基于泛化流形學(xué)習(xí)的風(fēng)電機組傳動系統(tǒng)早期故障診斷方法研究.pdf

1、風(fēng)電機組工作在變工況、大溫差等惡劣的環(huán)境下，使得風(fēng)電機組各部件容易出現(xiàn)故障，尤其是風(fēng)電機組傳動系統(tǒng)在交變載荷的作用下很容易出現(xiàn)故障，造成機組停機。風(fēng)電機組傳動系統(tǒng)結(jié)構(gòu)復(fù)雜、體積龐大，對其進行安裝和維護困難，維護費用高，且風(fēng)電機組傳動系統(tǒng)故障導(dǎo)致機組的停機時間長，嚴(yán)重影響發(fā)電量，造成經(jīng)濟損失。解決風(fēng)電機組因傳動系統(tǒng)故障導(dǎo)致巨大經(jīng)濟損失的關(guān)鍵是進行風(fēng)電機組傳動系統(tǒng)早期故障診斷，在故障處于萌芽階段或者故障尚輕微的情況下，對故障進行準(zhǔn)確地識別，

2、并據(jù)此指導(dǎo)保養(yǎng)和維修工作，提高風(fēng)電機組運行的可靠性。風(fēng)電機組傳動系統(tǒng)結(jié)構(gòu)復(fù)雜、工況不穩(wěn)定，早期故障特征信號十分微弱且淹沒在強噪聲環(huán)境中，故障特征難以提取；風(fēng)電機組傳動系統(tǒng)的振動監(jiān)測才開始起步，早期故障樣本缺乏系統(tǒng)的、長期的收集，導(dǎo)致早期故障樣本稀缺。風(fēng)電機組傳動系統(tǒng)的這些特點導(dǎo)致傳統(tǒng)的故障診斷方法難以有效地進行風(fēng)電機組傳動系統(tǒng)早期故障診斷。
　　流形學(xué)習(xí)是一種非線性數(shù)據(jù)降維方法，可有效地挖掘非線性數(shù)據(jù)的內(nèi)在分布規(guī)律和本質(zhì)信息，已開

3、始應(yīng)用于機械設(shè)備故障診斷中。論文針對風(fēng)電機組傳動系統(tǒng)的特點，在研究和拓展流形學(xué)習(xí)的基礎(chǔ)上，提出了基于泛化流形學(xué)習(xí)的風(fēng)電機組傳動系統(tǒng)早期故障診斷方法，包括基于無監(jiān)督流形學(xué)習(xí)的非線性信號消噪方法、基于監(jiān)督流形學(xué)習(xí)的微弱特征提取方法以及基于參數(shù)優(yōu)化的小子樣早期故障模式識別方法，以實現(xiàn)風(fēng)電機組傳動系統(tǒng)的早期故障診斷。論文主要研究內(nèi)容如下：
　?。?）針對風(fēng)電機組傳動系統(tǒng)狀態(tài)信號具有強烈的非線性干擾噪聲的問題，提出基于無監(jiān)督流形學(xué)習(xí)的非線性

4、降噪方法。采用小波包分解將信號分解到各頻帶范圍內(nèi)，并分別對各頻帶內(nèi)的小波包分解系數(shù)進行相空間重構(gòu)；根據(jù)各信號成分的信噪空間分布，選取相空間重構(gòu)的參數(shù)和信號的本征維數(shù)；結(jié)合無監(jiān)督流形學(xué)習(xí)算法在數(shù)據(jù)集本質(zhì)信息挖掘上的優(yōu)勢，采用局部切空間排列（Local tangent space alignment，LTSA）算法將含噪信號從高維相空間投影到低維有用信號空間中，實現(xiàn)信號與噪音的分離，該方法可應(yīng)用于風(fēng)電機組傳動系統(tǒng)強噪音信號的非線性降噪。

5、r>　?。?）針對風(fēng)電機組傳動系統(tǒng)早期故障特征微弱、故障特征難以提取的問題，提出基于監(jiān)督流形學(xué)習(xí)的早期微弱故障特征提取方法。構(gòu)建由多域故障特征組成的高維故障特征集，來更加全面、綜合地表征早期故障。提出改進的核空間距離評估敏感特征選取方法，剔除特征集中的干擾特征和噪聲特征。研究監(jiān)督流形學(xué)習(xí)算法，給出了兩種有監(jiān)督流形學(xué)習(xí)方法——有監(jiān)督擴展線性局部切空間排列算法（Supervised extended-local tangent space

6、alignment，SE-LTSA）和改進的有監(jiān)督局部線性嵌入算法（Enhanced supervised locality linear embedding，ESLLE），以及一種半監(jiān)督流形學(xué)習(xí)算法——半監(jiān)督線性局部切空間排列算法(Semi-supervised local tangent space alignment，SS-LTSA)，并給出了新增樣本動態(tài)嵌入算法來進行動態(tài)故障特征提取。監(jiān)督流形學(xué)習(xí)算法將早期故障樣本標(biāo)簽信息有機地

7、融入維數(shù)約簡過程，可提高低維故障特征向量的可辨識性，可用于風(fēng)電機組傳動系統(tǒng)早期微弱故障特征提取。
　?。?）針對風(fēng)電機組傳動系統(tǒng)早期故障樣本稀缺的問題，提出了基于參數(shù)優(yōu)化的最小二乘支持向量機（Least square support vector machine，LS-SVM）風(fēng)電機組傳動系統(tǒng)小子樣早期故障模式識別方法。針對 LS-SVM模型參數(shù)優(yōu)化的問題，提出了改進的粒子群優(yōu)化算法（Enhanced particle swarm

8、 optimization，EPSO）。EPSO通過引入局部搜索能力、重新定義粒子搜索速度和自適應(yīng)調(diào)節(jié)優(yōu)化過程的參數(shù)，使得EPSO能夠快速地尋找到早期故障識別模型的全局最優(yōu)參數(shù)。
　?。?）實現(xiàn)了泛化流形學(xué)習(xí)方法的系統(tǒng)集成，系統(tǒng)主要包括數(shù)據(jù)采集、信號分析與處理、早期微弱故障特征提取、早期故障診斷等功能，可應(yīng)用于風(fēng)電機組傳動系統(tǒng)早期故障診斷，并通過實例應(yīng)用對系統(tǒng)各子模塊進行檢驗。
　　文章最后對本文的工作進行了總結(jié)，并展望下一