本发明公开了一种基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法。本发明主要包括以下两个模块：第一个模块是基于总体经验模态分解(EEMD)的振动信号处理和故障特征提取算法；第二个模块是支持向量机的训练模型方法及概率估计算法。本发明针对不同的传感器分别建立模型，分析时将所有分类器的结果加以整合，提高诊断的准确度。本发明以仿真信号为测试对象，给出了详细的算法描述，并通过实验验证了算法在齿轮箱复合故障诊断方面的有效性。
1.一种基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法,其特征在于：针对每一个传感器建立相应的支持向量机模型，模型的输出结果为在该模型下某样本点属于不同运行状态下相应的概率，对每一种运行状态，将所有模型的输出结果求平均，获得该样本点属于该运行状态的真实概率，具体为：步骤(1)，从齿轮箱监控数据库中提取不同工作状态下的振动信号作为样本；假设在齿轮箱上安装有M个传感器，按照传感器的顺序处理各传感器相应的样本，初始化m＝1，对第m个传感器，按下述步骤求其相应样本的故障特征；
步骤(2)对第m个传感器对应样本中的样本点x(t)进行EEMD分解，获得最终的本征模量和残余量；
步骤(3)计算各个本征模量和残余量的能量比和近似熵，构成第m个传感器对应样本的特征向量；
步骤(4)利用第m个传感器相应样本的特征向量构造最优决策函数对训练样本进行分类，分类决策函数为：f(x)＝sgn(wTx+b)
其中w和b分别为该分类决策函数的权重系数向量和偏差值，x为样本特征向量，这两个参数可以通过求解目标函数来确定，目标函数为：s.t.yi(wTx+b)-1+ξi≥0
其中Q表示第m个传感器中的样本个数，ξi为松弛变量，C为惩罚系数，yi为样本标签，此时构造的分类器记为SVMm；
表示第i种运行状态、第j种运行状态，f为样本点输入决策函数得到的值，A和B是通过最小化以下目标函数获得步骤(6)估计在该模型下样本点x(t)属于第i种运行状态的概率pi＝P(y＝i|x)，计算方法为最优化以下目标函数步骤(7)，对下一个传感器重复步骤(2)-步骤(6)，即令m加一，建立下一个支持向量机分类器；直至所有传感器分析完毕，表示故障诊断模型建立完成；
步骤(8)将测试样本输入模型进行故障诊断；具体的，当测试样本数据采集自多个不同传感器，则需要将样本中属于不同传感器的振动数据分离，并依次输入已经建立好的对应传感器的支持向量机模型，最后将所有模型的输出概率求平均，得到最终的结果。
2.根据权利要求1所述的基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法,其特征在于：步骤2)中EEMD分解过程如下：(2-1)初始化迭代次数N＝1，预定最大迭代次数为K；
(2-2)在x(t)中加入计算机随机生成的高斯白噪声w(t)作为新的x(t)，计算x(t)的上下包络平均值m1；
(2-3)计算x(t)与m1的差值h10,判断h10是否为本征模态函数，如果是，则令本征模量c1＝h10，并转入(2-5)，如果不是，则转入(2-4)；
(2-4)反复计算k次h1(k-1)-m1k＝h1k，直至h1k满足本征模态函数条件，令c1＝h1k，其中，m1k为h1(k-1)的上下包络平均值；
(2-5)从x(t)中分离c1，令r1＝x(t)-c1，将r1看作新的x(t)，不断重复(2-2)-(2-4)，每重复一次，就可以得到新的本征模量，即r1-c2＝r2,...,rn-1-cn＝rn，直到满足停止准则；
(2-6)记录本轮分解得到的本征模量和残余量，假设分离出q个本征模量，则令c1N＝c1,c2N＝c2,...,cqN＝cq,rqN＝rq，并将迭代次数N加1，若N小于预定最大迭代次数K，则转入(2-
2)，否则计算最终的本征模量和残余量，计算公式为 和
基于支持向量机概率估计的风电机组齿轮箱复合故障诊断
