基于DSP-LightGBM算法的風(fēng)電機(jī)組齒輪箱高速軸齒輪健康狀態(tài)監(jiān)測研究

摘 要：齒輪箱高速軸齒輪作為齒輪箱最重要的部件之一，其健康狀態(tài)不僅對風(fēng)電機(jī)組的安全運(yùn)行與維護(hù)影響重大，還對風(fēng)電機(jī)組的發(fā)電量有直接影響。基于甘肅省某風(fēng)電場中風(fēng)電機(jī)組的狀態(tài)監(jiān)測系統(tǒng)（CMS）采集的大量風(fēng)電機(jī)組齒輪箱高頻振動信號，利用數(shù)字信號處理（DSP）方法與LightGBM算法構(gòu)建了可監(jiān)測風(fēng)電機(jī)組齒輪箱高速軸齒輪健康狀態(tài)的模型，利用DSP方法中的快速傅里葉變換（FFT）方法對信號進(jìn)行樣本擴(kuò)增；同時從時域與頻域的角度進(jìn)行特征構(gòu)造，篩選并剔除冗余特征，進(jìn)而構(gòu)建了基于Dsp-LightGBM算法的風(fēng)電機(jī)組齒輪箱高速軸齒輪健康狀態(tài)監(jiān)測分類模型，并利用CMS采集的風(fēng)電機(jī)組實際的齒輪箱高速軸齒輪高頻振動信號對所構(gòu)建模型進(jìn)行效果驗證。驗證結(jié)果顯示：所構(gòu)建模型預(yù)測效果良好，能夠高效檢測出風(fēng)電機(jī)組齒輪箱高速軸齒輪的狀態(tài)。

關(guān)鍵詞：風(fēng)電機(jī)組；齒輪箱；數(shù)字信號處理；LightGBM；快速傅里葉變換；狀態(tài)監(jiān)測

中圖分類號：TM315 文獻(xiàn)標(biāo)志碼：A

收稿日期：2023-12-08

通信作者：吳文韜（1994—），男，碩士，主要從事風(fēng)電領(lǐng)域數(shù)智化系統(tǒng)方面的研究。512283725@qq.com

0" 引言

風(fēng)能作為一種環(huán)保、綠色、可再生的清潔能源，在全球節(jié)能減排進(jìn)程中起到了越來越重要的作用。風(fēng)電的發(fā)展不僅為中國解決了眾多能源問題，也成為中國清潔能源發(fā)展的一個重要應(yīng)用方向。齒輪傳動系統(tǒng)是風(fēng)電機(jī)組的核心組成部分，而齒輪箱高速軸齒輪作為齒輪傳動系統(tǒng)中的重要部件之一，當(dāng)其處于異常狀態(tài)時，極易被損壞。利用振動傳感器對齒輪箱關(guān)鍵部件（齒輪、軸承等）進(jìn)行振動信號采集、分析和監(jiān)測的風(fēng)電機(jī)組狀態(tài)監(jiān)測系統(tǒng)（condition monitor system，CMS）已逐步成為風(fēng)電場的標(biāo)配，但其狀態(tài)監(jiān)測效果仍有明顯的提升空間。隨著中國風(fēng)電裝機(jī)容量的不斷增長，開發(fā)高效、準(zhǔn)確的齒輪箱高速軸齒輪健康狀態(tài)監(jiān)測技術(shù)[1-5]，具有重要意義。

目前，基于數(shù)字信號處理（DSP）方法的健康狀態(tài)監(jiān)測技術(shù)已經(jīng)成為國內(nèi)外公認(rèn)的主流技術(shù)，其中，快速傅里葉變換（FFT）是一個非常重要的工具，可實現(xiàn)頻域分析和信號統(tǒng)計特征提取等[6]；而近年來基于離散小波變換（DWT）、經(jīng)驗?zāi)B(tài)分解（EMD）等的非穩(wěn)態(tài)信號處理方法也獲得了廣泛關(guān)注[7]。但是這些方法對于狀態(tài)監(jiān)測及故障診斷[8]，仍無法做到有效識別；且DSP方法在特征選擇和狀態(tài)量化評估方面仍需改進(jìn)[9]。基于此，本文以甘肅省某風(fēng)電場中的風(fēng)電機(jī)組為例，選取CMS采集的大量齒輪箱高速軸齒輪高頻振動信號，通過DSP方法進(jìn)行準(zhǔn)確的齒輪振動信號特征提取，再利用LightGBM算法實現(xiàn)其直觀狀態(tài)評估，從而構(gòu)建可進(jìn)行風(fēng)電機(jī)組齒輪箱高速軸齒輪健康狀態(tài)監(jiān)測的模型雛形[6]（下文簡稱為“狀態(tài)監(jiān)測模型”），并通過模型訓(xùn)練，最終確定模型形式，最后進(jìn)行效果驗證。

