成，能够实现以下有益效果：

提高风机运行的安全可靠性，降低事故发生率。风机传动链设备一旦发生故障，就会引起风机长停，造成大量经济损失，每年由于传动链引起的事故率发生率高达20％，同时传动链设备的故障会造成大量的人力物力损失，而事故造成的经济损失更是无法估量的，在使用本系统后可将故障引起的事故发生率降低至8％，大大提高了传动链设备运行的可靠性，延长了风电机组的有效运行时间，减少了由于故障事故引起的风机长停，同时有效的减少了由于传动链引起的故障发生率，降低了故障带来的经济损失，由每年事故发生12次降低至4次，减少了由于事故而带来的损失8×100＝800万元。

综上所述，本发明方法基于机器学习的传动链故障预测算法有较好的经济效益，在国内故障诊断领域有较大的竞争力，潜力巨大，前景光明，有较强的经济可行性。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为基于机器学习的风电机组传动链故障识别方法流程示意图；

图2为滤波前后的信号对比图；

图3为滤波前后的信号频谱对比图；

图4为故障振动信号频域特征提取图；

图5为灰狼优化算法图；

图6为迭代收敛曲线图；

图7为7号风机齿轮箱中速级轴承内圈开裂图；

图8为各方法分析结果对比图。

具体实施方式

下面将参考附图并结合实施例来详细说明本发明。

实施例1

参照图1，一种基于机器学习的风电机组传动链故障诊断方法，包括以下步骤：

第一步，采集风机传动链振动信号，数据中包含齿轮箱中速级轴承开裂故障，齿轮箱中速级齿面断裂，主轴轴承开裂三类典型故障信号，首先对振动信号的数据进行预处理，利用Butterworth带通滤波对采集到的三类传动链故障信号进行数据预处理；

第二步，对预处理后的信号采用AR模型法分析，提取振动信号的时域特征，进一步的，所述第二步的具体步骤如下：

步骤1：采用9阶AR模型拟合y(t)，公式为：

其中y(t)为预处理后的故障信号，t是振动数据按时间采样个数

步骤2：求取AR模型，并将模型系数作为该通道信号的特征，构造对故障特征的时域特征向量F，表达式如下：

其中F

第三步，使用变分模态分解－希尔伯特黄变换，对故障振动信号进行频域特征提取，具体步骤如下：

步骤1：对y(t)进行变分模态分解，通过迭代搜索获取约束变分模型的最优解，自动获取固有模态函数的中心频率及带宽，用交替方向乘数法迭代更新参数，求解增广拉格朗日函数的鞍点，不断更新参数，满足给定的判定表达式则迭代终止，得出IMF分量个数；

步骤2：对变分模态分解出的IMF分量进行希尔伯特黄变换；

步骤3：利用变分模态分解－希尔伯特黄变换提取三类故障信号的频域特征，并且对提取到的频域特征进行信号平滑以及归一化处理；

本实施例中，以4台齿轮箱轴承内圈开裂振动数据为例，分析当K值选取不同值时，对振动信号分解效果的影响。最终通过分析得出，当K取不同值时，分解得到的IMF都是按照中心频率从低到高的规律进行排列的。当K＝4时，每台风机振动信号出现了两个中心频率接近的IMF分量，即产生了虚假分量，当K＝2时，存在有效成分丢失的现象，当K＝3时，既没有有效成分的丢失，也没出现模态混叠现象，故K值选为3。

确定分解个数K的取值后来讨论惩罚因子不同取值对VMD分解结果的影响，以齿轮箱轴承故障数据为例，分析不同α值的选取对分解效果的影响。从结果图中可以看出，α取200时，IMF分量带宽较大，产生了模态混叠现象；α取4000时，IMF分量带宽较小，不能覆盖整个频率范围，会丢失部分有效信息；α取2000时，IMF分量带宽适中，既不会产生模态混叠，又不会丢失信息，因此α为2000时为最优值。

