韩晓伍
南京安维士传动技术股份有限公司 江苏南京 210000
摘要：风电齿轮箱是风力发电机组中的重要机械部件，在风轮风力作用下机组会产生动力并传递到发电机中转化为能量。在针对风电齿轮箱的复合故障诊断过程中，需要采用到科学有效的变分模态风电齿轮箱复合故障特征提取方法，建立加权排序熵值变量进行量化处理，获得特征向量数据内容，再结合试验分析得出复合故障诊断结论。
关键词：风电齿轮箱；复合故障诊断方法；VMMWPE故障特征；试验；故障提取
作为风力发电机组中的核心部件，齿轮箱一旦发生故障就能会造成机组内部结构巨大损害，必须停机进行维修，又由于其故障维修时间较长、工作量偏大，就容易导致风力发电系统生产工作效率降低，为企业带来巨大经济损失。为此必须针对风电齿轮箱展开复合故障诊断，结合试验提取其故障特征内容，解决故障问题。
一、风电齿轮箱的故障内容与故障特征提取
（一）故障内容
风电齿轮箱的故障内容多为非线性，所以一旦出现噪声就会导致其故障诊断产生严重误判，因此必须首先对故障信号实施预先处理。就其故障信号处理而言，它主要集中在时频域分析层面，其中所采用的的时频分析算法非常丰富，例如傅里叶变化算法、小波包分解算法、经验模态分解算法等等。考虑到其故障信号分别存在于多个频域中，所以针对故障信号的分解必须基于不同频域的不同信号展开。一般可采用加权排序熵模式对不同故障信号的特征差异性进行分析，其中要保留多重数据的微弱特征，并思考增加其计算方法的整体计算量。最后还要整合改进过后的鲸鱼算法对最小二乘支持向量机进行优化，以求准确获得故障诊断指标，如此就可完成故障诊断。
（二）故障特征提取
在明确故障内容后，需要基于VMMWPE提取故障特征，这里就采用到了加权排序熵故障特征提取处理方法。它主要是利用排序熵对时间序列上的排序数据进行合理分析，优化处理速度内容，深度分析多重数据的特征变化内容，合理分析各种故障数据的多重性与变化特征内容。该方法可建立基于排序熵的故障信息处理组合，并能够从中个提炼不同特征的状态指标值，实用价值相对较高。
具体来说，它可建立一组时间序列数据，并展开计算，在确定时间序列长度N的过程中分析m重数据状态向量，最后对多维向量X实施升序排列，同时记录不同数据的不同时间值，完全按照时间序列顺序进行排列计算。在该过程中，状态向量的排序模式会呈现m次，其不同模式下所对应的不同映射向量有所不同，如此就能计算出基于不同模式背景下的故障特征出现概率：
.png)
在上述算式中，C代表了基于不同排序背景下的模式次数，如此可进一步定义排序熵值，进一步得出计算算式应该为：
.png)
在上述计算算式中要始终熵值取值在0~1范围内，并同时进行归一化计算，建立基于PE时间序列层面的数据熵值计算，保证数据在序列上的波动性平稳规律。如果时间序列PE=0，就说明数据表现相对平稳，伴随时间变化，其数据整体表现上不会出现太大变动，且也说明了这一组数据中的不同数据值在同一时间序列中是存在唯一性的。在该过程中要分析间隔差异时间中的数据内容变化。如果时间序列PE=1，那么该数据在时间序列上就存在较为剧烈的波动性特征[1]。
二、风电齿轮箱的故障诊断模型的建立
针对风电机组齿轮箱中的所有复杂故障内容进行分析，了解其故障变化过程，基于VMD算法对故障信号进行分解处理，以求获得不同特征信号的分量数据与分量特征。在该过程中要运用到加权排列熵算法，它可确保对不同的IMF分量进行分析计算，建立不同IMF分量的故障信息过量化分析体系，再对比各种故障信息指标对风电机组齿轮箱的具体故障状态进行分析。具体来说，基于VMMWPE齿轮箱故障的分析与诊断模型构建主要围绕以下几点展开：
首先，利用传感器对风电机组齿轮箱中的振动信息进行采集分析。
其次，利用VMD算法对振动信息进行采集并分解，获得IMF分量，同时选取其中含有故障的振动信息分解分量数据，有效区分IMF分量内容，同时设定专门的IMF分量尺寸内容。在该过程中要对应分量尺寸建立计算体系，例如第n个分量计算指标其所对应的分量尺寸应该为s-n+1。
第三，要基于VMMWPE中的非线性故障特征实施量化分析，这里主要参考了WPE算法对IMF分量进行再次分析计算。其具体算法步骤就是首先观察熵值，建立尺度曲线，结合不同故障信号特征信息分析其变量，得出计算结论。
第四，利用最小二乘算法提出支持向量，建立回归方程核函数，同时对应核函数给出惩罚项并进行优化。具体来讲，可提出差分进化鲸鱼算法建立模型，它主要参考了差分进化变异计算操作过程，主要针对不同目标的不同随机函数个体变异情况进行分析，提出相关函数表达式如下[2]：
.png)
在上述算式中，可建立随机产生的整数集合，将F视为是缩放比例因子，其取值范围应该控制在（0，1）范围内，可取值平均值F=0.5。整体看来，风电齿轮箱复合故障的诊断方法流程应该是首先进行数据归一化处理，获得初始向量参数，对数据输入维数与LSSVM参数进行初始化处理，融入鲸鱼算法优化参数值，并获得拟合学习样本数据内容，最后停止条件谈判完成模型构建，分析其随机产生的优化配置数据内容，并实施差分进化修正机制，争取获得最优参数。
三、风电齿轮箱的故障诊断模型的试验分析
在基于VMMWPE故障特征提取环节中，需要对具体的原始信号进行分析，了解齿轮箱总分机械部件内容，结合传感器采集实验数据分析采集频率，一般可将采集频率设置为10kHz。为确保加权排序熵对数据长度进行匹配，优化数据维度，还需要展开数据匹配性试验，专门缩短数据长度（最大可从10000缩短到1000）。当然，缩短数据长度会在一定程度上影响到风电齿轮箱故障诊断模型试验计算的准确性与稳定性，所以其数据长度应该取值2500比较稳妥。而在分析延迟信号过程中需要对计算结果影响进行分析，分析其结果在取值0和1时的不同状态变化。简言之，还是需要通过加权排序熵值计算其区间取值维度（大约为3~7）。如此看来，其区分度较高的数据维度应该为4或5，所以m=4/m=5[3]。
总结：
综上所述，风电齿轮箱复合故障诊断方法内容技术性强、过程复杂，需要采用到加权排序熵配合归一化熵值进行计算分析，了解故障诊断结果。再利用鲸鱼算法对最小二乘支持向量核函数以及惩罚项目进行调整，最终成功提取基于VMMWPE的风电齿轮箱复合故障内容，体现诊断方法与结果有效性。客观讲，上述诊断与计算方法表现较强，可最大限度解决风电齿轮箱复合故障问题，确保风力发电机组稳定高效率运行。
参考文献：
[1]徐进, 丁显, 程浩,等. 基于一维密集连接卷积网络的风电齿轮箱智能故障分类[J]. 可再生能源, 2020.
[2]杨保俊, 洪荣晶, 潘裕斌. 基于CEEMDAN-EFICA去噪的风电齿轮箱故障诊断[J]. 组合机床与自动化加工技术, 2020(2).
[3]周福成, 唐贵基, 何玉灵. 基于改进VMD的风电齿轮箱不平衡故障特征提取[J]. 振动与冲击, 2020(5):170-176.