一种基于机电信号融合的风机行星齿轮箱故障诊断方法

1.本发明涉及风电机组控制、监测与诊断领域，尤其是涉及一种风电机组行星齿轮箱故障诊断方法。


背景技术：

2.齿轮箱故障会导致最长的风机停运时间和高昂的常规维护费用，目前许多的风机都配备了基于振动信号的状态检测系统，但已经发现了风机检测系统的误报和漏报情况，风力机检测系统中一个常见问题是传感器故障，这可能导致错误的诊断结果。
3.通过有效利用从多个传感器中提取的故障相关特征来提高故障诊断的准确性和可靠性，已经开发了多种基于信息融合技术的方法，例如信号级、特征级或决策级融合。然而，仅融合不同传感器的信号会受振动监测技术缺点的限制，额外安装其他设备获取信号会导致额外的硬件成本。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述存在的问题，提出了本发明。
6.因此，本发明解决的技术问题是：传统的风机检测系统的误报和漏报，以及不同传感器的信号会受振动监测技术缺点的限制，额外安装其他设备获取信号会导致额外的硬件成本的问题。
7.为解决上述技术问题，本发明提供如下技术方案：一种基于机电信号融合的风机行星齿轮箱故障诊断方法，包括：
8.采集行星齿轮箱的振动信号和发电机的电流信号进行作为样本；
9.分析故障机理，提取合适的故障特征，将提取到的特征设定的比例分为训练集和测试集；
10.改进两个svm模型结构参数的设定，并设置一个不可训练组合器和一个可训练组合器；
11.设计并利用所述训练集训练所述两个svm模型和可训练组合器，利用训练完成后的所述两个svm模型和两个组合器，输出诊断结果。
12.作为本发明所述的基于机电信号融合的风机行星齿轮箱故障诊断方法的一种优选方案，其中：所述提取合适的故障特征过程包括：
13.从所述振动信号和电流信号中提取故障特征，分别所述分析振动信号和电流信号与齿轮箱故障间的关系，选取合适的故障特征。
14.作为本发明所述的基于机电信号融合的风机行星齿轮箱故障诊断方法的一种优选方案，其中：对所述振动信号进行调制，当齿轮出现故障时，会改变齿的刚度或改变其几
何参数，从而导致所述振动信号的变化。所述变化调制了所述振动信号v(t)，表示为下式：
[0015][0016]
其中m是啮合谐波数；t为时间；fm为第m齿啮合谐波频率；vm和θm分别为第m次啮合谐波的幅值和初始相位；am(t)和bm(t)分别为第m次啮合谐波的幅度和相位调制函数。
[0017]
作为本发明所述的基于机电信号融合的风机行星齿轮箱故障诊断方法的一种优选方案，其中：所述啮合谐波的幅度和相位调制函数，表示为：
[0018][0019][0020]
式中n是第n谐波，fi是第i个轴的旋转频率，i是齿轮箱的轴数；t为时间；a
mn
和b
mn
是幅度，α
mn
和β
mn
分别是第m啮合谐波的幅度和相位调制函数的第n谐波的初始相位。
[0021]
作为本发明所述的基于机电信号融合的风机行星齿轮箱故障诊断方法的一种优选方案，其中：所述振动信号的故障特征在时域和频域中提取。
[0022]
作为本发明所述的基于机电信号融合的风机行星齿轮箱故障诊断方法的一种优选方案，其中：所述时域的特征为峰度和波峰因数：
[0023]
峰度k是一个无量纲参数，定义为：
[0024][0025]
式中m4是第四个中心矩，σ4是信号的标准偏差，峰度表征信号的概率分布。当信号服从正态分布，其峰度应等于3，故障可能导致峰度增加。
[0026]
波峰因数c定义为：
[0027][0028]
其中|v
peak
|为信号的最大绝对值；v
rms
为信号的均方根值。
[0029]
作为本发明所述的基于机电信号融合的风机行星齿轮箱故障诊断方法的一种优选方案，其中：所述svm模型分别针对所述振动信号和电流信号，根据从所述振动信号和电流信号中提取的所述故障特征得到每种可能的故障类型的概率。
