一种基于ICEEMDAN-MPE和SVM的风电机组齿轮箱故障诊断方法

一种基于iceemdan-mpe和svm的风电机组齿轮箱故障诊断方法
技术领域
1.本发明属于风电机组齿轮箱故障诊断技术领域，特别涉及一种改进的自适应噪声完备集成经验模态分解、多尺度排列熵和支持向量机相结合的风电机组齿轮箱故障诊断方法。


背景技术：

2.风电机组齿轮箱发生故障时会引发相应系统的异常振动，因此，基于振动信号的状态监测是风机故障监测的主要方式之一，基于振动的信号处理技术是齿轮箱故障诊断的主要工具。由于齿轮箱内部结构复杂，在运行过程中受多个行星齿轮同时啮合引起的复杂振动响应、复杂的调制效应以及多条振动传递路径的影响，采集到的齿轮箱故障振动信号是一个包含噪声的、非平稳和非线性的微弱故障信号，这将使相应的故障诊断更具挑战性。因此，很多基于非稳态信号的处理方法被成功地应用到齿轮箱故障诊断中，例如：短时傅里叶变换(short-time fourier transform ， stft) 、小 波 变 换 (wavelet transform，wt)、wigner-ville 变换、希尔伯特-黄变换(hilbert-huang transform，hht)、局部平均分解、经验小波变换等。相对而言，经验模态分解(empirical mode decomposition，emd)是一种自适应信号分解方法，是处理非线性振动信号的有力工具，但emd分解缺乏严格的数学基础，计算效率低，容易产生模态混叠和虚假分量。
3.旋转机械发生故障时，其内部动力学结构也就将发生变化。因此，可通过对表征系统动力学特性参数的分析实现故障特征提取。熵作为一种测量时间序列不确定性和无序性的统计指标，可通过考虑时间序列的非线性行为量化复杂性并检测动态变化，近年来被广泛应用于旋转机械的故障诊断，如：近似熵(approximate entropy，apen)、样本熵(sample entropy，sampen)、模糊熵(fuzzy entropy，fe)、排列熵(permutation entropy，pe)等。与apen、sampen和fe相比，pe具有相应更高的计算效率，并且在时间序列的非线性失真下具有鲁棒性。由于其对动态变化的敏感性，非常适合于旋转机械的故障诊断。然而，旋转机械的故障信息往往嵌入到多尺度结构中，pe只能分析单一尺度的振动信号，很多有用的信息会被忽略。


