技术特征：
1.基于多信号融合图模型风电齿轮箱故障诊断方法，其特征在于：包括声发射传感器(1)、噪声传感器(2)、振动传感器(3)、油温传感器(4)、位移传感器(5)等组成的一体化测量系统，并从多传感器信号选取特征参数及权重关系建立的数据快照图模型(6)；所述振动传感器(3)安装在风力发电机齿轮箱低速轴、高速轴和齿轮箱壳体上；所述噪声传感器(2)安装在齿轮箱外壳；所述油温传感器(4)安装在齿轮箱箱体上，测量齿轮箱油池内润滑油的温度；位移传感器(5)安装在机组主轴承上；声发射传感器(1)安装在高速轴上；通过对数据快照图模型(6)进行变量提取，计算获得各阶段的主成分序列距离分布区间，判断出齿轮箱的状态实现实时监测和故障预测。2.根据权利要求1中所述的基于多信号融合图模型风电齿轮箱故障诊断方法，其特征在于:由多传感器信号选取特征参数及权重关系建立的数据快照图模型(6)包括以下步骤：步骤1)保存采集到的齿轮箱中的混合信号；步骤2)选取的五种传感器信号特征参数进行归一化处理；步骤3)对声发射传感器进行降噪处理，利用皮尔逊系数来描述两个参数变量之间的相关性大小，对数据相关性结合声发射各特征参数的密切程度建立联系；步骤4)建立关于特征参数的图模型，图模型需要包含图的节点数据和边的权重，获取具体时间的各节点的数据信息，并且记录各节点之间的拓扑结构，其图模型的简化定义表达式如g＝(da,de)，da示节点上信号数据集合，de表示无向边权重集合；步骤5)对图模型节点之间进行权重选择；步骤6)采用马氏距离来确定具体时刻参数之间的权重步骤7)建立出两种不同类型的数据快照图；步骤8)第一种类型利用矩阵表示，包含n节点参数数据和e条连接边权重，其变量变成了n+e个节点和权重直接反映了某时刻的数据状态，形成数据快照图类型一；步骤9)第二种采用相邻时刻的数据进行作差，显示出参数节点数据的增量和边权重的增量，利用矩阵表示行数据包含n节点参数数据增量和e条连接边权重增量，其变量变成n+e个节点，列数据变成前后时间差，形成数据快照图类型二；步骤10)利用数据快照图模型对传感器信号进行阶段判断，通过计算相邻时刻的数据快照图模型之间的距离所属的区间阈值来判断信号的所属阶段；步骤11)使用主成分分析法对变量数据进行压缩，用少量的数据主要方面来代替原始数据：步骤12)提取信号。3.根据权利要求1中所述的基于多信号融合图模型风电齿轮箱故障诊断方法，其特征在于：利用噪声传感器(2)测量得到背景噪声，用以剔除声发射传感器(1)的噪声干扰。4.如权利要求2所述的基于多信号融合图模型风电齿轮箱故障诊断方法，其特征在于：选取的声发射信号、振动信号、噪声信号、油温信号、油压信号的特征参数都存在多个维度；为了消除差异，将选取的特征参数拉到同一维度构建联系分析，根据各变量在不同单位间取值的差异程度大小来决定其在分析中的重要性程度其参数归一化表达式
x
i
与y
i
表示声发射参数在归一化前后的数值，x
max
与x
min
分别是参数归一化前的最大值与最小值；多种传感器的信号特征参数进行归一化之后各参数的标准差保持相同，消除了参数在变换程度上的差异。5.如权利要求2所述的基于多信号融合图模型风电齿轮箱故障诊断方法，其特征在于：步骤3)中，首先建立路图信号与声发射信号之间的变换关系，声发射采集信号相对应的路图信号用矩阵形式表示如下x＝[x0,x1,x2,...,x
t
]
t
ꢀꢀ
(3)；为了进一步消除噪声对声发射的影响，所采集的声发射信号和噪声信号本质上是由原始信号和噪声信号组成，每个采集信号可以用表达式表示x(t)＝x0(t)+φ(t)
ꢀꢀ
(4)；其中，x0(t)是真实的声发射信号，φ(t)是噪音信号。6.如权利要求2所述的基于多信号融合图模型风电齿轮箱故障诊断方法，其特征在于：步骤3)中，数据快照图模型的建立，使用皮尔逊系数常用来描述两个参数变量之间的相关性大小，表达式如下cov(x,y)表示两个参数变量的协方差，里面的x,y分别表示节点数据和边的权重，σ
x
σ
y
表示两参数变量的标准差；ρ
x,y
变化范围是-1到1，表明从负相关到正相关。7.如权利要求2所述的基于多信号融合图模型风电齿轮箱故障诊断方法，其特征在于：步骤6)中采用马氏距离不仅能有效的表示两个未知样本集的相似度，也能考虑到数据特征之间的联系和数据的分布；x,y是分别从两个独立样本群中随机抽取的样本点，那么x,y之间的马氏距离可以用如下表达式表示∑-1
为两样本的协方差矩阵，d
m
(x,y)表示马氏距离；当计算样本点x与样本群之间的距离时，可以用如下表达式这里的u为样本群的均值向量。8.如权利要求2所述的基于多信号融合图模型风电齿轮箱故障诊断方法，其特征在于：步骤11)中使用主成成分分析，建立数据快照图模型类型一的k阶主成分序列，建立降维形成主成分序。9.如权利要求5所述的基于多信号融合图模型风电齿轮箱故障诊断方法，其特征在于：与二维变量降维成一维变量类似的降维过程，通过构建新的坐标轴进行降维。
技术总结
本发明公开了一种将多种传感器、多通道信号进行融合，生成图形进行识别的故障诊断方法，实现对风力发电机齿轮箱的故障诊断。本发明采用振动传感器、噪声传感器、声发射传感器、油温传感器、位移传感器组成一体测量技术，利用传感器数据建立快照图模型，并通过主成分分析法对变量进行主成分提取得出齿轮箱故障类型和位置。本发明可以解决不同传感器间数据孤立和不直观的问题，成功提取出综合信号的整体特征,适用于风力发电机齿轮箱信号的实时监测。测。测。
技术研发人员：廖力达 舒王咏 罗晓
受保护的技术使用者：长沙理工大学
技术研发日：2022.07.20
技术公布日：2022/10/25