本發(fā)明涉及風(fēng)機，尤其涉及一種基于分層多目標優(yōu)化算法的風(fēng)機軸系故障診斷方法。

背景技術(shù)：

1、近年來，隨著風(fēng)力發(fā)電規(guī)模的不斷擴大，風(fēng)機軸系作為風(fēng)力發(fā)電機的核心組成部件，其運行穩(wěn)定性對風(fēng)電系統(tǒng)的整體性能和安全性至關(guān)重要，風(fēng)機在復(fù)雜氣候條件下長期運轉(zhuǎn)，軸系結(jié)構(gòu)易受到振動、應(yīng)力、溫度和外部環(huán)境的多重影響，若無法及時獲取軸系的故障信息則可能引發(fā)設(shè)備的大范圍損壞和停機，造成經(jīng)濟損失，為了降低維護成本并保障發(fā)電效率，風(fēng)力發(fā)電行業(yè)逐漸重視對軸系故障的預(yù)防與檢測，目前已有部分基于振動分析、油液分析或溫度監(jiān)控的常規(guī)診斷技術(shù)被廣泛應(yīng)用于實際風(fēng)機維護中。

2、在現(xiàn)有技術(shù)中，許多風(fēng)機軸系故障診斷方法主要依賴單一數(shù)據(jù)源的信號分析，如僅對振動信號進行時域或頻域研究或者僅監(jiān)測油液的顆粒度變化，單模態(tài)或有限模態(tài)的檢測手段雖然能發(fā)現(xiàn)部分故障征兆，但在面對復(fù)雜的耦合故障時往往缺乏全面性，在風(fēng)機高速運轉(zhuǎn)、變速載荷和多種環(huán)境參數(shù)交互的情況下軸系故障類型多樣且發(fā)生機理復(fù)雜，現(xiàn)有技術(shù)在多模態(tài)信號融合與動態(tài)工況適應(yīng)方面尚顯不足。

3、另一方面，隨著風(fēng)機監(jiān)測手段的增多，采集到的運行數(shù)據(jù)規(guī)模呈指數(shù)級增長，現(xiàn)有技術(shù)通常將數(shù)據(jù)簡單聚合后使用固定模型或閾值法進行故障判定，缺少對多目標的綜合考量，一些以實時診斷為目標的系統(tǒng)，為保證速度經(jīng)常簡化特征提取過程從而導(dǎo)致診斷準確度下降，而那些以高準確度為導(dǎo)向的方法往往需要較長計算時間或?qū)I(yè)的先驗知識，難以在風(fēng)機復(fù)雜且變化頻繁的運行條件下取得理想效果。

4、綜上所述，現(xiàn)有的風(fēng)機軸系故障診斷技術(shù)在多模態(tài)信號融合、實時準確度平衡以及動態(tài)工況適應(yīng)方面均存在明顯不足，診斷過程缺乏分層細化難以兼顧復(fù)雜耦合故障的精確定位與高負載、變速工況下的實時識別，現(xiàn)有技術(shù)缺陷在風(fēng)機運行環(huán)境多變、數(shù)據(jù)量龐大且故障模式多樣的背景下尤為突出，難以滿足現(xiàn)代風(fēng)電行業(yè)對軸系故障診斷的高效性與可靠性需求。

技術(shù)實現(xiàn)思路

1、本發(fā)明的一個目的在于提出一種基于分層多目標優(yōu)化算法的風(fēng)機軸系故障診斷方法，本發(fā)明解決了傳統(tǒng)優(yōu)化方法中常見的局部最優(yōu)陷阱問題，并有效降低了復(fù)雜故障模式下的計算成本。

2、根據(jù)本發(fā)明實施例的一種基于分層多目標優(yōu)化算法的風(fēng)機軸系故障診斷方法，包括如下步驟：

3、s1.獲取風(fēng)機軸系運行過程中的多模態(tài)信號數(shù)據(jù)，并對所述多模態(tài)信號數(shù)據(jù)進行信號去噪、歸一化處理和時間序列分割，形成風(fēng)機軸系多模態(tài)信號綜合數(shù)據(jù)集；

4、s2.基于風(fēng)機軸系多模態(tài)信號綜合數(shù)據(jù)集，按照分層策略對風(fēng)機軸系的故障模式進行分類，將所述故障模式劃分為基礎(chǔ)層、中間層和頂層；

5、s3.在每一層故障模式中，利用信號處理技術(shù)對所述多模態(tài)信號數(shù)據(jù)進行特征提取和特征降維，形成每一層的特征數(shù)據(jù)集；