技术实现要素：

4.本发明为了缓解传统基于噪声辅助的emd改进方法的模态混叠和虚假分量，减少模态分量中的残差信号，同时增强特征的表征能力，进而提高故障诊断的准确率，提供了一种改进的自适应噪声完备集成经验模态分解(iceemdan)、多尺度排列熵和支持向量机相结合的风电机组齿轮箱故障诊断方法。
5.技术方案：本发明所述的一种风电机组齿轮箱故障诊断方法，包括如下步骤：1）采集不同故障状态下的齿轮箱振动信号，并对其进行预处理；2）对不同故障状态下的齿轮箱振动信号进行iceemdan分解，得到一系列不同频率
分布的imf分量；3）计算预设数量的imf分量的多尺度排列熵值作为故障特征，构建特征向量；4）将数据集分为训练集和测试集，训练集用来训练svm模型，用5折交叉验证优化svm参数；5）将测试集输入训练好的svm模型，统计故障模式识别结果。
6.所述步骤2）iceemdan分解包括以下步骤：1)计算信号i次集成的局部均值(0 《 i《 i)，得到第一个残差：2)计算第一个模态：3)计算信号i次集成的局部均值，得到第二个模态：4)对于k = 3,
ꢀ…ꢀ
k，计算第k个残差：5)计算第k个模态：6)回到第4步，计算下一个k的值。
7.其中，表示信号经emd分解得到的第k个分量，表示计算信号的局部均值，表示取平均，为服从n(0,1)分布的高斯白噪声。通过参数来选择附加噪声和附加噪声的残差之间所期望的信噪比。
8.所述步骤3）多尺度排列熵的计算包括以下步骤：1)对于给定的齿轮故障信号时间序列，将其划分为几个粗粒度时间序列：式中，s为尺度因子；n为原始序列长度； 示取整数。
9.2)计算每个粗粒度时间序列的排列熵，然后表示为尺度因子s的函数：式中，m为排列熵的嵌入维数，r为延迟时间。多尺度排列熵计算步骤流程如图4所示。
10.式中，m为pe的嵌入维数，r为延迟时间。mpe计算步骤流程如图2所示。
11.排列熵计算过程如下：排列熵计算过程如下：其中，表示每一排列的相对频率，表示m阶排列的个数。
12.所述步骤4）训练svm时，用5折交叉验证优化svm参数。
13.有益效果：1）本发明引入了改进的ceemdan(iceemdan) ，在分解的各阶段加入特殊的自适应白噪声，通过计算残差信号与局部均值的差值获得imfs，尽可能地避免了
‘
伪’模式的产生，获得噪声更小、更具物理意义的imfs。
14.2）本发明提出的多尺度排列熵来估计时间序列在多个尺度上的复杂性和随机性，能够提取到嵌入到多尺度结构中的丰富的齿轮故障特征。
附图说明
15.图1为本发明流程图；图2为本发明各种状态下的时域波形图；图3为本发明磨损故障iceemdan分解结果图；图4为本发明多尺度排列熵计算流程图；图5为本发明不同嵌入维数m下高斯白噪声和1/f噪声的mpe图；图6为本发明不同故障状态下的imf-mpe图。
具体实施方式
16.下面结合附图对本发明做进一步的说明，图1为本发明的流程图，具体包括以下步骤：1、采集不同故障状态下的齿轮箱振动信号，并对其进行预处理。
17.为验证本发明所提方法的有效性，采用江苏千鹏公司qpzz-ii旋转机械振动分析及故障诊断试验平台系统进行齿轮故障模拟试验。试验平台中的齿轮箱由模数为2、齿数为75的大齿轮和模数为2、齿数为55的小齿轮组成，加速度传感器安装在齿轮箱输出轴轴承负载侧。试验共采集了转速为880rpm、工况为1、2、3(负载电流分别为0.2a、0.1a、0.05a)下的6
种损伤状态数据，包括断齿、点蚀、磨损3种单点故障和断齿磨损、点蚀磨损2种混合故障以及正常状态，采样频率为5.12khz，每种工况和状态下采集53248个振动信号。本文采用工况1下6种状态的312组样本数据(每种状态52组样本，样本长度为1024)进行分析，其中80%用于训练，20%用于测试。各种状态下的齿轮故障信号时域波形如图2所示。
18.2、对不同故障状态下的齿轮箱振动信号进行iceemdan分解，得到一系列不同频率分布的imf分量。
19.iceemdan分解具体步骤为：1)计算信号i次集成的局部均值(0 《 i《 i)，得到第一个残差：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）2)计算第一个模态：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）3)计算信号i次集成的局部均值，得到第二个模态：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）4)对于k = 3,
ꢀ…ꢀ
k，计算第k个残差：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）5)计算第k个模态：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）6)回到第4步，计算下一个k的值。
20.其中，表示信号经emd分解得到的第k个分量，表示计算信号的局部均值，表示取平均，为服从n(0,1)分布的高斯白噪声。通过参数来选择附加噪声和附加噪声的残差之间所期望的信噪比。如图3所示为断齿状态下的iceemdan分解结果图。
21.3、计算预设数量的imfs的多尺度排列熵值作为故障特征，构建原始特征向量。由于不同样本分解之后的imfs可能数量不一且低频分量所含的故障信息极少，因此本文只对前5个分量进行分析。
22.排列熵计算过程如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）其中，表示每一排列的相对频率，表示m阶排列的个数。
23.多尺度排列熵计算步骤如下：1)对于给定的齿轮故障信号时间序列，将其划分为几
个粗粒度时间序列：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（8）式中，s为尺度因子；n为原始序列长度； 示取整数。
24.2)计算每个粗粒度时间序列的排列熵，然后表示为尺度因子s的函数：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（9）式中，m为排列熵的嵌入维数，r为延迟时间。多尺度排列熵计算步骤流程如图4所示。
25.在计算多尺度熵时，需要考虑时间尺度s，嵌入维数m和时延r三个参数。时间尺度s的选取没有统一的标准，一般选取大于10的某个数。为保持熵与粗粒序列长度[n/s]无关，本文选取s =16。bandt christoph 和pompe bernd建议嵌入维度的值范围从3-7是最好的, 因为如果m为1或2时，重构的时间序列包含的状态太少，失去了算法的意义和有效性，无法有效检测时间序列的动态突变。如果m太大，重构相空间的时间序列将被均匀化。此时，算法不仅耗时较长，而且无法有效反映时间序列的细微变化。鉴于时延r对时间序列计算的影响较小，本文设为1。
[0026]
为了研究嵌入维数对计算结果的影响，采用mpe对m=4，5，6下的高斯白噪声和1/f噪声进行了分析。结果如图5所示。由图5可以看出，当m=6时，随着尺度因子的增加，噪声的mpe值趋于同质化，无法反映序列的细微变化；当m=5时，随着尺度因子的增加，噪声的mpe变化趋势较为平缓，无法体现多尺度的优势；当m=4时，随着尺度因子的增加，噪声的mpe减小趋势明显且平滑，因此，本文设定m=4。
[0027]
如图6所示为每种状态在imf1、imf2内的mpe分布。由图6可知，每种故障状态在同一尺度下的imf-mpe值不尽相同；随着尺度的增加，不同故障状态下的imf-mpe呈现不同的变化趋势。由图6(b)可知，在尺度1-4内，各种故障状态下的imf-mpe分布相近，某些故障状态的imf-mpe重合，故障模式不易区分，这些imf-mpe对分类的贡献较小；在尺度4-16内，各种状态的imf-mpe值和分布规律相差较大，特征贡献率也相应较大。
[0028]
4、训练和测试svm模型，获得故障模式识别结果。
[0029]
将特征向量样本集分为训练集和测试集，其中，训练集占80%，测试集占20%，训练集用来训练svm模型，使用5折交叉验证优化参数。然后，将测试集输入到训练好的svm模型中，获得故障模式识别结果。
[0030]
本发明针对传统的模态分解方法无法有效分解非线性振动信号、单一尺度的pe无法全面表征非线性时间序列的动态变化等问题，提出了基于iceemdan和mpe相结合的齿轮箱故障特征提取方法：1)iceemdan分解能有效抑制模态混叠和伪分量的产生，提高分解性能和效率；2)mpe可以估计原始时间序列在一定尺度范围内的复杂度，能够有效提取振动信号中丰富的故障特征信息。

