本發(fā)明屬于風(fēng)電技術(shù)領(lǐng)域，特別涉及一種風(fēng)機齒輪箱故障診斷方法。

背景技術(shù)：

風(fēng)電場多設(shè)計在離居民區(qū)較遠的山區(qū)或海上，維護比較困難，同時風(fēng)機因故障停運會對風(fēng)電場運營方造成很大的損失。而風(fēng)機故障的出現(xiàn)都會伴隨一個從微弱到嚴重的過程，在故障出現(xiàn)早期較微弱的時候各測量傳感器采集到的數(shù)據(jù)可能會產(chǎn)生沖突，影響對故障類型的判斷。

Dezert-Smarandache Theory(DSmT)理論是Dezert和Smarandsche等學(xué)者在2002年提出的一種有效的證據(jù)沖突組合理論,它主要處理高不確定性、高沖突和不精確的信息源證據(jù)。在隨后的發(fā)展中逐漸提出了PCR1、PCR2、PCR3、PCR4、PCR5以及PCR6等多種組合規(guī)則。其中，PCR5是較為精確的一種沖突分配方法。PCR6是由Arnaud Martin和Christophe Osswald等學(xué)者提出的作為一種當信息源s>2時替代PCR5的融合規(guī)則，它能得到比PCR5更好的融合結(jié)果，所以當信息源多以兩個時，一般用PCR6規(guī)則代替PCR5組合規(guī)則。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于設(shè)計一個基于DSmT理論的風(fēng)機齒輪箱早期故障診斷系統(tǒng)。

本發(fā)明的技術(shù)方案是，一種風(fēng)機齒輪箱故障診斷方法，包括以下步驟：

步驟一，在風(fēng)機齒輪箱的的多個檢測點上安裝振動傳感器組成多傳感器系統(tǒng)；

步驟二，將多個傳感器采集到的各路振動數(shù)據(jù)進行抗混疊濾波處理，抗混疊濾波采用小波閾值去噪法；

步驟三，采用基于本征模態(tài)函數(shù)的信息熵特征提取方法提取各路振動數(shù)據(jù)的特征，首先將濾波后的數(shù)據(jù)進行EMD分解，然后選取分解的前若干個IMF分量，求出各IMF的總能量E_i，構(gòu)建出特征向量T

$E={\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left|E_i\right|}^2\right)}^{1/2}$

T＝[E₁/E,E₂/E,...,E_n/E]；

步驟四，將由各路振動數(shù)據(jù)求得的特征向量T輸入BP神經(jīng)網(wǎng)絡(luò)完成故障屬性判決；

步驟五，各個子BP網(wǎng)絡(luò)的屬性判決結(jié)果處理后，計算出各證據(jù)下各種故障屬性的廣義基本置信分配，假設(shè)BP神經(jīng)網(wǎng)絡(luò)輸出為：

A＝[a₁,a₂,...a_k]

則由該證據(jù)得到的廣義置信分配為：

$m_j=a_j/\left(\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{a}_j\right)$

m＝[m₁,m₂,...m_j]；

步驟六，運用DSmT決策理論，將由各路證據(jù)得到的廣義置信分配進行故障屬性決策融合從而得到風(fēng)機齒輪箱故障類型。

在DSmT融合時，若證據(jù)源為兩個，采用PCR5融合規(guī)則；若證據(jù)源多于兩個，采用PCR6融合規(guī)則。

本發(fā)明從多傳感器信息提取，EMD能量分解，IMF信息熵提取，特征向量構(gòu)建，神經(jīng)網(wǎng)絡(luò)訓(xùn)練以及DSmT決策融合從而得到風(fēng)機齒輪箱早期故障類型。本發(fā)明把DSmT決策理論引入風(fēng)機齒輪箱早期故障診斷系統(tǒng)當中，結(jié)合BP神經(jīng)網(wǎng)絡(luò)從而構(gòu)建出風(fēng)機齒輪箱早期故障診斷模型。

附圖說明

圖1是本發(fā)明的系統(tǒng)流程圖。

圖2是本發(fā)明實施例中故障診斷模型算法流程圖。

具體實施方式

如圖2所示，本發(fā)明的風(fēng)機齒輪箱故障診斷方法步驟是：

1.在風(fēng)機齒輪箱多個關(guān)鍵部位安裝多個振動傳感器組成多傳感器系統(tǒng)。

2.將多個傳感器采集到的數(shù)據(jù)進行抗混疊濾波處理，抗混疊濾波采用小波閾值去噪法。

3.采用基于本征模態(tài)函數(shù)的信息熵特征提取方法提取各路振動數(shù)據(jù)的特征。首先將濾波后的數(shù)據(jù)進行EMD分解，然后選取分解的前若干個IMF分量，求出各IMF的總能量E_i，構(gòu)建出特征向量T

$E={\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left|E_i\right|}^2\right)}^{1/2}$

T＝[E₁/E,E₂/E,...,E_n/E]

4.將由各路振動數(shù)據(jù)求得的特征向量T輸入BP神經(jīng)網(wǎng)絡(luò)完成故障屬性判決；

5.各個子BP網(wǎng)絡(luò)的屬性判決結(jié)果處理后，計算出各證據(jù)下各種故障屬性的廣義基本置信分配。假設(shè)BP神經(jīng)網(wǎng)絡(luò)輸出為：

A＝[a₁,a₂,...a_k]

則由該證據(jù)得到的廣義置信分配為：

$m_j=a_j/\left(\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{a}_j\right)$

m＝[m₁,m₂,...m_j]

6.運用DSmT決策理論，將由各路證據(jù)得到的廣義置信分配進行故障屬性決策融合從而得到風(fēng)機齒輪箱故障類型。在DSmT融合時，若證據(jù)源為兩個，采用PCR5融合規(guī)則；若證據(jù)源多于兩個，采用PCR6融合規(guī)則。