基于多样本特征融合与深度置信网络的行星齿轮箱状态辨识方法研究

发布时间：2020-05-21 03:10

【摘要】：据统计,风电机组中齿轮箱的故障约占总体的4%,但其造成的停机时间最长,由此造成的运维成本以及“弃风”造成的发电损失最大,严重影响发电效率和风电的经济效益。随着风能广泛地开发利用以及科技的进步,风电装备朝大型化、智能化方向发展,行星齿轮箱作为兆瓦级大型风电机组传动系统核心部件,其一旦突发故障将造成重大的经济损失和人员伤亡。对此,利用风电机组传动系统状态监测系统(Condition Monitoring System,CMS)获取的数据来开展行星齿轮箱运行状态的辨识方法研究,对保障风电机组的安全可靠运行具有重要的理论意义和实际工程应用价值。本文以兆瓦级风电机组行星齿轮箱的运行状态数据为研究对象,基于时频统计特征、改进多尺度排列熵、流形算法以及深度学习的理论与方法,围绕智能诊断领域的多样本特征提取与降维、深度置信网络识别模型的结构参数选取两方面开展深入研究,来提升状态辨识的精度和效率,主要内容包括以下3个方面:(1)行星齿轮箱振动信号的多样本特征提取与降维。针对基于小样本特征对高维时间序列表征存在片面的问题,提出一种多域联合特征提取与流行降维的特征提取方法。设备的运行状态信息分布于各域中,若行星齿轮箱或其某部件有缺陷时,其被测信号的振动特性亦随之变化。对此,构建了涵盖时域特征、频域特征和时-频域特征的多样本特征集来表征行星齿轮箱的运行状况。原始特征集不可避免地包含不一致甚至虚假的特征,且上述特征间的相互耦合引发较差的状态辨识结果;故基于局部切空间排列算法对多样本特征进行精简、优化,以期提高辨识模型的性能,且可减轻决策层的计算负担。(2)深度置信神经网络模型的结构参数选取。与浅层神经网络状态辨识模型相比,深度置信神经网络基于多层结构增加了模型的非线性拟合能力,克服了浅层神经网络面对高维数据时学习能力不足的问题,然而深度置信神经网络模型的辨识能力取决于其网络结构体系,即层间的节点数;粒子群算法因其结构、调整参数常被用于各种模型的参数优化,鉴于其易陷入局部最优解而导致结果失真的问题,提出利用改进粒子群算法来优化深度置信神经网络模型的层间节点数,以此提高其辨识精度。试验结果表明:被优化的深度置信神经网络模型辨识精度和效率均有提升。(3)试验和现场案例。使用内蒙古自治区机电系统智能诊断与控制重点实验室DDS实验台行星齿轮箱不同齿轮多种状态下的振动信号,构建多样本特征向量集和深度置信神经网络辨识模型。与传统识别模型的辨识结果、未处理的多样本特征集的辨识结果、深度置信神经网络直接处理原始信号时的辨识结果相比,验证所提方法的有效性。在此基础上,将该方法应用于内蒙古某风电场2MW风电机组CMS采集的行星齿轮箱振动信号的状态辨识,为解决工程实际中的行星齿轮箱状态识别提供了一种可行的方案。
【图文】：

流程图,流程,复杂度分析,平稳序列

图 2.1 VMD 分解流程度排列熵熵（Multiscale Permutation Entropy，MPE）具有较高平稳序列的复杂度分析，但在熵值推测过程中稳定性proved Multiscale Permutation Entropy，IMPE)[56]则可性和动力学突变时更具优势，其实现算法如下。度为 N 的时间序列 x i , i 1,2, ,N ，在不同尺度据分成段，每一段有τ个数据点，平均后作为一个数其计算公式为： 1 1jτ j τX iτ, L

峭度,瞬态冲击,信号分解,特征向量

求集合 Q 中各 IMFi的多尺度排列熵值藉此构建特征向量集 T，具体流程如图2.2 所示。图 2.2 信号分解及其特征向量构建峭度对瞬态冲击信号十分敏感，Dwyer[60]通过计算信号中每个频率对应的峭度值来获得瞬态的频带实现了信号中瞬态特征的检测，继而提出了谱峭度思想。为提高谱峭度算法的计算效率，，2006 年 Antoni[61]提出了基于 FIR 带通滤波器的快速谱峭度算法，即对被分析信号 x(t)在全频带范围内 1/3 和二叉树结构设计的带通滤波器来对其处理，结果如图 2.3 所示，其中 32x t 表示第 2 层第 3 个滤波器的结果。运算过程中信号 x(t)被分解到预设的层数后（图 2.3 中 n=3），对每一层的滤波结果，按照式（2.18）求解所有频率段的峭度值，然后将其汇总得到“快速谱峭度图”，最后从中找出 x(t)的最大峭度值 Kmax所对应的中心频率 fω和带宽 Bw的区间
【学位授予单位】：内蒙古科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH132.41

【相似文献】