一种基于ISVMD-IPOA-IBLS的风电机组齿轮箱轴承故障诊断方法与流程

摘要: 本发明涉及一种基于isvmd-ipoa-ibls的风电机组齿轮箱轴承故障诊断方法,属于风电机组故障诊断。背景技术:1、风电作为清洁可再生能源实现了规模化快速发展...
一种基于ISVMD-IPOA-IBLS的风电机组齿轮箱轴承故障诊断方法与流程

本发明涉及一种基于isvmd-ipoa-ibls的风电机组齿轮箱轴承故障诊断方法,属于风电机组故障诊断。

背景技术:

1、风电作为清洁可再生能源实现了规模化快速发展。风电机组通常安装在偏远陆地、近海等恶劣环境中,长期受变风速、强冲击载荷作用,其核心传动部件齿轮箱极易发生故障。统计数据显示,齿轮箱故障占风电机组总故障的14%以上,其中轴承与齿轮故障占齿轮箱总故障的80%,且齿轮箱故障会导致机组长时间停机,运维成本占风电机组全生命周期总成本的25%至30%。因此,实现风电机组齿轮箱轴承故障的精准、高效诊断,对降低风电场运维成本、提升机组运行可靠性具有重要意义。

2、目前,基于振动信号的故障诊断是风电机组齿轮箱轴承故障诊断的主流技术路线,主要包括信号降噪、特征提取、模式识别三个核心环节。在实际工程应用中,现场采集的轴承振动信号往往受电机、电磁干扰、环境噪声等强背景噪声污染,导致故障特征被淹没,传统的低通滤波、小波分解等降噪方法难以实现非平稳振动信号的有效降噪,易造成故障特征丢失。连续变分模态分解(successive variational mode decomposition,svmd)作为新型模态分解方法,无需预设模态数量,在非平稳信号处理中具有优势,但其平衡参数需人工设置,参数选择不当会直接影响分解效果与降噪性能。

3、在模式识别环节,宽度学习系统(broad learning system,bls)作为一种新型平面神经网络,相较于深度学习模型具有训练速度快、增量学习能力强的优势,在故障诊断领域得到了初步应用。但标准bls的输入层权重与偏置采用随机赋值方式,易导致模型稳定性差、分类精度波动大;同时bls的特征节点数量、增强节点数量、正则化系数等关键超参数依赖人工经验设置,针对不同工况的故障数据难以实现参数自适应优化,限制了其在风电机组齿轮箱轴承故障诊断中的工程应用。

4、鹈鹕优化算法(pelican optimization algorithm,poa)作为新型元启发式算法,在超参数优化中具有一定优势,但标准poa存在初始种群分布不均、易陷入局部最优、收敛速度慢的问题,难以实现bls超参数的高效、高精度寻优。

5、综上,现有技术在风电机组齿轮箱轴承故障诊断中,普遍存在强噪声下故障特征提取难、诊断模型参数依赖人工设置、变工况下分类精度低、泛化能力差的问题。

技术实现思路

1、本发明的目的在于提供一种基于isvmd-ipoa-ibls的风电机组齿轮箱轴承故障诊断方法,能够解决现有技术中强噪声干扰下故障诊断精度低、模型参数依赖人工设置的问题,实现风电机组齿轮箱轴承故障的高精度、智能化诊断。

2、为达到上述目的,本发明提供如下技术方案:

3、第一方面,本发明提供一种基于isvmd-ipoa-ibls的风电机组齿轮箱轴承故障诊断方法,包括:

4、获取齿轮箱轴承在不同运行状态下的原始振动信号;

5、利用改进连续变分模态分解对原始振动信号进行自适应降噪处理,以信号总能量绝对误差与信号均方根误差的乘积最小为目标,自适应寻优连续变分模态分解的平衡参数,利用最优平衡参数对原始振动信号进行分解,筛选有效本征模态函数分量进行重构,得到降噪后的振动信号;

6、对降噪后的振动信号提取时域特征、频域特征和谱峭度特征,构建多维度故障特征集,对故障特征集进行归一化处理并划分为训练集和测试集;

7、利用径向基函数神经网络优化宽度学习系统的输入层的权重和偏置,构建改进宽度学习系统基础分类模型;

8、利用改进鹈鹕优化算法对改进宽度学习系统的关键超参数进行全局寻优,以改进宽度学习系统在训练集上的分类准确率为适应度函数,获取最优超参数组合,构建改进鹈鹕优化算法-改进宽度学习系统故障诊断模型;其中,改进鹈鹕优化算法采用肯特混沌映射初始化种群,融合正弦余弦算法改进标准鹈鹕优化算法的位置更新策略;

9、利用训练集对改进鹈鹕优化算法-改进宽度学习系统故障诊断模型进行训练,通过测试集验证模型分类性能,得到训练完成的改进鹈鹕优化算法-改进宽度学习系统故障诊断模型;

10、将待诊断的齿轮箱轴承的振动信号输入至训练完成的改进鹈鹕优化算法-改进宽度学习系统故障诊断模型,得到轴承故障诊断结果。

11、结合第一方面,进一步的,齿轮箱轴承的运行状态包括正常状态、内圈故障状态、外圈故障状态、滚动体故障状态和保持架故障状态;轴承故障诊断结果包括故障类型及其对应的置信度,故障类型包括内圈故障、外圈故障、滚动体故障和保持架故障。

12、结合第一方面,进一步的,以信号总能量绝对误差与信号均方根误差的乘积最小为目标标构建的目标函数为:

13、;