[0030]
作为本发明所述的基于机电信号融合的风机行星齿轮箱故障诊断方法的一种优选方案，其中：所述故障类型的概率信息融合过程包括：
[0031]
假设总共有k种可能的变速箱故障类型，并定义θ＝{fi|i＝1，2，
…
，k}，即所有可能故障类型的集合。每个二进制svm模型使用如下sigmoid函数输出其分类的两种故障类型之一的贝叶斯概率：
[0032]
[0033]
其中，μ
ij
指svm模型对故障类型fi和fj进行分类时故障类型fi的概率；x是svm模型输入特征的向量；g和h是svm模型的参数，通过最小化训练数据的负对数似然得到。
[0034]
输入特征属于k个故障类型中的每一个的概率pi通过基于pairwise求解优化问题来确定耦合原则，多分类svm模型的概率输出为下式的解：
[0035][0036]
式中μ
ji
指svm模型对故障类型fi和fj进行分类时故障类型fj的概率；p＝[p1,p2,...,pk]
t
；i指第i种故障类型，j指第j种故障类型，k(k＞2)为故障类型总数，i＝1、2、
…
、k，j＝1、2、
…
、k，且i≠j。
[0037]
作为本发明所述的基于机电信号融合的风机行星齿轮箱故障诊断方法的一种优选方案，其中：所述改进svm模型结构参数步骤包括：
[0038]
设定cso参数，对粒子群初始位置和速度混沌初始化；
[0039]
训练各粒子对应的诊断模型；
[0040]
计算适应度值；
[0041]
适应度全局最优值达标或达到最大迭代次数，则确定svm模型参数，若不达标则进行粒子竞争并更新粒子的速度与位置，再次执行训练各粒子对应的诊断模型步骤，直至确定svm模型参数。
[0042]
作为本发明所述的基于机电信号融合的风机行星齿轮箱故障诊断方法的一种优选方案，其中：所述训练各粒子对应的诊断模型过程包括：
[0043]
将第k次迭代的粒子群状态表示为：
[0044]
p(k)＝{x1(k),x2(k),...,xn(k)}
[0045]
其中，k指粒子群的迭代次数；x1、x2、...、xn指粒子群中的各个粒子，共n个粒子，n为正整数。
[0046]
计算出p(k)中所有粒子的适应度后，将群随机分成两个相等的组。随后将两组粒子进行两两竞争，适应度更好的粒子为胜者，直接进入p(k+1)。另一个粒子为败者，使其在胜者的基础上进行更新并转移到p(k)，败者的更新过程为：
[0047][0048]
x
p,l
(k+1)＝x
p,l
(k)+v
p,l
(k+1)
[0049]
式中：p、l是败者粒子，p、w是胜者粒子，x
p，w
(k)为胜者的位置，x
p，l
(k)为败者的位置，v
p，l
(k)为败者的速度；r
1(p，k
)、r
2(p，k)
、r
3(p，k)
为服从均匀分布[0，1]的随机系数；为粒子群的全局平均位置；为控制的参数。
[0050]
本发明的有益效果：本发明提供的基于机电信号融合的风机行星齿轮箱故障诊断方法，开发了一种非训练方法和一种可训练方法，用于对振动和电流信号进行决策级融合，以提高传统基于振动的风机齿轮箱故障诊断方法的准确性和可靠性，展示了不可训练的决策级融合方法相对于可训练的决策级融合方法和特征级融合方法的优势，用于解决基于深度学习的方法通常无法解决的数据有限的故障诊断问题。
附图说明
[0051]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0052]
图1为本发明一个实施例提供的一种基于机电信号融合的风机行星齿轮箱故障诊断方法的流程示意图；
[0053]
图2为本发明一个实施例提供的一种基于机电信号融合的风机行星齿轮箱故障诊断方法的改进两个svm模型结构参数的设定过程示意图；
[0054]