6、s4.基于提取每一層的特征數(shù)據(jù)集構(gòu)建多目標優(yōu)化模型，多目標優(yōu)化模型以故障診斷的準確性、故障診斷的實時性和多模態(tài)信號數(shù)據(jù)的適應(yīng)性為優(yōu)化目標，動態(tài)調(diào)整目標權(quán)重，形成適應(yīng)不同運行工況的優(yōu)化模型；

7、s5.將淘金優(yōu)化算法應(yīng)用于所述多目標優(yōu)化模型的求解，探索階段在所述多目標優(yōu)化模型的全局范圍內(nèi)采樣特征數(shù)據(jù)，生成初始候選解，挖掘階段在所述初始候選解附近進行局部優(yōu)化，輸出優(yōu)化后的診斷解；

8、s6.基于優(yōu)化后的診斷解，在分層策略中逐層進行風(fēng)機軸系的故障診斷，輸出每一層的診斷結(jié)果，并將各層診斷結(jié)果融合，生成風(fēng)機軸系的綜合診斷結(jié)果；

9、s7.根據(jù)所述綜合診斷結(jié)果生成風(fēng)機軸系的故障預(yù)警信息及健康狀態(tài)評估報告，同時提供故障位置、故障類型及維護建議。

10、可選的，所述s1包括以下步驟：

11、s11.獲取風(fēng)機軸系運行過程中的多模態(tài)信號數(shù)據(jù)，所述多模態(tài)信號數(shù)據(jù)包括：

12、振動信號，表示風(fēng)機軸系運行過程中測得的振動幅值；

13、轉(zhuǎn)速信號，表示風(fēng)機運行過程中測得的轉(zhuǎn)速變化；

14、溫度信號，表示軸系關(guān)鍵部件在不同時間下的溫度值；

15、環(huán)境參數(shù)信號，包括環(huán)境溫度、濕度和氣壓參數(shù)。

16、s12.對獲取的多模態(tài)信號數(shù)據(jù)進行信號去噪處理，采用帶通濾波器消除高頻噪聲和低頻干擾；

17、s13.對去噪后的多模態(tài)信號數(shù)據(jù)進行歸一化處理；

18、s14.對歸一化后的多模態(tài)信號數(shù)據(jù)進行時間序列分割，設(shè)定滑動窗口大小為w，步長為s，將信號數(shù)據(jù)分割為連續(xù)的時間片段；

19、s15.將分割后的振動信號數(shù)據(jù)集dv、轉(zhuǎn)速信號數(shù)據(jù)集dr、溫度信號數(shù)據(jù)集dt和環(huán)境參數(shù)信號數(shù)據(jù)集de匯總，形成風(fēng)機軸系多模態(tài)信號綜合數(shù)據(jù)集：

20、d＝{dv,dr,dt,de}。

21、可選的，所述步驟s2具體包括：

22、s21.基于風(fēng)機軸系多模態(tài)信號綜合數(shù)據(jù)集d對每條記錄進行故障信息分析，定義用于指導(dǎo)每條記錄故障信息分析的故障信息度量函數(shù)：

23、g(k)＝ωv·φ(dv(k))+ωr·φ(dr(k))+ωt·φ(dt(k))+ωe·φ(de(k))；

24、其中，k為所述數(shù)據(jù)集中記錄的索引，g(k)為故障信息度量值，ωv,ωr,ωt,ωe為分別針對振動信號數(shù)據(jù)、轉(zhuǎn)速信號數(shù)據(jù)、溫度信號數(shù)據(jù)和環(huán)境參數(shù)信號數(shù)據(jù)的加權(quán)系數(shù)，φ(·)為對輸入信號進行異常程度計算的函數(shù)；

25、s22.將故障信息度量值g(k)與分層閾值相比較，定義分層分類函數(shù)：

26、

27、其中，d(k)為數(shù)據(jù)集中第k條記錄，θb和θm為用于區(qū)分基礎(chǔ)層lb、中間層lm與頂層lt的分層閾值；

28、s23.在基礎(chǔ)層lb中，根據(jù)振動信號數(shù)據(jù)集和溫度信號數(shù)據(jù)集中的單變量異常趨勢，定義初級故障單變量檢測公式：

29、ab(k)＝max{|dv(k)-μv|,|dt(k)-μt|}；

30、其中，ab(k)為單一類型故障的異常度量，μv為振動信號參考均值，μt為溫度信號參考均值，若ab(k)超過設(shè)定閾值，則判定為初級故障模式；

31、s24.在中間層lm中，檢測復(fù)雜耦合故障模式，定義耦合異常度量公式：

32、am(k)＝δvr·ψ(dv(k),dr(k))+δvt·ψ(dv(k),dt(k))+δrt·

33、ψ(dr(k),dt(k))；

34、其中，am(k)為耦合故障異常度量，δvr,δvt,δrt為不同信號組合的權(quán)重系數(shù)，ψ(·,·)為評價多信號關(guān)聯(lián)度的函數(shù)，若am(k)超過耦合故障閾值，則判定為復(fù)雜耦合故障模式；