1" FFT介紹

DSP方法主要是利用計算機(jī)或?qū)Ｓ锰幚碓O(shè)備，以數(shù)值計算的方法對信號進(jìn)行采集、變換、綜合、估值與識別等加工處理，以達(dá)到提取信號統(tǒng)計特征和便于實際應(yīng)用的目的。在DSP方法發(fā)展過程中，作為其技術(shù)分支的FFT的出現(xiàn)使信號分析的運(yùn)算速度提高了幾百倍，將信號的處理技術(shù)推向了一個新階段，隨之其也形成了一套完整的理論和實現(xiàn)方法。因此，本文采用FFT對CMS采集的齒輪箱高速軸齒輪高頻振動信號進(jìn)行分析處理。

傅里葉變換是將信號從時域變換到頻域的一種變換形式，是信號處理領(lǐng)域中一種重要的分析工具；而FFT是實現(xiàn)離散傅里葉變換（DFT）的一種高效方式。

對于有限長數(shù)字信號x（n），其經(jīng)過DFT后的頻域信號X（k）可表示為：

（1）

式中：WN為旋轉(zhuǎn)因子，具有對稱性和周期性；N為x（n）的長度；n為x（n）的離散時間點(diǎn)索引，表示時域信號的采樣點(diǎn)序號，用于確定時域信號在時間上的離散位置；k為X（k）的頻率索引，表示頻域中的不同頻率成分。

旋轉(zhuǎn)因子可表示為：

WN=e" " " " " " " " " " " " " " " " " " " " " " " " " " " " " （2）

式中：j為虛數(shù)單位，滿足j2=-1；e為自然常數(shù)。

FFT利用旋轉(zhuǎn)因子的對稱性和周期性特性，通過分解DFT矩陣，將長序列DFT的計算分解為多個短序列DFT的計算，簡化了計算過程，降低了運(yùn)算時間，顯著提高了頻譜計算的效率，使頻域分析成為可能；且FFT計算結(jié)果與直接DFT計算結(jié)果精度相同。

2" LightGBM算法原理

XGBoost和pGBRT等算法可能并不適用于處理大量數(shù)據(jù)和眾多特征[10]，部分原因是因為這些算法需要遍歷每個特征的所有數(shù)據(jù)樣本，以估算所有可能出現(xiàn)的分割點(diǎn)的信息增益，這可能會導(dǎo)致計算效率低下。因此，LightGBM算法[11]對XGBoost算法進(jìn)行了優(yōu)化，其是一種基于梯度提升決策樹（GBDT）的機(jī)器學(xué)習(xí)算法，囊括了基于梯度的單側(cè)采樣（GOSS）算法、互斥特征捆綁（EFB）算法及直方圖（Histogram）算法。LightGBM算法中各算法的特征及運(yùn)用方式如表1所示。

GOSS算法的計算過程為：

1）輸入訓(xùn)練數(shù)據(jù)、迭代次數(shù)、大梯度數(shù)據(jù)的采樣率a、小梯度數(shù)據(jù)的采樣率b，選擇弱學(xué)習(xí)器的類型。

2） GOSS算法先將所有樣本的梯度數(shù)據(jù)絕對值進(jìn)行從大到小的排序，然后選取具有最大梯度的前a個樣本作為集合A；剩下的（1–a）個樣本（稱為集合Ac），從中隨機(jī)抽取b個樣本（稱為集合B），則其中隨機(jī)抽取的小梯度樣本的占比為b·（1–a）；通過這種方式，在保留部分重要樣本的同時，也引入了一定比例的相對不那么重要但具有隨機(jī)性的樣本，且在利用小梯度樣本計算信息增益時，需乘以1個常數(shù)系數(shù)（1–a）/b，這樣就只需要更多地關(guān)注訓(xùn)練不足的樣本，而無需較多改變原始數(shù)據(jù)分布。