图3为本发明一个实施例提供的一种基于机电信号融合的风机行星齿轮箱故障诊断方法的不可训练组合器示意图；
[0055]
图4为本发明一个实施例提供的一种基于机电信号融合的风机行星齿轮箱故障诊断方法的可训练组合器示意图；
[0056]
图5为本发明一个实施例提供的一种基于机电信号融合的风机行星齿轮箱故障诊断方法所提出诊断模型网络流程示意图；
[0057]
图6为本发明一个实施例提供的一种基于机电信号融合的风机行星齿轮箱故障诊断方法的齿轮箱故障模拟实验平台结构示意图；
[0058]
图7为本发明一个实施例提供的一种基于机电信号融合的风机行星齿轮箱故障诊断方法的故障行星轮结构示意图；
[0059]
图8为本发明一个实施例提供的一种基于机电信号融合的风机行星齿轮箱故障诊断方法的行星齿轮箱各类故障下振动的时域示意图；
[0060]
图9为本发明一个实施例提供的一种基于机电信号融合的风机行星齿轮箱故障诊断方法的行星齿轮箱各类故障下振动的频域示意图；
[0061]
图10为本发明一个实施例提供的一种基于机电信号融合的风机行星齿轮箱故障诊断方法的行星齿轮箱各类故障下电流的时域示意图；
[0062]
图11为本发明一个实施例提供的一种基于机电信号融合的风机行星齿轮箱故障诊断方法的行星齿轮箱各类故障下电流的频域示意图；
[0063]
图12为本发明一个实施例提供的一种基于机电信号融合的风机行星齿轮箱故障诊断方法的训练过程中损失函数变化趋势示意图；
[0064]
图13为本发明一个实施例提供的一种基于机电信号融合的风机行星齿轮箱故障诊断方法的第1组实验测试集验证模型得到的混淆矩阵示意图；
[0065]
图14为本发明一个实施例提供的一种基于机电信号融合的风机行星齿轮箱故障诊断方法的对测试集分类效果的t-sne可视化结果示意图。
具体实施方式
[0066]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细地说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
[0067]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0068]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性地与其他实施例互相排斥的实施例。
[0069]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0070]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0071]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0072]
实施例1
[0073]
参照图1-5，为本发明的第一个实施例，本实施例提供了一种基于机电信号融合的风机行星齿轮箱故障诊断方法，包括：
[0074]
s1：采集行星齿轮箱的振动信号和发电机的电流信号进行作为样本；
[0075]
s2：分析故障机理，提取合适的故障特征，将提取到的特征设定的比例分为训练集和测试集；
[0076]
更进一步的，从振动信号和电流信号中提取故障特征，分别分析振动信号和电流信号与齿轮箱故障间的关系，选取合适的故障特征。
[0077]
更进一步的，对所述振动信号进行调制，当齿轮出现故障时，会改变齿的刚度或改变其几何参数，从而导致振动信号的变化。变化调制了振动信号v(t)，表示为下式：
[0078][0079]
其中m是啮合谐波数；t为时间；fm为第m齿啮合谐波频率；vm和θm分别为第m次啮合谐波的幅值和初始相位；am(t)和bm(t)分别为第m次啮合谐波的幅度和相位调制函数，表示如下：
[0080][0081][0082]