35、s25.在頂層lt中，識別高負載或特殊工況下的綜合故障模式，定義綜合異常度量公式：

36、at(k)＝ζe·(de(k)+1)×ln[1+dv(k)]；

37、其中，at(k)為綜合故障異常度量，ζe為環(huán)境參數(shù)對振動信號響應(yīng)程度的放大系數(shù)，de(k)為第k條記錄對應(yīng)的環(huán)境參數(shù)信號值，dv(k)為振動信號值，若at(k)超過綜合故障閾值，則判定為高復(fù)雜度的綜合故障模式；

38、s26.根據(jù)分層分類函數(shù)fl(d(k))的輸出結(jié)果，結(jié)合ab(k)、am(k)和at(k)的判定情況，將數(shù)據(jù)集d中的每條記錄歸類至基礎(chǔ)層lb、中間層lm與頂層lt。

39、可選的，所述步驟s3具體包括：

40、s31.在基礎(chǔ)層lb中，針對單一類型的初級故障模式提取時域特征，計算振動信號數(shù)據(jù)集和溫度信號數(shù)據(jù)集的特征值，包括均值、方差和峰值因子；

41、s32.在中間層lm中，針對復(fù)雜耦合故障模式提取頻域特征，計算振動信號數(shù)據(jù)集、轉(zhuǎn)速信號數(shù)據(jù)集和溫度信號數(shù)據(jù)集的頻率分布特征，利用快速傅里葉變換得到頻譜能量分布；

42、s33.在頂層lt中，針對高復(fù)雜度綜合故障模式提取時頻域特征，采用小波變換方法獲取多分辨率信號特征，定義小波分解的特征能量為：

43、

44、其中，wj,n為信號在第j層小波分解中第n個系數(shù)，j為小波分解的總層數(shù)，ew為時頻域特征能量，用于綜合故障模式的特征分析，n表示信號在某一分解層中的總點數(shù)；

45、s34.將基礎(chǔ)層、中間層和頂層提取的時域特征、頻域特征和時頻域特征分別構(gòu)成特征數(shù)據(jù)集fb、fm、ft，定義綜合特征數(shù)據(jù)集為：

46、f＝{fb,fm,ft}。

47、可選的，所述步驟s4具體包括：

48、s41.基于綜合特征數(shù)據(jù)集f，引入動態(tài)權(quán)重自適應(yīng)分配機制構(gòu)建融合故障診斷準確性、實時性及多模態(tài)信號適應(yīng)性的多目標優(yōu)化模型：

49、

50、其中，αi(t)表示時間t時刻第i層的優(yōu)先級權(quán)重，動態(tài)更新以適應(yīng)不同運行工況，分別表示基礎(chǔ)層、中間層和頂層的故障診斷準確性、實時性和信號適應(yīng)性度量函數(shù)，λa,λr,λs為全局目標函數(shù)的調(diào)節(jié)因子；

51、s42.定義動態(tài)權(quán)重自適應(yīng)分配機制，結(jié)合故障模式復(fù)雜性和運行工況實時評估計算各層的權(quán)重分配：

52、

53、其中，ci(t)為時間t時刻第i層的故障復(fù)雜度，γi為第i層的初始權(quán)重，βi為第i層的權(quán)重動態(tài)調(diào)節(jié)系數(shù)；

54、s43.在優(yōu)化過程中引入多目標協(xié)同進化機制，采用獨立子優(yōu)化模塊對每層的特征數(shù)據(jù)集進行優(yōu)化處理，定義每層優(yōu)化目標函數(shù)為：

55、

56、其中，ξi表示第i層的優(yōu)化參數(shù)，每個子優(yōu)化模塊并行運行，互相共享中間結(jié)果；

57、s44.定義模型優(yōu)化的全局調(diào)控策略，在多目標協(xié)同進化基礎(chǔ)上結(jié)合全局目標函數(shù)進行統(tǒng)一優(yōu)化：

58、

59、其中，κ為全局正則化系數(shù)，用于平衡模型復(fù)雜度與優(yōu)化目標，φ(ξ)為正則化函數(shù)，限制優(yōu)化參數(shù)的搜索空間。

60、可選的，所述步驟s5具體包括：

61、s51.在多目標優(yōu)化模型中將風(fēng)機軸系綜合特征數(shù)據(jù)集f分層映射到優(yōu)化參數(shù)空間θ，利用淘金優(yōu)化算法的探索階段進行全局采樣：

62、

63、其中，θ(0)為全局采樣的初始候選解集合，為基礎(chǔ)層、中間層和頂層的采樣點數(shù)量，θi為第i層對應(yīng)的優(yōu)化參數(shù)子空間，uniform表示均勻采樣分布，用于覆蓋參數(shù)空間θ的全局范圍；