Histogram算法的計算步驟為：

1）為每個特征創(chuàng)建1個直方圖，每個直方圖需體現(xiàn)兩類統(tǒng)計值，分別為每個bin中樣本的梯度之和、每個bin中的樣本數(shù)量。

2）對于每個特征，遍歷所有的樣本，將上述兩類統(tǒng)計值累積到樣本所屬的bin中。

3）對于某個葉子節(jié)點(diǎn)，遍歷所有的bin，分別以當(dāng)前bin作為分割點(diǎn)，累加其左邊的bin至當(dāng)前bin中樣本的梯度和及樣本數(shù)量中，并將父節(jié)點(diǎn)上的總梯度和與總樣本數(shù)量相減，得到右邊所有bin中樣本的梯度和及樣本數(shù)量，并以此計算該節(jié)點(diǎn)的信息增益。在遍歷過程中，取最大的增益值，以最大信息增益值對應(yīng)的那個時刻的特征和bin的特征值分別作為分裂節(jié)點(diǎn)的特征和分裂特征值取值。

4）針對所有的葉子節(jié)點(diǎn)，重復(fù)上述操作，遍歷所有的特征，找到信息增益值最大時所對應(yīng)的特征及當(dāng)前葉子節(jié)點(diǎn)的劃分值，以此來分裂該葉子節(jié)點(diǎn)。

3" 狀態(tài)監(jiān)測模型構(gòu)建時的特征分析

3.1" 時域特征

對CMS采集的設(shè)備高頻振動信號進(jìn)行分析、統(tǒng)計，求出相應(yīng)的時域特征值。不同時域特征的計算方法如表2所示。

3.2" 頻域特征

頻域特征的提取步驟為：

1） 倍頻對齊。提取頻率特性時，必須對基于FFT的幅值頻譜圖的橫軸進(jìn)行均勻的倍頻變換，即需進(jìn)行倍頻對齊。因為經(jīng)過數(shù)據(jù)分析發(fā)現(xiàn)，故障頻率所具有的特殊性一般與通過CMS收集的數(shù)據(jù)中的轉(zhuǎn)速數(shù)據(jù)有關(guān)。倍頻對齊的具體做法是：①將轉(zhuǎn)速值除以60，從而實現(xiàn)分鐘到秒的變換，得到以赫茲為單位的轉(zhuǎn)頻；②將幅值頻譜圖中的頻率橫坐標(biāo)除以轉(zhuǎn)頻，得到倍頻；③針對額定轉(zhuǎn)速為1200 rpm （對應(yīng)轉(zhuǎn)頻為20 Hz）、采樣頻率為25600 Hz（依據(jù)Nyquist采樣定理，對應(yīng)的最大分析頻率為12800 Hz）的工況，估算出合適的最大倍頻和倍頻步長，并為所有樣本設(shè)定統(tǒng)一的以倍頻為橫坐標(biāo)的取值列表；④將原幅值頻譜圖橫軸的頻率轉(zhuǎn)換為倍頻。

2） 離散化（即“區(qū)間劃分”）。幅值頻譜圖橫坐標(biāo)轉(zhuǎn)換為倍頻之后，可進(jìn)行倍頻區(qū)間劃分，設(shè)定相鄰區(qū)間之間有一定的取值覆蓋，從而保證特征頻率可被充分檢測。倍頻區(qū)間的劃分方式如表3所示。

3）頻域特征提取。對每個倍頻區(qū)間進(jìn)行特征提取，提取方法有兩種，分別為頻域描述方法和頻域峰值方法。頻域描述方法是依次從每個倍頻區(qū)間提取表2中的時域特征。頻域峰值方法是指提取倍頻區(qū)間內(nèi)相對于鄰近值的最高點(diǎn)，可以提取多個較高的峰值點(diǎn)及其橫坐標(biāo)值。