式中fi(i＝1，...，i)是第i个轴的旋转频率，i是齿轮箱的轴数；t为时间；a
mn
和b
mn
是幅度，α
mn
和β
mn
分别是第m啮合谐波的幅度和相位调制函数的第n谐波的初始相位。
[0083]
应说明的是，振动信号的故障特征在时域和频域中提取。本发明使用的时域特征为峰度和波峰因数。
[0084]
峰度k是一个无量纲参数，定义为：
[0085][0086]
式中m4是第四个中心矩，σ4是信号的标准偏差，峰度表征信号的概率分布。当信号服从正态分布，其峰度应等于3，故障可能导致峰度增加。
[0087]
波峰因数c定义为：
[0088][0089]
其中|v
peak
|为信号的最大绝对值；v
rms
为信号的均方根值。
[0090]
更进一步的波峰因数说明信号有多“尖峰”。波峰因数越高，信号越尖。除了峰度和波峰因子之外，还有许多其他时域特征，例如形状因子和间隙因子。变速箱的不健康状态通常可以通过振动信号的时域特征与健康状态进行区分。然而，只使用时域特征通常难以诊断齿轮箱的故障类型。为了实现准确的故障诊断，需要对振动信号进行频域分析。齿轮箱振动信号频谱中的主要成分是齿轮啮合频率及其由轴旋转频率调制引起的边带。通常，边带数量和幅度的增加可能表明故障情况。因此，振动信号频谱中每个齿轮啮合频率fm及其边带fm±fi
(i＝1，...，i)处的能量作为故障特征。
[0091]
针对电流信号中的故障特征，由于风力涡轮机传动系统中齿轮箱和发电机之间的机电耦合，发电机电流信号受到齿轮箱振动的调制。齿轮箱振动和发电机电流之间的关系从电机的转矩和电流关系推导出来。如果齿轮箱以频率fi振动，发电机定子电流信号将包含基频分量f及其频率为f
±fi
的边带，当故障发生时，其幅度会发生变化。因此，选择f
±fi
处的能量作为电流信号中的故障特征。此外，由于齿轮箱的退化会在电流信号中激发更多的噪声，因此nsr(噪声信号比)也可以作为电流信号的故障特征。
[0092]
更进一步的，训练集和测试集的比例为0.6：0.4。
[0093]
s3：改进两个svm模型结构参数的设定，并设置一个不可训练组合器和一个可训练组合器；
[0094]
更进一步的，两个svm模型分别针对振动信号和电流信号，根据从振动信号和电流信号中提取的故障特征得到每种可能的故障类型的概率。
[0095]
更进一步的，为了实现所提出的故障诊断方法的概率信息融合，假设总共有k(k》2)种可能的变速箱故障类型，并定义θ＝{fi|i＝1，2，
…
，k}，即所有可能故障类型的集合。本发明提出每个二进制svm模型使用如下sigmoid(神经网络的激活函数)函数输出其分类的两种故障类型之一的贝叶斯概率：
[0096][0097]
其中，μ
ij
指svm模型对故障类型fi和fj进行分类时故障类型fi的概率(fi∈θ，fj∈θ且fi≠fj)；x是svm模型输入特征的向量；g和h是svm模型的参数，通过最小化训练数据的负
对数似然得到。
[0098]
进一步地，输入特征属于k个故障类型中的每一个的概率pi(i＝1，...，k)通过基于pairwise(一种损失函数)求解优化问题来确定耦合原则，多分类svm模型的概率输出为下式的解：
[0099][0100]
式中μ
ji
指svm模型对故障类型fi和fj进行分类时故障类型fj的概率(fi∈θ，fj∈θ且fi≠fj)；p＝[p1,p2,...,pk]
t
；i指第i种故障类型，j指第j种故障类型，k(k＞2)为故障类型总数，i＝1、2、
…
、k，j＝1、2、
…
、k，且i≠j。
[0101]
更进一步的，改进两个svm模型结构参数的设定步骤包括：
[0102]
设定cso(竞争粒子群算法)参数，对粒子群初始位置和速度混沌初始化；
[0103]
训练各粒子对应的诊断模型；
[0104]
计算适应度值；
