一種基于人工智能算法的風(fēng)機齒輪箱故障診斷方法
【專利摘要】本發(fā)明公開了一種基于人工智能算法的風(fēng)機齒輪箱故障診斷方法。本發(fā)明通過研究風(fēng)機齒輪箱的結(jié)構(gòu)特點和故障類型，采用人工蜂群算法對LSSVM進(jìn)行參數(shù)優(yōu)化，并將之應(yīng)用到風(fēng)機齒輪箱故障診斷中。本發(fā)明方法采用的人工蜂群算法優(yōu)化LSSVM可以很好地完成風(fēng)機齒輪箱的故障診斷，識別率高，可靠性好。
【專利說明】一種基于人工智能算法的風(fēng)機齒輪箱故障診斷方法
【技術(shù)領(lǐng)域】:
[0001]本發(fā)明涉及的是一種基于人工智能算法的風(fēng)機齒輪箱故障診斷方法。
【背景技術(shù)】:
[0002]隨著技術(shù)的不斷成熟，風(fēng)力發(fā)電的成本逐步下降，使其經(jīng)濟效益不斷提高，目前已相當(dāng)接近于煤電的成本。不論是從交通安全問題，還是環(huán)境污染和能源危機問題考慮，風(fēng)力發(fā)電都比煤電具有優(yōu)勢。
[0003]隨著風(fēng)電技術(shù)的發(fā)展和風(fēng)機數(shù)量的增加，產(chǎn)生了一個新的產(chǎn)業(yè)，即故障診斷和分析。故障診斷系統(tǒng)可以改善風(fēng)電的效益，對于提高系統(tǒng)安全性和降低經(jīng)濟損失具有非常重要的現(xiàn)實意義(張震.基于小波神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的齒輪箱故障診斷研究[D].燕山大學(xué)，2010)。
[0004]近年來，隨著風(fēng)電機組的廣泛使用以及風(fēng)電設(shè)備結(jié)構(gòu)的逐步完善，故障問題也逐漸引起了人們的關(guān)注。風(fēng)電機組長期工作在惡劣的氣候條件下，容易發(fā)生故障，這些故障問題不僅會帶來經(jīng)濟損失，還會影響人們的日常生活。風(fēng)電機組一般安裝在戈壁灘、野外、荒郊和高山等風(fēng)口處，附近沒有遮擋物，受到溫差、風(fēng)力沖擊和負(fù)載變化等各種因素的影響，故障時有發(fā)生。齒輪箱安裝在距離地面幾十米甚至上百米的塔架上，空間狹小，常年在極端惡劣的環(huán)境中工作，非常容易發(fā)生故障，出現(xiàn)各種局部損傷，如:磨損、脫落和裂痕等。隨著齒輪箱的運行，各種局部損傷不斷加重，最終使其無法正常運行，維修起來非常不便(姜香菊，劉二林.小波神經(jīng)網(wǎng)絡(luò)對風(fēng)力發(fā)電機齒輪箱的故障診斷[J].自動化儀表，2012，33(4):9-12.)。齒輪箱是風(fēng)電機組的核心部分，根據(jù)國內(nèi)外的研究機構(gòu)和組織對風(fēng)力發(fā)電機組進(jìn)行的長期追蹤統(tǒng)計，齒輪箱的故障發(fā)生率在逐年增高，由其引起的風(fēng)機停機的概率大且停機時間長，造成很大的經(jīng)濟和發(fā)電量損失，影響風(fēng)電機組的正常運行(龍泉，劉永前，楊勇平.基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電機組齒輪箱故障診斷方法[J].太陽能學(xué)報，2012，33(1):120-125.)。據(jù)統(tǒng)計，齒輪箱的故障發(fā)生率已經(jīng)超過風(fēng)電機組總故障的60%，在機組的部件中故障發(fā)生率最高。(張青.風(fēng)力發(fā)電機齒輪箱振動監(jiān)測和故障診斷系統(tǒng)研究[D].華東理工大學(xué)，2013.)。只有及時的發(fā)現(xiàn)并處理故障，才能保證齒輪箱的安全有效運行。
[0005]到目前為止，包括電力、石化、冶金等在內(nèi)的國內(nèi)眾多行業(yè)均開始廣泛利用機械故障診斷理論，唯獨在風(fēng)電領(lǐng)域才剛處于研究起步階段，還沒有制定出一套行之有效的風(fēng)機齒輪箱故障診斷方法(張震.基于小波神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的齒輪箱故障診斷研究[D].燕山大學(xué)，2010.)。因此，研究更為精確的風(fēng)機齒輪箱故障診斷技術(shù)，及時發(fā)現(xiàn)并處理其故障，提高其運行的可靠性，對風(fēng)電機組的發(fā)展具有深遠(yuǎn)的意義。
[0006]風(fēng)機齒輪箱的結(jié)構(gòu)逐步復(fù)雜，要對其進(jìn)行故障診斷也將日趨困難。目前對于齒輪箱故障診斷的研究有很多，使用的診斷技術(shù)有統(tǒng)計過程控制、小波分析、決策樹法及神經(jīng)網(wǎng)絡(luò)等，這些方法均取得了一定成效。采用單一的方法得到的診斷精度較低，因此，目前研究的熱點為集成的智能診斷。文獻(xiàn)[姜香菊，劉二林.小波神經(jīng)網(wǎng)絡(luò)對風(fēng)力發(fā)電機齒輪箱的故障診斷[J].自動化儀表，2012，33(4):9-12.]采用小波神經(jīng)網(wǎng)絡(luò)，對齒輪箱的故障進(jìn)行診斷。文獻(xiàn)[龍泉，劉永前，楊勇平.基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電機組齒輪箱故障診斷方法[J].太陽能學(xué)報，2012，33 (I):120-125.]利用粒子群算法對BP網(wǎng)絡(luò)權(quán)值和偏置進(jìn)行優(yōu)化，使用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。然而，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷存在訓(xùn)練速度比較緩慢、局部最優(yōu)解問題等問題，而且神經(jīng)網(wǎng)絡(luò)適用于大樣本，當(dāng)樣本數(shù)量較少時，容易造成過學(xué)習(xí)。正常情況下，風(fēng)機齒輪箱發(fā)生故障的樣本數(shù)據(jù)較少，僅為幾十組，因此利用神經(jīng)網(wǎng)絡(luò)難以保證故障診斷的性能。