以某時段數(shù)據(jù)的60～70 Hz倍頻區(qū)間為例，依據(jù)頻域峰值方法提取了30個特征峰值，如圖1所示。需要說明的是，圖中深紅色為提取出的特征峰值。

由圖1可知：采用頻域峰值方法得到的特征峰值均為此倍頻區(qū)間內(nèi)的較高值。

3.3" 特征選擇

由于在構(gòu)建狀態(tài)監(jiān)測模型時無法預(yù)知哪些特征對于監(jiān)測結(jié)果的影響程度較大，只有選擇全部的特征來訓(xùn)練模型，利用模型訓(xùn)練完1輪后，再剔除無用或冗余的特征。這不僅是為了實現(xiàn)對數(shù)據(jù)的降維和優(yōu)化[6]，也是為了避免模型過擬合，提高模型的泛化能力，因此，需要先對所有的特征進(jìn)行重要性排名。

如果信號的特征數(shù)量過多，則可以使用決策樹算法，基于特征分裂過程進(jìn)行特征選擇。本文基于基尼系數(shù)[11]，根據(jù)打亂特征值，利用得到的測試數(shù)據(jù)集進(jìn)行測試，通過測試值和真實目標(biāo)值計算損失函數(shù)，并評估損失函數(shù)的值因特征值的隨機(jī)排序而升高了多少，只留下能對訓(xùn)練數(shù)據(jù)起到分類或回歸作用的特征，剔除冗余或不重要的特征，以提高模型的學(xué)習(xí)效率和準(zhǔn)確度。

對基于頻域描述方法提取的所有特征進(jìn)行統(tǒng)計，并列舉重要性排名前39位的特征，如表4所示；其重要性如圖2所示。

在模型訓(xùn)練時，將重要性低的頻域特征刪除，一方面可提高運(yùn)算效率，另一方面可使模型更快捷地捕捉對應(yīng)特征。

從重要性排名前39位的特征中選取重要性排名前10位的特征，其重要性如表5所示。

4" 實證分析

4.1" 信號獲取

本文以甘肅省某風(fēng)電場的50臺風(fēng)電機(jī)組為例，選取CMS采集的這些風(fēng)電機(jī)組2022年5—11月的齒輪箱信號，這些信號包含高頻振動信號和溫度信息。在50臺風(fēng)電機(jī)組中，共有7臺風(fēng)電機(jī)組在此期間發(fā)生過齒輪箱高速軸齒輪斷齒等故障。CMS采集齒輪箱高頻振動信號時的采樣頻率為25600 Hz，風(fēng)力發(fā)電機(jī)額定轉(zhuǎn)速（等同于齒輪箱高速軸轉(zhuǎn)速）為1200 rpm，以此信息作為本文研究的風(fēng)電機(jī)組的機(jī)理信息。為了兼顧樣本數(shù)量和樣本特征的一致性，對樣本進(jìn)行工況篩選，選取額定轉(zhuǎn)速為1200±50 rpm的信號；同時，為了兼顧樣本的泛化能力，按比例選取了轉(zhuǎn)速在800～1050 rpm之間的信號，保證了樣本信號處于較為統(tǒng)一的轉(zhuǎn)速水平。

4.2" 樣本擴(kuò)增

總體來說，CSM實際采集到的風(fēng)電機(jī)組信號中，大部件的異常信號占比較小[9]。雖然本文使用的信號中有7臺風(fēng)電機(jī)組在所選取的時間段發(fā)生過齒輪箱高速軸齒輪斷齒等故障，但在此期間均僅發(fā)生過1次，因此故障樣本信號占比較小。雖然在特征工程階段會對信號進(jìn)行大量的變換和統(tǒng)計等特征構(gòu)造、特征選擇工作，以方便通過機(jī)器學(xué)習(xí)算法更加快捷地捕捉到問題本質(zhì)，但機(jī)器學(xué)習(xí)算法對信號樣本數(shù)量有較高的要求，因此，本文對樣本數(shù)量進(jìn)行擴(kuò)增。