[0105]
适应度全局最优值达标或达到最大迭代次数，则确定svm模型参数，若不达标则进行粒子竞争并更新粒子的速度与位置，再次执行训练各粒子对应的诊断模型步骤，直至确定svm模型参数。
[0106]
应说明的是，cso旨在为寻求最优的参数组合，并降低人为因素对深度特征融合网络的影响。
[0107]
更进一步的，首先将第k次迭代的粒子群状态表示为：
[0108]
p(k)＝{x1(k),x2(k),...,xn(k)}
[0109]
其中，k指粒子群的迭代次数；x1、x2、...、xn指粒子群中的各个粒子，共n个粒子，n为正整数。
[0110]
计算出p(k)中所有粒子的适应度后，将群随机分成两个相等的组。随后将两组粒子进行两两竞争，适应度更好的粒子为胜者，直接进入p(k+1)。另一个粒子为败者，使其在胜者的基础上进行更新并转移到p(k)，败者的更新过程为：
[0111][0112]
x
p,l
(k+1)＝x
p,l
(k)+v
p,l
(k+1)
[0113]
式中：p、l是败者粒子，p、w是胜者粒子，x
p，w
(k)为胜者的位置，x
p，l
(k)为败者的位置，v
p，l
(k)为败者的速度；r
1(p，k
)、r
2(p，k)
、r
3(p，k)
为服从均匀分布[0，1]的随机系数；为粒子群的全局平均位置；为控制的参数。
[0114]
更进一步的，本发明所提出的svm模型分类器经过了cso(竞争粒子群算法)的优化，在训练过程中会不断优化自身的参数，以达到最佳的分类效果。
[0115]
更进一步的，设置一个可训练组合器和一个不可训练组合器。
[0116]
应说明的是，可训练组合器采用softmax(统一函数)回归方法来设计，不可训练组合器采用d-s证据理论设计。
[0117]
更进一步的，可训练组合器是将分类器的输出作为一种学习算法的输入特征，而不是使用固定的组合规则。与使用不可训练组合器的信息融合相比，该方法能够从训练数
据中提取更多信息。由于训练数据的大小有限，本发明设计了一个基于softmax回归方法的简单可训练组合器。所提出的可训练组合器的输入是两个分类器输出的组合，表示为：
[0118]
sj＝[p
振动
，p
电流
]
[0119]
其中p
振动
和p
电流
分别是振动和电流svm模型的概率输出；j表示第j个数据样本。
[0120]
给定输入sj，每个故障类型fi(fi∈θ)的softmax分数可以被计算得到：
[0121]
θ
(i)t
sj(i＝1，...，k)
[0122]
其中θ(i)是softmax组合器的参数的向量。
[0123]
一旦获得每种故障类型的softmax分数，sj属于每种故障类型fi的概率qi(sj)(i＝1，...，k)根据如下公式计算：
[0124][0125]
其中qi(sj)为sj属于每种故障类型fi的概率；θ＝[θ
(1)
，...，θ
(k)
]为组合器的参数矩阵，由训练确定。训练组合器的目标是调整θ的值，以最小化组合器的输出与从训练数据集中获得的不同故障类型的真实概率分布之间的差异。具体而言，θ的值由最小化以下成本函数的训练确定：
[0126][0127]
其中上标j表示第j个训练样本；n是训练样本的总数；k为故障类型总数；而1{y
(j)
＝i是“指标函数”，当y
(j)
＝i为真时等于1，否则等于0。由于最小化问题无法通过分析解决，因此使用如下的梯度下降算法来找到使上述的成本函数j(θ)最小化的θ的最优值：
[0128][0129]
其中θn和θ
n+1
是第n次和第(n+1)次迭代中θ的值；γ是学习率；是j(θn)的梯度；当达到最大迭代次数或梯度小于预定值时，训练停止。
[0130]