14、其中,表示原始振动信号的总能量与各本征模态函数分量的总能量的绝对误差,表示原始振动信号与各本征模态函数分量重构后的信号的均方根误差,表示原始振动信号的总能量,表示各本征模态函数分量的总能量,表示原始振动信号的第个采样点,表示第个本征模态函数分量的第个采样点,表示本征模态函数分量总数,表示采样点总数。

15、结合第一方面,进一步的,有效本征模态函数分量是与原始振动信号的皮尔逊相关系数大于系数阈值的本征模态函数分量。

16、结合第一方面,进一步的,时域特征包括最大值、最小值、平均值、峰峰值、均方根值、方差、标准差、峭度、偏度、脉冲因子、裕度因子、波形指标、整流平均值、方根幅值、中位数和峰值因子;频域特征包括重心频率、均方频率、均方根频率、频率方差和频率标准差;谱峭度特征包括谱峭度均值、谱峭度标准差、谱峭度偏度、谱峭度峭度和谱峭度方根幅值;训练集和测试集的划分比例为8:2。

17、结合第一方面,进一步的,利用径向基函数神经网络优化宽度学习系统的输入层的权重和偏置包括:

18、通过k-means聚类算法确定径向基函数神经网络的中心向量,通过k邻近算法确定径向基函数神经网络的宽度;

19、利用径向基函数神经网络的中心向量代替宽度学习系统的输入层的权重,利用径向基函数神经网络的宽度代替宽度学习系统的输入层的偏置。

20、结合第一方面,进一步的,改进宽度学习系统的关键超参数包括特征层数量、每组特征节点的神经元数量、增强节点数量和正则化系数。

21、结合第一方面,进一步的,肯特混沌映射的表达式为:

22、;

23、其中,、分别表示第、次迭代的映射值,表示控制参数;

24、融合正弦余弦算法改进标准鹈鹕优化算法的位置更新策略时,引入非线性正弦学习因子对位置更新的步长进行动态调节;

25、非线性正弦学习因子的表达式为:

26、;

27、其中,表示非线性正弦学习因子,表示最大迭代次数。

28、结合第一方面,进一步的,模型分类性能的评价指标包括分类准确率、精度、召回率和f1值。

29、第二方面,本发明提供一种基于isvmd-ipoa-ibls的风电机组齿轮箱轴承故障诊断系统,包括:

30、信号采集模块,用于获取齿轮箱轴承在不同运行状态下的原始振动信号;

31、信号降噪模块,用于利用改进连续变分模态分解对原始振动信号进行自适应降噪处理,以信号总能量绝对误差与信号均方根误差的乘积最小为目标,自适应寻优连续变分模态分解的平衡参数,利用最优平衡参数对原始振动信号进行分解,筛选有效本征模态函数分量进行重构,得到降噪后的振动信号;

32、特征提取模块,用于对降噪后的振动信号提取时域特征、频域特征和谱峭度特征,构建多维度故障特征集,对故障特征集进行归一化处理并划分为训练集和测试集;

33、模型构建模块,用于利用径向基函数神经网络优化宽度学习系统的输入层的权重和偏置,构建改进宽度学习系统基础分类模型;以及用于利用改进鹈鹕优化算法对改进宽度学习系统的关键超参数进行全局寻优,以改进宽度学习系统在训练集上的分类准确率为适应度函数,获取最优超参数组合,构建改进鹈鹕优化算法-改进宽度学习系统故障诊断模型;其中,改进鹈鹕优化算法采用肯特混沌映射初始化种群,融合正弦余弦算法改进标准鹈鹕优化算法的位置更新策略;

34、模型训练模块,用于利用训练集对改进鹈鹕优化算法-改进宽度学习系统故障诊断模型进行训练,通过测试集验证模型分类性能,得到训练完成的改进鹈鹕优化算法-改进宽度学习系统故障诊断模型;

35、故障诊断模块,用于将待诊断的齿轮箱轴承的振动信号输入至训练完成的改进鹈鹕优化算法-改进宽度学习系统故障诊断模型,得到轴承故障诊断结果。

36、第三方面,本发明提供一种计算机设备,包括:

37、存储介质:用于存储计算机程序;

38、处理器:用于执行所述计算机程序以实现第一方面所述基于isvmd-ipoa-ibls的风电机组齿轮箱轴承故障诊断方法。

39、第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现第一方面所述基于isvmd-ipoa-ibls的风电机组齿轮箱轴承故障诊断方法。

40、第五方面,本发明提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面所述基于isvmd-ipoa-ibls的风电机组齿轮箱轴承故障诊断方法。

41、与现有技术相比,本发明的有益效果是:

42、本发明提供的基于isvmd-ipoa-ibls的风电机组齿轮箱轴承故障诊断方法,以信号总能量绝对误差与信号均方根误差的乘积最小为优化目标,自适应寻优连续变分模态分解的平衡参数,避免了人工设置参数的主观性,有效解决了传统模态分解方法在强噪声下故障特征易丢失的问题,提升了振动信号的信噪比,为后续故障特征提取奠定了基础。通过径向基函数神经网络优化宽度学习系统的输入层的权重和偏置,替代了传统随机赋值方式,解决了宽度学习系统因随机赋值导致的模型稳定性差、分类精度波动大的问题,提升了模型的特征拟合能力与故障分类精度。通过肯特混沌映射初始化种群,提升了初始种群的遍历性与多样性;融合正弦余弦算法改进位置更新策略,增强了算法的全局搜索能力,避免了标准鹈鹕优化算法易陷入局部最优的缺陷,提升了收敛速度与寻优精度,实现了改进宽度学习系统超参数的自适应高效寻优。