64、s52.結(jié)合風(fēng)機軸系故障診斷主題，針對每個候選解計算多目標優(yōu)化函數(shù)值定義多目標故障診斷優(yōu)化函數(shù)為：

65、

66、其中，分別表示第i層診斷解的故障診斷準確性、實時性和信號適應(yīng)性目標函數(shù)值；

67、s53.在初始候選解集合中，根據(jù)優(yōu)化函數(shù)值fopt(θk)的排序選擇前nf個診斷解，定義診斷解集合為：

68、θ(f)＝{θk∣fopt(θk)≤δf,k＝1,2,…,nf}；

69、其中，δf為優(yōu)選閾值，選取優(yōu)化函數(shù)值最優(yōu)的解，θ(f)為診斷解集合；

70、s54.在挖掘階段，結(jié)合風(fēng)機軸系的特定故障模式特征，針對診斷解集合θ(f)進行局部優(yōu)化，定義基于風(fēng)機軸系特征的動態(tài)梯度挖掘為：

71、

72、其中，為基于風(fēng)機軸系多模態(tài)信號的特征正則化項，ζ為正則化權(quán)重，用于限制參數(shù)更新范圍，為梯度計算，用于指引優(yōu)化方向；

73、s55.在全局探索和局部挖掘完成后，結(jié)合全局和局部的優(yōu)化結(jié)果，輸出最終診斷解集合：

74、

75、其中，θopt為最終診斷解集合，包含針對風(fēng)機軸系故障診斷的最優(yōu)參數(shù)，no為最終解數(shù)量。

76、可選的，所述步驟s6具體包括：

77、s61.基于診斷解集合將診斷解按分層策略輸入到基礎(chǔ)層、中間層和頂層的故障診斷模型中，啟動分層診斷過程，各層模型根據(jù)輸入解匹配特定的故障模式；

78、s62.在基礎(chǔ)層中，通過分析單一類型的初級故障特征判斷是否存在單一類型的初級故障，輸出基礎(chǔ)層的診斷結(jié)果，包括具體故障類型及初步診斷概率；

79、s63.在中間層中，綜合多信號的交叉特征進行復(fù)雜故障模式的診斷，動態(tài)分析信號間的關(guān)聯(lián)趨勢，輸出中間層的診斷結(jié)果，包括復(fù)雜耦合故障類型及診斷置信度；

80、s64.在頂層中，結(jié)合環(huán)境信號與振動信號的綜合表現(xiàn)，聚焦于高負載或特殊運行工況下的故障診斷，基于多模態(tài)信號融合特性識別復(fù)雜運行環(huán)境中的綜合性故障模式，輸出頂層的診斷結(jié)果；

81、s65.將基礎(chǔ)層、中間層和頂層的診斷結(jié)果進行融合處理，依據(jù)各層診斷結(jié)果的置信度和重要性分配動態(tài)權(quán)重，生成風(fēng)機軸系的綜合診斷結(jié)果，包括綜合性故障類型、整體診斷置信度以及推薦的維護措施。

82、本發(fā)明的有益效果是：

83、(1)本發(fā)明在診斷過程中引入分層策略，將風(fēng)機軸系的故障特征劃分為基礎(chǔ)層、中間層和頂層，針對不同層次的故障模式分別采用時域、頻域和時頻域特征提取技術(shù)，通過特征分層處理確保了對多模態(tài)信號的充分利用，能夠針對軸承、齒輪及軸心偏移多種故障類型進行針對性分析，并通過動態(tài)調(diào)整權(quán)重的多目標優(yōu)化模型將準確性提升為首要目標。

84、(2)本發(fā)明通過淘金優(yōu)化算法分階段處理優(yōu)化任務(wù)，先在探索階段利用全局均勻采樣覆蓋參數(shù)空間，再在挖掘階段對優(yōu)選解進行局部搜索和梯度增強優(yōu)化，通過引入動態(tài)梯度正則化項，解決了傳統(tǒng)優(yōu)化方法中常見的局部最優(yōu)陷阱問題，并有效降低了復(fù)雜故障模式下的計算成本。

85、(3)本發(fā)明通過基礎(chǔ)層、中間層和頂層診斷結(jié)果的層次化融合，根據(jù)各層次的診斷置信度和重要性分配動態(tài)權(quán)重生成綜合性診斷結(jié)果，機制顯著增強了系統(tǒng)在復(fù)雜運行環(huán)境中的故障診斷能力，在多模態(tài)信號存在沖突或噪聲干擾的情況下通過層次化融合顯著提升了結(jié)果的魯棒性和適應(yīng)性。