更进一步的，不可训练组合器是使用固定的组合规则，例如多数投票，来融合来自不同分类器的信息，并且通常假设所有分类器在确定最终结果时的权重都是相等的。缺乏灵活性是不可训练组合器的主要限制，但是它需要的训练数据更少。本发明使用d-s证据理论来设计不可训练的组合器；令m
振动
(fi)和m
电流
(fi)分别是从振动svm模型和电流svm模型获得的故障类型fi(fi∈θ)的bpa(基本概率分配)。然后，通过使用d-s组合规则融合振动和电流svm模型的bpa输出，获得不可训练组合器的故障类型fi的bpa输出m(fi)，如下所示：
[0131][0132]
其中表示正交和，m
振动
(fi)和m
电流
(fi)分别是从振动svm模型和电流svm模型获得的故障类型的bpa。
[0133]
融合振动和电流svm模型的概率输出后，得到所有可能故障类型的最终bpa；最终诊断结果为bpa最高的故障类型，即max(m(fi))，有时故障诊断可能会失败，为了
指示这种情况，错误故障诊断的概率pu定义如下：
[0134]
pu＝1-max(m(fi)),i＝1,2,...,k
[0135]
其中，max(m(fi))表示为最终诊断结果为bpa最高的故障类型，fi(i＝1，2，3，...，k)为第i种故障类型的概率，k为故障类型总数。
[0136]
如果pu大于0.5，表示故障诊断可能会失败，并且诊断结果将设置为不可用(n/a)。
[0137]
s4：设计并利用训练集训练两个svm模型和可训练组合器，利用训练完成后的两个svm模型和两个组合器，输出诊断结果。
[0138]
更进一步的，诊断过程包括：分别从齿轮箱上的传感器和发电机中提取振动信号和电流信号；分析故障机理，提取合适的故障特征；分别将振动信号和电流信号中的故障特征输入到诊断svm模型和电流svm模型中，分别得到每种故障的可能性；再将两类svm模型输出的结果输入到两个组合器中进行决策级融合；识别其中故障概率最大的故障类型，即为模型的诊断结果
[0139]
实施例2
[0140]
参照图6-14，为本发明的第二个实施例。
[0141]
如图6所示，本实施例首先建立了一个风机模拟平台。测试行星齿轮安装在变速箱齿轮箱内，加速度计安装在齿轮箱壳体上以测量振动信号。电流信号直接从发电机机柜中提取。提取的基本特征频率如表1所示：
[0142]
表1齿轮箱和电机的特征频率
[0143][0144][0145]
需要特征提取的一些参数如下：a)振动信号：波峰因数；峰度；f3，2f3，3f3，f
m1
±
f1以及f
m1
±
f2处的能量。b)电流信号：nsr；f
±
f3，f
±
f2处的能量。
[0146]
故障行星齿轮如图7所示，从左往右依次为点蚀、磨损、断齿故障。行星齿轮的健康状况包括：正常、磨损、点蚀以及断齿状况，采集的振动信号时域和频域信息如图8、图9所示，电流信号信息如图10、图11所示。
[0147]
图8、图9中，展示了振动信号的功率谱密度(psd).在齿轮健康时，由于传动是平滑的，只有啮合频率f
m1
和输出轴旋转频率f3较为明显。在点蚀的故障下，f
m1
和f3处的能量有所增加。此外，边带f
m1
+f1和f3的第二和第三谐波变得更加明显。齿轮磨损故障下，f
m1
的能量高于齿轮健康情况时的f
m1
，边带f
m1
+f1以及谐波2f3更加明显。对于齿轮断齿的情况，除了f3和2f3的处能量增加外，与健康情况相比，f
m1-f2和一些未知频率成分被激发。总的来说，齿轮故障会引起额外的振动或改变现有振动的振幅。
[0148]
图10、图11中显示了电流信号的psd。在齿轮点蚀和齿轮磨损的情况下，f
±
f3分量较为明显，并且f-f3的振幅有所增加，f-f2分量在齿轮磨损的情况下也被激发。在四种情况
中，一个表示为fu的频率分量非常明显，但与任何齿轮箱故障都没有直接关系。同样，不同齿轮故障类型之间的差异没有明确的模式。所以故障类型不能直接从振动或电流信号的psd频谱中确定。