【發(fā)明內(nèi)容】
:
[0007]本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于人工智能算法的風(fēng)機齒輪箱故障診斷方法。
[0008]為了解決【背景技術(shù)】所存在的問題，本發(fā)明采用以下技術(shù)方案:
[0009]一種基于人工智能算法的風(fēng)機齒輪箱故障診斷方法，它包括以下步驟:
[0010]步驟一:分別采集齒輪箱在正常以及典型故障狀態(tài)下的振動數(shù)據(jù)作為樣本；
[0011]步驟二:對采集到的振動數(shù)據(jù)進(jìn)行歸一化；
[0012]步驟三:將原始數(shù)據(jù)集分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；
[0013]步驟四:對模型中用到的參數(shù)和適應(yīng)度函數(shù)進(jìn)行初始化；
[0014]步驟五:利用人工蜂群算法優(yōu)化LSSVM分類模型，通過訓(xùn)練數(shù)據(jù)集確定正則化參數(shù)C和核寬度σ的最優(yōu)值；
[0015]步驟六:生成風(fēng)機齒輪箱故障診斷模型；
[0016]步驟七:將測試數(shù)據(jù)集輸入到訓(xùn)練好的風(fēng)機齒輪箱故障診斷模型中，進(jìn)行故障診斷，輸出測試結(jié)果。
[0017]進(jìn)一步的，在步驟一中，分別采集正常、軸承內(nèi)圈故障、軸承外圈故障、齒面磨損和斷齒這5種不同狀態(tài)下的振動信號。
[0018]進(jìn)一步的，在步驟二中，對數(shù)據(jù)進(jìn)行歸一化的公式如下
【權(quán)利要求】
1.一種基于人工智能算法的風(fēng)機齒輪箱故障診斷方法，其特征在于，它包括以下步驟: 步驟一:分別采集齒輪箱在正常以及典型故障狀態(tài)下的振動數(shù)據(jù)作為樣本； 步驟二:對采集到的振動數(shù)據(jù)進(jìn)行歸一化； 步驟三:將原始數(shù)據(jù)集分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集； 步驟四:對模型中用到的參數(shù)和適應(yīng)度函數(shù)進(jìn)行初始化； 步驟五:利用人工蜂群算法優(yōu)化LSSVM分類模型，通過訓(xùn)練數(shù)據(jù)集確定正則化參數(shù)C和核寬度σ的最優(yōu)值； 步驟六:生成風(fēng)機齒輪箱故障診斷模型； 步驟七:將測試數(shù)據(jù)集輸入到訓(xùn)練好的風(fēng)機齒輪箱故障診斷模型中，進(jìn)行故障診斷，輸出測試結(jié)果。
2.根據(jù)權(quán)利要求1所述的一種基于人工智能算法的風(fēng)機齒輪箱故障診斷方法，其特征在于，在步驟一中，分別采集正常、軸承內(nèi)圈故障、軸承外圈故障、齒面磨損和斷齒這5種不同狀態(tài)下的振動信號。
3.根據(jù)權(quán)利要求1所述的一種基于人工智能算法的風(fēng)機齒輪箱故障診斷方法，其特征在于，在步驟二中，對數(shù)據(jù)進(jìn)行歸一化的公式如下
4.根據(jù)權(quán)利要求1所述的，其特征在于，在步驟三中，采用150組齒輪箱的振動信號作為樣本進(jìn)行實驗。其中80組樣本用于訓(xùn)練，70組樣本用于測試。
5.根據(jù)權(quán)利要求1所述的一種基于人工智能算法的風(fēng)機齒輪箱故障診斷方法，其特征在于，在步驟四初始化中包括下列步驟: (1)初始化種群及人工蜂群算法中的參數(shù): 人工蜂群算法的參數(shù)有:食物源的數(shù)量SN，采蜜蜂的數(shù)量，觀察蜂的數(shù)量，最大循環(huán)次數(shù)N，終止循環(huán)次數(shù)Nnrc ； (2)設(shè)置人工蜂群算法的適應(yīng)度函數(shù): 獲得更高的分類正確率是優(yōu)化LSSVM的主要目的，因此采用以下公式作為人工蜂群算法的適應(yīng)度函數(shù)
6.根據(jù)權(quán)利要求1所述的，其特征在于，在步驟五中，基于人工蜂群算法的LSSVM參數(shù)優(yōu)化包括步驟: (1)對人工蜂群算法進(jìn)行初始化設(shè)置，隨機產(chǎn)生一個含有Sn個食物源的初始種群，每個解xi (i=l, 2,...，n)都是一個二維的向量;(2)根據(jù)公式
7.根據(jù)權(quán)利要求1所述的，其特征在于，在步驟六中，LSSVM中參數(shù)分別為:C=9.984，ο =0.086。
【文檔編號】G01M13/02GK103808509SQ201410056641
【公開日】2014年5月21日 申請日期:2014年2月19日 優(yōu)先權(quán)日:2014年2月19日
【發(fā)明者】趙文清, 蔡蕊 申請人:華北電力大學(xué)（保定）