摘要 随着风电机的不断发展，风电机组故障发生率也越来越高，随之带来的便是巨大的经济损失。齿轮箱作为整个系统的核心，一旦发生故障，直接影响到整个系统的性能和效率。为减少因齿轮箱故障而带来的经济损失，本文研究了一种基于支持向量机的故障诊断技术，分析了齿轮箱故障的振动特征，训练了样本数据并构造出合适的分类模型。对实际采集的振动信号进行分析的基础上，提取时域和频域的特征参数作为支持向量机的输入参数，通过支持向量机进行训练诊断，得出系统的故障分析结果。
　　关键词 齿轮箱；支持向量机；时域；频域
　　中图分类号TH16 文献标识码A 文章编号2095—6363（2017）03—0035—02
　　近年来，随着风能的不断推广，风电机组的使用趋于大型化，风电机组的故障发生率是影响风电机组运行性能的主要因素。然而，我国风电起步于20世纪90年代，发展的时间较短，风电机组的故障发生的规律仍缺少经验和积累。因此，风电机组的故障监测与诊断显得尤为重要。
　　1项目简介
　　风电机组由齿轮箱、发电机、控制系统等部分组成，如图1所示，齿轮箱是整个系统的核心部件。为研究齿轮箱的故障诊断方法，构建了如图2的风电机组齿轮箱故障诊断实验测试电路，本实验模拟了齿轮箱4种工作状态，具体描述如表1所示。
　　2特征提取
　　振动信号的故障特征采用时频联合的方式提取，时域特征包括：均值、均方值、倾斜度等；频域特征包括：频谱、集中分散程度、频率中心等。具体特征提取步骤如下所述。
　　1）由于采集到的原始振动信号含有各种噪声，这些噪声可能会对最终的分析结果造成不利的影响。因此，在对数据进行分析之前，需要进行预处理、降噪处理，以减少环境因素对实验结果的影响。采集的数据是N=1 024个时间采样点，采样频率为6 400Hz，连续采集了8个周期。
　　倒谱的发展是基于频域分析的，在故障诊断方面应用较为广泛，一般用来分辨信号的主要频率成分和变化。
　　3诊断方法
　　支持向量机SVM是一种新的神经网络，以统计学习理论为理论基础，以结构风险最小化为原则。在神经网络和机器学习的领域，支持向量机已成为当前研究热点之一。SVM主要思想是选择满足要求的核函数将非线性不可分的数据集映射到高维空间，使数据集线性可分，并在高维空间建立最优分类超平面，最终转化为求解凸规划的问题。
　　4测试方案
　　4.1数据采集
　　本实验从齿轮箱振动角度进行监测齿轮箱的状态，采集一定量的数据，将采集到的数据上传至电脑保存，对采集到的数据进行降噪、归一化等处理。实验数据由加速度传感器测量得到，测试模拟了齿轮箱的四種状态，如表1所示，每种状态10个样本，每个样本中含有x，y，z三维数据，每一维取512个采样点。
　　4.2支持向量机训练
　　4.3支持向量机诊断
　　将归一化的训练测试数据分别输入训练得到的四个分类器中进行测试，分类器输出为1的即为对应测试数据的故障类型，若分类器输出结果均为1，则该测试样本的故障不属于已训练出的4种故障类型。
　　4.4测试结果
　　基于时域特征的诊断和基于频域特征的诊断远比基于时频联合特征诊断的准确率差，这便是本文研究的意义所在。时域特征和频域特征在故障诊断技术领域中已难以满足要求，现需大力发展时频联合特征诊断故障的技术。
　　5结论
　　本文从理论知识出发，介绍了支持向量机的基本思想，并通过实际测试验证诊断的正确性。由数据采集，数据分析处理，提取时频域联合特征参数，模式识别到故障诊断，形成齿轮箱故障诊断系统，实现齿轮箱故障的智能监测。由诊断结果可知，支持向量机的诊断系统能在一定情况下满足正确性的要求。综上所述，本文对齿轮箱故障监测，减少齿轮箱故障的发生率，一定程度下降低经济损失方面具有一定的意义。