樣本擴(kuò)增是指通過合理（符合風(fēng)電機(jī)組的機(jī)械工程學(xué)原理）的方式對原始信號進(jìn)行分割、變換、組合、加噪等處理，構(gòu)造出更多的樣本供機(jī)器學(xué)習(xí)算法學(xué)習(xí)，以提高模型預(yù)測的準(zhǔn)確性和泛化能力。根據(jù)本文使用的CMS采集的信號特點(diǎn)，采用時長分割和組合均值兩種方式進(jìn)行樣本擴(kuò)增。

4.2.1" 時長分割

時長分割是指將原始文件按照時長平均分割成更小的文件，以達(dá)到擴(kuò)增樣本數(shù)量的目的。例如：本文使用的CMS采集的信號原始文件的時長是4 s，可以平均分割為4個1 s的文件，也可以分割為兩個2 s的文件。分割成的小文件與原始文件之間會存在一定的差異性，在一定程度上提高了樣本庫的豐富性、多樣性；但隨著分割數(shù)量的增加，分割成的小文件包含的信息量會隨之減小，這將在一定程度上增加學(xué)習(xí)器的學(xué)習(xí)難度。因此，采用時長分割方式時，分割的樣本數(shù)量需折中考慮。

4.2.2" 組合均值

組合均值是指將兩個或兩個以上的原始信號文件，以均值的方式組合，從而形成新的樣本。由于樣本的時域、頻域信號形式之間存在差異，因此時域組合與頻域組合方法需分別討論。

1） 時域組合。由于原始文件內(nèi)容為時域波形信號，不同信號文件的波峰、波谷、相位等的變化不一致，因此不能簡單地將兩個原始文件的時域波形信號求平均值，可將時域波形信號依據(jù)相應(yīng)的統(tǒng)計指標(biāo)計算出來之后，再將這些值求平均值。此處的統(tǒng)計方法主要是指各類時域特征，這意味著在時域組合之前，需要完成時域特征的提取工作。樣本的兩個原始文件通過時域組合方式得到的新樣本的特征值如表6所示。

2） 頻域組合。頻域組合可基于FFT的幅值頻譜信號進(jìn)行，具體步驟為：①倍頻對齊。倍頻對齊的目的，一方面是為了特征構(gòu)造，在一定程度上緩解轉(zhuǎn)速差異造成的特征頻率差異；另一方面是為了樣本擴(kuò)增，為有一定轉(zhuǎn)速差異的樣本組合和樣本擴(kuò)增打下基礎(chǔ)。②幅值求均值。通過頻域組合方式得到的新樣本的特征值如表7所示。由于以倍頻（fft_x）為橫坐標(biāo)的樣本信號已經(jīng)對齊，只需對以幅值（fft_y）為縱坐標(biāo)的樣本信號進(jìn)行均值處理即可；頻域組合求均值后，可按照正常的特征工程等步驟進(jìn)行后續(xù)處理。

4.3" 模型訓(xùn)練

下文基于狀態(tài)監(jiān)測模型，進(jìn)行模型訓(xùn)練。

4.3.1" 數(shù)據(jù)劃分

數(shù)據(jù)劃分是指將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集的過程，其結(jié)果會直接影響模型的泛化能力與運(yùn)算速度等性能。因此，為了避免數(shù)據(jù)劃分不均衡對模型預(yù)測結(jié)果產(chǎn)生的不利影響，本文數(shù)據(jù)劃分以風(fēng)電機(jī)組機(jī)位號、故障時間等變量為維度，對數(shù)據(jù)進(jìn)行分層抽樣。

同時，為了進(jìn)一步提升狀態(tài)監(jiān)測模型的泛化能力，本文將進(jìn)行10折交叉驗證，步驟為：先將數(shù)據(jù)集隨機(jī)劃分為10份大小相同的互斥子集，輪流將1份作為測試集，剩下的9份作為訓(xùn)練集，進(jìn)行試驗。

4.3.2" 評價指標(biāo)的計算

分類問題的本質(zhì)是將預(yù)測目標(biāo)分為不同的類別或標(biāo)簽。設(shè)定以故障概率0.5作為預(yù)測結(jié)果的截斷點(diǎn)，將故障概率大于等于0.5的樣本標(biāo)記為“預(yù)測為1”；將故障概率小于0.5的樣本標(biāo)記為“預(yù)測為0”。在分類問題中，通常會出現(xiàn)4種不同的預(yù)測結(jié)果，分別為：真陽性（true positive，TP），即真實為1，預(yù)測為1；假陰性（1 negative，F(xiàn)N），即真實為1，預(yù)測為0；假陽性（1 positive，F(xiàn)P），即真實為0，預(yù)測為1；真陰性（true negative，TN），即真實為0，預(yù)測為0。對落入這些結(jié)果的樣本數(shù)量進(jìn)行統(tǒng)計，并用于下述評價指標(biāo)的計算，對分類模型的準(zhǔn)確性進(jìn)行多維度評價。