[0149]
因此通过结合振动信号和电流信号的诊断结果进行决策级融合，从而得到更为准确的故障诊断结果。
[0150]
1)利用风机齿轮箱模拟平台采集数据，数据采集系统分别从安装在发电机定子和齿轮箱上的传感器获取电流信号和振动信号，采样频率为6khz，持续100秒。
[0151]
2)按照提出的分析过程，计算得到所需的故障特征，获取了40个齿轮箱振动故障特征信号和电流故障特征信号数据集。
[0152]
3)将数据集随机按0.6：0.4的比例分为训练集和测试集，在40个数据集中，28个用于训练两个多类svm模型和可训练组合器，其余12个用于测试所提出的方法。
[0153]
4)将训练集样本输入到诊断模型中，开始第一轮次训练，直至所有轮次迭代完毕。训练完成，使用测试集评估模型最终训练效果。
[0154]
为了排除实验的随机性，本实施例分别进行了10组实验，针对不可训练组合器测试集平均精度为96.63％，针对可训练组合器测试集平均精度为98.54％，表明本发明所提出的诊断模型对于小样本集和大样本集都有较高的诊断准确率；并对第一组实验训练过程中损失函数变化趋势如图12所示，迭代到250次以后损失函数趋于稳定，且损失趋近于0，说明模型所需的训练时间较短，且模型的损失较低；对第一组实验结果绘制混淆矩阵如图13所示，对于四种齿轮箱情况都可以较为准确地进行分类；对第一组实验测试集分类结果进行t-sne可视化如图14所示，在可视化的条件下，可以对四种齿轮状况进行较好的聚类。
[0155]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种基于机电信号融合的风机行星齿轮箱故障诊断方法，其特征在于，包括：采集行星齿轮箱的振动信号和发电机的电流信号进行作为样本；分析故障机理，提取合适的故障特征，将提取到的特征设定的比例分为训练集和测试集；改进两个svm模型结构参数的设定，并设置一个不可训练组合器和一个可训练组合器；设计并利用所述训练集训练所述两个svm模型和可训练组合器，利用训练完成后的所述两个svm模型和两个组合器，输出诊断结果。2.根据权利要求1所述的基于机电信号融合的风机行星齿轮箱故障诊断方法，其特征在于：所述提取合适的故障特征过程包括：从所述振动信号和电流信号中提取故障特征，分别分析所述振动信号和电流信号与齿轮箱故障间的关系，选取合适的故障特征。3.根据权利要求2所述的基于机电信号融合的风机行星齿轮箱故障诊断方法，其特征在于：对所述振动信号进行调制：当齿轮出现故障时，会改变齿的刚度或改变其几何参数，从而导致所述振动信号的变化，所述变化调制了所述振动信号v(t)，表示为下式：其中m是啮合谐波数；t为时间；f
m
为第m齿啮合谐波频率；v
m
和θ
m
分别为第m次啮合谐波的幅值和初始相位；a
m
(t)和b
m
(t)分别为第m次啮合谐波的幅度和相位调制函数。4.根据权利要求3所述的基于机电信号融合的风机行星齿轮箱故障诊断方法，其特征在于：所述啮合谐波的幅度和相位调制函数，表示为：在于：所述啮合谐波的幅度和相位调制函数，表示为：式中n是第n谐波，f
i
是第i个轴的旋转频率，i是齿轮箱的轴数；t为时间；a
mn
和b
mn
是幅度，α
mn
和β
mn
分别是第m啮合谐波的幅度和相位调制函数的第n谐波的初始相位。5.根据权利要求2所述的基于机电信号融合的风机行星齿轮箱故障诊断方法，其特征在于：所述振动信号的故障特征在时域和频域中提取。6.根据权利要求5所述的基于机电信号融合的风机行星齿轮箱故障诊断方法，其特征在于：所述时域的特征为峰度和波峰因数：峰度k是一个无量纲参数，定义为：式中m4是第四个中心矩，σ4是信号的标准偏差，峰度表征信号的概率分布，当信号服从正态分布，其峰度应等于3，故障可能导致峰度增加；波峰因数c定义为：其中|v
