基于电流信号稀疏滤波特征学习的风电齿轮箱故障诊断

摘要

齿轮箱是风电机组的易损部件之一,及时准确诊断出齿轮箱故障是保障风电机组健康平稳运行的关键.与振动信号相比,电流信号易获取,可实现非侵入监测,己成为一种新的有效监测方式.然而,电流信号信噪比低,所包含的故障信息极易被基频和谐波分量调制所淹没.为此,本文提出基于稀疏滤波的电流信号故障特征学习方法.该方法利用稀疏滤波(Sparse Filtering,SF)的无监督学习方式训练网络,实现故障特征的自动学习和提取;然后将学习到的特征向量输入支持向量机(SVM),实现故障的自动识别与诊断.通过风电传动实验台开展齿轮箱故障模拟实验来验证所提出的方法.实验结果表明,该方法能够自动提取反映齿轮箱故障的有用特征,相比于传统手动特征提取方法,具有更高的诊断精度和效率.