方法
技术领域
[0001] 本发明属于故障特征提取和故障诊断方法领域，尤其涉及一种基于支持向量机概率估计的针对风力发电机组齿轮箱的故障特征提取及故障诊断方法。
背景技术
[0002] 在过去的几年中，随着风电产业的迅猛发展，大量的风电机组不断被部署建造，风电单机容量也在不断增加，因风力发电机组故障而引起的事故时有发生，造成了巨大的经济损失，阻碍了风电产业的发展速度。齿轮箱位于风力发电机机舱内，是风力发电机传动动力的主要部件和连接主轴和发电机的重要枢纽，它的运行会受多种因素干扰，比如风速波动和负载的动态变化。同时，由于风电机组所处的环境一般比较恶劣，风速波动和负载变化剧烈且频繁，因此齿轮箱部件在长时间运行过程中极易老化损伤，产生各类故障。因此，研究一套可行的齿轮箱故障诊断方法对于风电机组的稳定运行具有重要意义。
[0003] 为了监测风机齿轮箱的运行状态，齿轮箱外部一般会安装若干个振动传感器，传感器将测得的振动信号传送至上位机，利用某种诊断方法对振动信号加以分析并推测此时齿轮箱的运行状态。随着风机齿轮箱振动数据的不断积累，若干个机器学习算法也被引入到齿轮箱故障诊断领域。支持向量机是在统计学习理论基础上提出的一种机器学习算法，适用于小样本情况下的故障诊断问题，广泛应用于机械故障领域。支持向量机算法的实质就是在已有齿轮箱振动数据的基础上建立分类模型，当新的样本数据来临时，将数据输入分类模型，从而判断机械的运行状态。然而，目前学者们提出的支持向量机仍然存在若干局限性：首先，现有的支持向量机算法的输出结果仅仅是类别标记，当支持向量机发生误判时，该输出结果就完全失效，无法提供更多的信息。其次，当前支持向量机算法解决的大多是单一故障问题，即样本发生的故障最多是一个，对复合故障诊断研究较少。最后，真实的齿轮箱故障信号具有非平稳、非线性等特点，现有方法在提取此类信号的特征时表现较差，影响支持向量机最终的诊断准确率。
[0004] 本发明针对现有方法的不足之处，提供了一套完整的基于支持向量机概率估计的故障诊断方法，算法主要包括以下两个模块：第一个模块是基于总体经验模态分解(EEMD)的振动信号处理和故障特征提取算法；第二个模块是支持向量机的训练模型方法及概率估计算法。该诊断方法的创新性主要体现在以下几个方面：利用总体经验模态分解擅长处理非线性、非平稳信号的特点，对存在复合故障的振动信号进行解耦，分离不同故障的特征。同时，提取故障特征时选取反映故障能量的能量比和反映故障混乱程度的近似熵，优化故障特征选取。此外，在训练支持向量机模型时，本方法针对不同的传感器分别建立模型，分析时将这些分类器的结果加以整合，提高诊断的准确度。
发明内容
[0005] 为了改进现有方法，本发明的目的在于提供一种能够解决齿轮箱复合故障诊断问题的方法，并且提高诊断的准确度。
[0006] 本发明的目的通过下述技术方案实现，包括以下步骤：
[0007] 步骤(1)，从齿轮箱监控数据库中提取不同工作状态下的振动信号作为样本。假设在齿轮箱上安装有M个传感器，按照传感器的顺序处理各传感器相应的样本，初始化m＝1，对第m个传感器，按下述步骤求其相应样本的故障特征。
[0008] 步骤(2)对样本中的样本点x(t)进行EEMD分解，EEMD分解过程如下：
[0009] (2-1)初始化迭代次数N＝1，预定最大迭代次数为K；
[0010] (2-2)在x(t)中加入计算机随机生成的高斯白噪声w(t)作为新的x(t)，计算x(t)的上下包络平均值m1；
[0011] (2-3)计算x(t)与m1的差值h10,判断h10是否为本征模态函数，如果是，则令本征模量c1＝h10，并转入(2-5)，如果不是，则转入(2-4)；
[0012] (2-4)反复计算k次h1(k-1)-m1k＝h1k，直至h1k满足本征模态函数条件，令c1＝h1k；其中，m1k为h1(k-1)的上下包络平均值；