技术特征：
1.一种风电机组齿轮箱故障诊断方法，其特征在于，具体包括如下步骤：1）采集不同故障状态下的齿轮箱振动信号，并对其进行预处理；2）对不同故障状态下的齿轮箱振动信号进行iceemdan分解，得到一系列不同频率分布的imf分量；3）计算预设数量的imf分量的多尺度排列熵(multiscale permutation entropy, mpe)值作为故障特征，构建特征向量；4）将数据集分为训练集和测试集，训练集用来训练svm模型，用5折交叉验证优化svm参数；5）将测试集输入训练好的svm模型，统计故障模式识别结果。2.根据权利要求1所述风电机组齿轮箱故障诊断方法，其特征在于，所述步骤2）所采用的iceemdan能有效减少imfs的残差噪声、避免模态混叠和虚假分量的产生，分解性能好、效率高，非常适合于滚动轴承振动信号的处理。3.根据权利要求1所述风电机组齿轮箱故障诊断方法，其特征在于，所述步骤3）所采用的多尺度排列熵具有较高的计算效率，并且在时间序列的非线性畸变下具有鲁棒性；与排列熵相比，多尺度排列熵能估计时间序列在多个尺度上的复杂性和随机性，可以获得更加丰富的故障信息。4.根据权利要求1所述风电机组齿轮箱故障诊断方法，其特征在于，所述步骤4）将训练集输入svm时，用5折交叉验证优化svm参数。

技术总结
本发明公开了一种风电机组齿轮箱故障诊断方法，该方法根据风电机组齿轮箱振动信号特性，首先，通过改进的自适应噪声完备集成经验模态分解(Improved complete ensemble empirical mode decomposition with adaptive noise，ICEEMDAN)将振动信号分解为一系列不同频率分布的本征模态分量(Intrinsic mode functions，IMFs)；然后，计算IMFs多个尺度上的排列熵(Permutation entropy，PE)，并将其作为齿轮故障特征，构建特征向量；最后，将特征向量输入到支持向量机(Support vector machine，SVM)进行故障模式识别。本发明能够有效提取齿轮振动信号的故障特征，提高故障诊断的准确率。提高故障诊断的准确率。提高故障诊断的准确率。


技术研发人员：张宇华 丁晓峰 王育飞 薛花 于艾清
受保护的技术使用者：上海电力大学
技术研发日：2022.01.05
技术公布日：2023/7/22