圖1所示，本發(fā)明一種風(fēng)電設(shè)備故障演化程度評(píng)估方法，包括如下步驟:
[0031]步驟101，對(duì)各振動(dòng)傳感器進(jìn)行特征提取，獲得頻帶特征，并基于劃分的局部切空間排列算法對(duì)獲得的頻帶特征進(jìn)行特征融合，形成齒輪箱的特征空間。
[0032]圖2為步驟101的特征融合示意圖。具體地，步驟101進(jìn)一步包括如下步驟:
[0033]步驟1.1，根據(jù)試驗(yàn)工況和齒輪箱參數(shù)得到高速軸、低速軸的特征頻率、各齒輪的嚙合頻率、各滾動(dòng)軸承的特征頻率；
[0034]步驟1.2，根據(jù)特征頻率和頻帶個(gè)數(shù)T滿足的條件選取頻帶個(gè)數(shù)T ;
[0035]步驟1.3，將T*N(N為傳感器個(gè)數(shù))個(gè)頻帶特征輸入局部PCA算法來(lái)確定本征維數(shù)；
[0036]步驟1.4，將T*N個(gè)頻帶特征輸入到自適應(yīng)PLTSA，得到降維后總能量歸一的結(jié)果。
[0037]步驟102，根據(jù)多傳感器信息融合結(jié)果，采用連續(xù)隱式半馬爾科夫模型(CHSMM，Continuous Hidden Sem1-Markov Models)研宄齒輪箱故障演化過(guò)程，建立齒輪箱故障演化程度表達(dá)式。
[0038]圖3為本發(fā)明較佳實(shí)施例中步驟102的設(shè)備故障演化程度評(píng)估示意圖。具體地，步驟102進(jìn)一步包括如下步驟:
[0039]步驟2.1，結(jié)合步驟101的多傳感器信息融合結(jié)果，使用正常狀態(tài)下的數(shù)據(jù)訓(xùn)練CHSMM，建立基于CHSMM的多傳感器融合故障演化程度評(píng)估模型λ。；
[0040]步驟2.2，使用該模型對(duì)齒輪箱的點(diǎn)蝕、磨損、膠合、斷齒狀態(tài)進(jìn)行相似度確定，得到Pp P2、P3、P4，分別表示點(diǎn)蝕、磨損、膠合、斷齒偏離正常狀態(tài)的程度；
[0041]步驟2.3，利用點(diǎn)蝕、磨損、膠合、斷齒狀態(tài)下的數(shù)據(jù)訓(xùn)練CHSMM，建立基于CHSMM的多傳感器融合故障演化程度評(píng)估模型A1, λ2，λ3，λ4;
[0042]步驟2.4，分別使用模型Aci, A1, λ2，λ3，λ 4對(duì)待識(shí)別故障演化過(guò)程進(jìn)行相似度確定，即可得到待識(shí)別狀態(tài)偏離正常、點(diǎn)蝕、磨損、膠合、斷齒的程度。
[0043]上述實(shí)施例僅例示性說(shuō)明本發(fā)明的原理及其功效，而非用于限制本發(fā)明。任何本領(lǐng)域技術(shù)人員均可在不違背本發(fā)明的精神及范疇下，對(duì)上述實(shí)施例進(jìn)行修飾與改變。因此，本發(fā)明的權(quán)利保護(hù)范圍，應(yīng)如權(quán)利要求書(shū)所列。
【主權(quán)項(xiàng)】
1.一種風(fēng)電設(shè)備故障演化程度評(píng)估方法，包括如下步驟: 步驟一，對(duì)各振動(dòng)傳感器進(jìn)行特征提取，獲得頻帶特征，并基于劃分的局部切空間排列算法對(duì)獲得的頻帶特征進(jìn)行特征融合，形成齒輪箱的特征空間； 步驟二，根據(jù)多傳感器信息融合結(jié)果，采用連續(xù)隱式半馬爾科夫模型研宄齒輪箱故障演化過(guò)程，建立齒輪箱故障演化程度表達(dá)式。
2.如權(quán)利要求1所述的一種風(fēng)電設(shè)備故障演化程度評(píng)估方法，其特征在于，在步驟一中，獲取頻帶特征包括如下步驟: 根據(jù)試驗(yàn)工況和齒輪箱參數(shù)得到各振動(dòng)傳感器的各特征頻率； 根據(jù)特征頻率和頻帶個(gè)數(shù)T滿足的條件選取頻帶個(gè)數(shù)T ; 根據(jù)T*N個(gè)頻帶特征確定本征維數(shù)，其中N為傳感器個(gè)數(shù)。
3.如權(quán)利要求2所述的一種風(fēng)電設(shè)備故障演化程度評(píng)估方法，其特征在于:該特征頻率包括高速軸、低速軸的特征頻率、各齒輪的嚙合頻率、各滾動(dòng)軸承的特征頻率。