[0013] (2-5)从x(t)中分离c1，令r1＝x(t)-c1，将r1看作新的x(t)，不断重复(2-2)-(2-4)，每重复一次，就可以得到新的本征模量，即r1-c2＝r2,...,rn-1-cn＝rn，直到满足停止准则；
[0014] (2-6)记录本轮分解得到的本征模量和残余量，假设分离出q个本征模量，则令c1N＝c1,c2N＝c2,...,cqN＝cq,rqN＝rq，并将迭代次数N加1，若N小于预定最大迭代次数K，则转入(2-2)，否则计算最终的本征模量和残余量，计算公式为 和
[0015] 步骤(3)计算各个本征模量和残余量的能量比和近似熵，构成第m个传感器对应样本的特征向量。
[0016] 步骤(4)利用第m个传感器相应样本的特征向量构造最优决策函数对训练样本进行分类，分类决策函数为：
[0017] f(x)＝sgn(wTx+b)
[0018] 其中w和b分别为该分类决策函数的权重系数向量和偏差值，x为样本特征向量，这两个参数可以通过求解目标函数来确定，目标函数为：
[0019]
[0020] s.t.yi(wTx+b)-1+ξi≥0
[0021] 其中Q表示第m个传感器中的样本个数，ξi为松弛变量，C为惩罚系数，yi为样本标签，此时构造的分类器记为SVMm。
[0022] 步骤(5)计算样本的类间概率 其中i、j表示第i种运行状态、第j种运行状态，f为样本点输入决策函数得到的值，A和B是通过最小化以下目标函数获得
[0023]
[0024] 步骤(6)估计在该模型下样本点x(t)属于第i种运行状态的概率pi＝P(y＝i|x)，计算方法为最优化以下目标函数
[0025]
[0026]
[0027] 步骤(7)，对下一个传感器重复步骤(2)-步骤(6)，即令m加一，建立下一个支持向量机分类器；直至所有传感器分析完毕，表示故障诊断模型建立完成；
[0028] 步骤(8)将测试样本输入模型进行故障诊断。具体的，当测试样本数据采集自多个不同传感器，则需要将样本中属于不同传感器的振动数据分离，并依次输入已经建立好的对应传感器的支持向量机模型，最后将所有模型的输出概率求平均，得到最终的结果。
[0029] 本发明与现有故障诊断方法相比，有益效果包括：本发明将EEMD算法引入齿轮箱振动信号的故障特征提取，契合齿轮箱振动信号时变、非线性、非平稳的特点，并且能有效解决复合故障互相耦合的现象；本发明提取的样本故障特征为能量比和近似熵，经实验证实具有较高的诊断率；本发明利用支持向量机输出样本归属于不同状态的概率，能够解决传统支持向量机模型发生误判时无法提供故障信息的缺点；本发明方法针对不同传感器分别建立相应诊断模型，诊断时再将各个诊断模型的结果加以整合，有效地提高了算法的灵活性和稳定性。
附图说明
[0030] 图1算法框架示意图；
[0031] 图2仿真样本点时域波形图；
[0032] 图3仿真样本点传感器1振动信号经EEMD算法处理后的本征模量和残量时域波形图。
具体实施方式
[0033] 下面结合附图对本发明的具体实施方法做进一步说明：
[0034] 图1为本发明的整体算法框架示意图，如图所示，假设样本信号采集自齿轮箱上的M个传感器，则样本x可根据传感器分解为x1,x2,...,xM，分别提取振动特征f1,f2,...,fM，并建立不同的支持向量机模型。当新的样本输入时，综合所有支持向量机模型的诊断结果得出最后的结论。
[0035] 为了验证本发明的有效性，通过Matlab构造出若干组仿真信号来模拟齿轮箱振动信号。仿真实验设定如下：传感器数目M＝2，可以用传感器1和传感器2，同时也表示需要训练两个支持向量机模型。图2为一个随机选取的仿真样本点时域波形图，可以看到它有两路信号，分别表示两个传感器测得的信号，x1为传感器1测的信号，x2为传感器2测的信号。故障类型设定为两种，用故障1和故障2表示。仿真样本按照各自状态可以分为四类：正常样本、故障1样本、故障2样本以及复合故障(故障1和故障2同时存在)样本。训练样本为正常样本、故障1样本和故障2样本三种，复合故障样本作为测试样本。经上述讨论可知，本发明提出的支持向量机模型由正常样本和单一故障样本训练生成，但可以用来诊断复合故障样本。