第四步，构造联合多特征向量，然后利用核主元分析法对联合多特征向量进行融合降维处理，通过提取贡献率大于85％的主元，生成融合特征，具体步骤如下：

构造联合特征向量，将时、频特征向量依次首位相连，构造如下所示的联合特征向量：

f＝[F

第五步，重复进行第二步到第四步，提取各类运动想象所有样本信号的联合特征向量，构造联合特征矩阵；

第六步，对联合特征矩阵进行核主元分析，按照累计贡献率大于85％的原则选取主元个数，将样本数据向新的主元空间投影得到降维后的融合特征矩阵；

第七步，将融合特征作为训练数据输入到孪生支持向量机，并利用灰狼算法优化的孪生支持向量机进行参数寻优，完成分类器的训练；

本实施例中，灰狼算法(GWO)对孪生支持向量机(TWSVM)的参数进行优化，具体步骤为：

根据适应度函数来进行算法的迭代，本方法以灰狼优化孪生支持向量机中最重要的三个参数c1、c2和γ，最终利用5折交叉验证得到的故障特征识别正确率的线性加权值作为适应度值。

第八步，用三种典型故障数据通过预处理，特征提取，分类识别训练得到故障模型，最后将实测数据输入到分类器中，若输出的结果有模型中的三种故障特征，则诊断为异常机组，待检修人员登机内窥镜确认；若没有出现故障特征，则机组正常。

实施例2：

本实施例以实施例1的为基准，使用的数据来源于内蒙区域某风电场，风机型号为2MW北重风机，采集的数据包括主轴轴承、齿轮箱前后轴承、发电机前后轴承的振动数据，采样频率为25600Hz，采样间隔为10s。

步骤1：数据的获取。

本实例采集7号风机主轴轴承、齿轮箱前后端轴承，发电机前后端轴承数据10分钟。

步骤2：对数据进行预处理，挑选有效数据，对数据中的伪迹进行去除，并用巴特沃斯滤波器进行滤波，效果如图2-3，图2和图3中，下标表示不同的风机，图2是经过预处理后得到的时域图，可以从时域图中看出故障信号的冲击波；图3与图2是对应的，图2中每台风机故障数据的时域图，对应图3中的频域图。频域图主要是从频率角度判断数据的故障部位。

步骤3：预处理后的信号采用AR模型法分析，提取振动信号的时域特征，使用变分模态分解－希尔伯特黄变换，对故障振动信号进行频域特征提取，结果如图4所示，从图4中可以看出，通过特征提取后，故障冲击信号非常明显。

步骤4：故障分类，使用灰狼算法对孪生支持向量机的参数进行优化时应设定合适的适应度函数，并根据适应度函数来进行算法的迭代，灰狼算法如图5所示。以孪生支持向量机中最重要的三个参数c1、c2和γ作为优化的对象，将5折交叉验证得到的故障特征识别正确率的线性加权值作为适应度值。灰狼算法优化孪生支持向量机的参数设置及孪生支持向量机参数的范围如下表所示。

表1灰狼算法(GWO)参数设置

表2孪生支持向量机(TWSVM)参数设置

步骤5：为了验证故障特征分类优化器的效果，对七台不同风机的故障数据进行测试，迭代收敛曲线如图6所示，从图中可以看出，所有风机均在90次迭代内完成收敛，说明本方法选择的灰狼优化算法可以在较少的迭代次数内完成参数的选取，能够有效缩短模型的训练时间。

步骤6：分类结果显示，7号风机存在齿轮箱中速级轴承内圈开裂的故障。为了验证此诊断方法的有效性，现场人员登机进行内窥镜检查，检查验证了该方法的诊断结果，检查结果如图7所示，从图7可知，通过上述方法，最终检验出故障，验证了该方法的有效性。

为了验证本方法的有效性，将7号风机齿轮箱中速级轴承开裂数据分别用BP(BP神经网络)、ELM(极限学习)、LS-SVM(最小二乘支持向量机)、GS-TWSVM(网格搜索优化)和本文提出GWO-TWSVM

从图中可以看出，本方法对风机故障的识别准确率均高于其他算法，说明本方法对故障的诊断更加有效。

注：BP(BP神经网络)、ELM(极限学习)、LS-SVM(最小二乘支持向量机)、GS-TWSVM(网格搜索优化)是机器学习里边比较经典的算法，在python库里都有。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。