4.如權(quán)利要求3所述的一種風(fēng)電設(shè)備故障演化程度評(píng)估方法，其特征在于:將T*N個(gè)頻帶特征輸入局部PCA算法來(lái)確定本征維數(shù)。
5.如權(quán)利要求4所述的一種風(fēng)電設(shè)備故障演化程度評(píng)估方法，其特征在于:于步驟一中，將T*N個(gè)頻帶特征輸入到自適應(yīng)劃分的局部切空間排列算法，得到降維后總能量歸一的結(jié)果，形成齒輪箱的特征空間。
6.如權(quán)利要求5所述的一種風(fēng)電設(shè)備故障演化程度評(píng)估方法，其特征在于，步驟二進(jìn)一步包括如下步驟: 步驟2.1，結(jié)合步驟一的多傳感器信息融合結(jié)果，使用正常狀態(tài)下的數(shù)據(jù)訓(xùn)練CHSMM，建立基于CHSMM的多傳感器融合故障演化程度評(píng)估模型λ。； 步驟2.2，使用該模型對(duì)齒輪箱異常狀態(tài)進(jìn)行相似度確定； 步驟2.3，利用該齒輪箱異常狀態(tài)下的數(shù)據(jù)訓(xùn)練CHSMM，建立基于CHSMM的多傳感器融合故障演化程度評(píng)估模型； 步驟2.4，分別使用步驟2.3獲得的多傳感器融合故障演化程度評(píng)估模型對(duì)待識(shí)別故障演化過(guò)程進(jìn)行相似度確定，即可得到待識(shí)別狀態(tài)異常的程度。
7.如權(quán)利要求6所述的一種風(fēng)電設(shè)備故障演化程度評(píng)估方法，其特征在于:該齒輪箱的異常狀態(tài)包括點(diǎn)蝕、磨損、膠合、斷齒狀態(tài)。
8.如權(quán)利要求1所述的一種風(fēng)電設(shè)備故障演化程度評(píng)估方法，其特征在于:于步驟一中，對(duì)振動(dòng)傳感器的信號(hào)做FFT變換后，按照特征頻率中的最小值，將頻譜平均分為T(mén)個(gè)頻帶。
9.如權(quán)利要求1所述的一種風(fēng)電設(shè)備故障演化程度評(píng)估方法，其特征在于:于步驟一中，所述劃分的局部切空間排列算法建立在LTSA的基礎(chǔ)上，首先用X-均值找到樣本集的最優(yōu)劃分的個(gè)數(shù)，把樣本空間劃分成有重疊的塊，通過(guò)把每一樣本點(diǎn)投影到它所在塊的局部切空間中求出其低維局部坐標(biāo)，然后利用重疊部分中點(diǎn)的局部坐標(biāo)來(lái)構(gòu)建整體坐標(biāo)。
10.如權(quán)利要求6所述的一種風(fēng)電設(shè)備故障演化程度評(píng)估方法，其特征在于:該待識(shí)別狀態(tài)異常的程度為待識(shí)別狀態(tài)偏離正常、點(diǎn)蝕、磨損、膠合、斷齒的程度。
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種風(fēng)電設(shè)備故障演化程度評(píng)估方法，包括如下步驟：步驟一，對(duì)各振動(dòng)傳感器進(jìn)行特征提取，獲得頻帶特征，并基于劃分的局部切空間排列算法對(duì)獲得的頻帶特征進(jìn)行特征融合，形成齒輪箱的特征空間；步驟二，根據(jù)多傳感器信息融合結(jié)果，采用連續(xù)隱式半馬爾科夫模型研究齒輪箱故障演化過(guò)程，建立齒輪箱故障演化程度表達(dá)式,本發(fā)明在現(xiàn)有故障特征信號(hào)提取的基礎(chǔ)上實(shí)現(xiàn)了基于隱式半馬爾科夫模型的量化風(fēng)電齒輪箱故障演化程度研究方法，實(shí)現(xiàn)了對(duì)風(fēng)電齒輪箱故障演化程度的評(píng)估。
【IPC分類(lèi)】G01M13-02
【公開(kāi)號(hào)】CN104764604
【申請(qǐng)?zhí)枴緾N201510189286
【發(fā)明人】李瑩, 劉三明, 朱曉偉, 劉康, 潘志剛
【申請(qǐng)人】上海電機(jī)學(xué)院
【公開(kāi)日】2015年7月8日
【申請(qǐng)日】2015年4月17日