peak
|为信号的最大绝对值；v
rms
为信号的均方根值。7.根据权利要求1所述的基于机电信号融合的风机行星齿轮箱故障诊断方法，其特征在于：所述svm模型分别针对所述振动信号和电流信号，根据从所述振动信号和电流信号中
提取的所述故障特征得到每种可能的故障类型的概率。8.根据权利要求7所述的基于机电信号融合的风机行星齿轮箱故障诊断方法，其特征在于：所述故障类型的概率信息融合过程包括：假设总共有k种可能的变速箱故障类型，并定义θ＝{fi|i＝1，2，
…
，k}，即所有可能故障类型的集合，每个二进制svm模型使用如下sigmoid函数输出其分类的两种故障类型之一的贝叶斯概率：其中，μ
ij
指svm模型对故障类型f
i
和f
j
进行分类时故障类型f
i
的概率；x是svm模型输入特征的向量；g和h是svm模型的参数，通过最小化训练数据的负对数似然得到；输入特征属于k个故障类型中的每一个的概率p
i
通过基于pairwise求解优化问题来确定耦合原则，多分类svm模型的概率输出为下式的解：式中μ
ji
指svm模型对故障类型f
i
和f
j
进行分类时故障类型f
j
的概率；p＝[p1,p2,...,p
k
]
t
；i指第i种故障类型，j指第j种故障类型，k为故障类型总数，i＝1、2、
…
、k，j＝1、2、
…
、k，且i≠j。9.根据权利要求1所述的基于机电信号融合的风机行星齿轮箱故障诊断方法，其特征在于：所述改进svm模型结构参数步骤包括：设定cso参数，对粒子群初始位置和速度混沌初始化；训练各粒子对应的诊断模型，计算适应度值；适应度全局最优值达标或达到最大迭代次数，则确定所述svm模型参数，若不达标则进行粒子竞争并更新粒子的速度与位置，再次执行所述训练各粒子对应的诊断模型步骤，直至确定所述svm模型参数。10.根据权利要求9所述的基于机电信号融合的风机行星齿轮箱故障诊断方法，其特征在于：所述训练各粒子对应的诊断模型过程包括：将第k次迭代的粒子群状态表示为：p(k)＝{x1(k),x2(k),...,x
n
(k)}其中，k指粒子群的迭代次数；x1、x2、...、x
n
指粒子群中的各个粒子，共n个粒子，n为正整数；计算出p(k)中所有粒子的适应度后，将群随机分成两个相等的组；将两组粒子进行两两竞争，适应度更好的粒子为胜者，直接进入p(k+1)，另一个粒子为败者，使其在胜者的基础上进行更新并转移到p(k)，败者的更新过程为：x
p,l
(k+1)＝x
p,l
(k)+v
p,l
(k+1)式中：p、l是败者粒子，p、w是胜者粒子，x
p，w
(k)为胜者的位置，x
p，l
(k)为败者的位置，v
p，l
(k)为败者的速度；r
1(p，k
)、r
2(p，k)
、r
3(p，k)
为服从均匀分布[0，1]的随机系数；为粒
子群的全局平均位置；为控制的参数。

技术总结
本发明公开了一种基于机电信号融合的风机行星齿轮箱故障诊断方法包括：采集行星齿轮箱的振动信号和发电机的电流信号进行作为样本；分析故障机理，提取合适的故障特征，将提取到的特征设定的比例分为训练集和测试集；改进两个SVM模型结构参数的设定，并设置一个不可训练组合器和一个可训练组合器；设计并利用训练集训练所述两个SVM模型和可训练组合器，利用训练完成后的两个SVM模型和两个组合器，输出诊断结果。本发明提供的基于机电信号融合的风机行星齿轮箱故障诊断方法，开发了一种非训练方法和一种可训练方法，用于对振动和电流信号进行决策级融合，以提高传统基于振动的风机齿轮箱故障诊断方法的准确性和可靠性。齿轮箱故障诊断方法的准确性和可靠性。齿轮箱故障诊断方法的准确性和可靠性。


技术研发人员：赵耀 宋子瑜 李东东 盛天明 周静欣 林顺富
受保护的技术使用者：上海电力大学
技术研发日：2023.04.17
技术公布日：2023/7/21