[0036] 执行的具体步骤如下：
[0037] 步骤(1)，利用Matlab生成若干正常样本、故障1样本和故障2样本作为训练样本。由于假定齿轮箱上安装有2个传感器，则所有样本点都存在两路传感器信号，按传感器的顺序处理各传感器相应的样本，初始化m＝1。
[0038] 步骤(2)对第m个传感器对应样本中的样本点x(t)进行EEMD分解，图3为某路传感器信号经EEMD分解得到的本征模量和余量时域波形图。EEMD具体分解过程如下：
[0039] (2-1)初始化迭代次数N＝1，预定最大迭代次数为K；
[0040] (2-2)在x(t)中加入计算机随机生成的高斯白噪声w(t)作为新的x(t)，计算x(t)的上下包络平均值m1；
[0041] (2-3)计算x(t)与m1的差值h10,判断h10是否为本征模态函数，如果是，则令本征模量c1＝h10，并转入(2-5)，如果不是，则转入(2-4)；
[0042] (2-4)反复计算k次h1(k-1)-m1k＝h1k，直至h1k满足本征模态函数条件，令c1＝h1k。其中，m1k为h1(k-1)的上下包络平均值；
[0043] (2-5)从x(t)中分离c1，令r1＝x(t)-c1，将r1看作新的x(t)，不断重复(2-2)-(2-4)，每重复一次，就可以得到新的本征模量，即r1-c2＝r2,...,rn-1-cn＝rn，直到满足停止准则；
[0044] (2-6)记录本轮分解得到的本征模量和残余量，假设分离出q个本征模量，则令c1N＝c1,c2N＝c2,...,cqN＝cq,rqN＝rq，并将迭代次数N加1，若N小于预定最大迭代次数K，则转入(2-2)，否则计算最终的本征模量和残余量，计算公式为 和
[0045] 步骤(3)计算各个本征模量和残余量的能量比和近似熵，构成第m个传感器对应样本的特征向量。
[0046] 步骤(4)利用第m样本类的特征向量构造最优决策函数对训练样本进行分类，分类决策函数为：
[0047] f(x)＝sgn(wTx+b)
[0048] 其中w和b分别为该分类决策函数的权重系数向量和偏差值，x为样本特征向量，这两个参数可以通过求解目标函数来确定，目标函数为：
[0049]
[0050] s.t.yi(wTx+b)-1+ξi≥0
[0051] 其中Q表示第m个传感器中的样本个数，ξi为松弛变量，C为惩罚系数，yi为样本标签，此时构造的分类器记为SVMm。。
[0052] 步骤(5)计算样本的类间概率 其中i、j表示第i种运行状态、第j种运行状态，f为样本点输入决策函数得到的值，A和B是通过最小化以下目标函数获得
[0053]
[0054] 步骤(6)估计在该模型下样本点x(t)属于第i种运行状态的概率pi＝P(y＝i|x)，计算方法为最优化以下目标函数
[0055]
[0056]
[0057] 步骤(7)，参数m值加1，对下一个传感器重复步骤(2)-步骤(6)，建立下一个支持向量机分类器；直至所有传感器分析完毕，表示故障诊断模型建立完毕。
[0058] 步骤(8)将复合故障样本输入模型进行故障诊断。具体的，将复合故障样本中采集自传感器1的振动信号输入SVM1，将复合故障样本中采集自传感器2的振动信号输入SVM2，分别得到概率估计，最后将所得的概率求平均，得到最后结论。
[0059] 表1为5个复合故障样本的诊断结果。从表中可以看到，无论是SVM1还是SVM2，都无法单独检测出复合故障样本同时具有两种故障，而将它们的概率估计综合后，就会发现故障1和故障2发生的概率较为接近，因而可以得出样本同时具有两种故障的结论，验证了本发明算法的有效性。
[0060] 表I若干复合故障样本诊断结果
[0061]
[0062] 应当理解的是，上述实施例为本发明较佳的实施例子，但本发明的实施方式并不受上述实施例的限制。对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