1） ROC_AUC。ROC_AUC是指受試者工作特征（receiver operating characteristic，ROC）曲線下方包圍的面積。ROC曲線是通過一系列不同的截斷點(diǎn)得到的真正率TPR和假正率FPR形成的坐標(biāo)點(diǎn)連接繪制而成。真正率和假正率的計算式分別為：

（16）

式中：BTP為真陽性樣本數(shù)量；BFN為假陰性樣本數(shù)量。

（17）

式中：BFP為假陽性樣本數(shù)量；BTN為真陰性樣本數(shù)量。

2） 正確率的計算方法為：

（18）

3） 精確率的計算方法為：

（19）

4） 召回率的計算方法為：

（20）

5） F1分?jǐn)?shù)的計算方法為：

（21）

4.3.3" 模型訓(xùn)練結(jié)果

狀態(tài)監(jiān)測模型訓(xùn)練得到的評價指標(biāo)對應(yīng)的值如表8所示。

由表8可知：ROC_AUC值基本達(dá)到了0.95及以上，說明本文模型有較好的預(yù)測能力。通過觀察以0.5為故障概率截斷點(diǎn)時對應(yīng)的各指標(biāo)取值，可以預(yù)估在調(diào)整故障概率截斷點(diǎn)之后某個評價指標(biāo)可達(dá)到的最佳狀態(tài)。表8也給出了第n（1≤n≤10）折交叉驗證時，正確率達(dá)到最佳值時對應(yīng)的故障概率截斷點(diǎn)取值。

4.4" 模型的超參數(shù)設(shè)置

經(jīng)過10折交叉驗證后，綜合狀態(tài)監(jiān)測模型的ROC_AUC、正確率、召回率等多項評價指標(biāo)，根據(jù)多項評價指標(biāo)均較好的結(jié)果，確定了狀態(tài)監(jiān)測模型的超參數(shù)，主要超參數(shù)設(shè)定如表9所示。

由表9可知：狀態(tài)監(jiān)測模型經(jīng)過訓(xùn)練后，最終形成的模型為基于DSP-LightGBM算法的風(fēng)電機(jī)組齒輪箱高速軸齒輪的狀態(tài)監(jiān)測分類模型（以下簡稱為“本文模型”）。

5" 模型驗證

從該風(fēng)電場的50臺風(fēng)電機(jī)組中選出1臺在2018年6—11月發(fā)生過齒輪箱高速軸齒輪斷齒故障的風(fēng)電機(jī)組，利用當(dāng)時CMS采集的其齒輪箱高頻振動信號進(jìn)行本文模型預(yù)測結(jié)果驗證，得到的故障概率預(yù)測結(jié)果如圖3所示。其中：2018年9月1日的風(fēng)電場定檢報告上顯示齒輪箱發(fā)生了高速軸齒輪斷齒故障，并在2018年9月23日完成修復(fù)，該風(fēng)電機(jī)組恢復(fù)正常運(yùn)行；由于9月2—22日風(fēng)電機(jī)組停機(jī)，無有效監(jiān)測數(shù)據(jù)。

由圖3可知：對比齒輪箱高速軸齒輪斷齒故障修復(fù)前后的數(shù)據(jù)，本文模型的故障概率有明顯下降，說明本文模型的預(yù)測結(jié)果與風(fēng)電機(jī)組實際情況相吻合，模型預(yù)測效果良好。預(yù)測的故障概率值可以作為齒輪箱高速軸齒輪斷齒故障的評價指標(biāo)，當(dāng)該指標(biāo)較高時，代表故障概率高、齒輪箱健康狀況不佳；當(dāng)該指標(biāo)偏低時，代表故障概率低、齒輪箱健康狀況良好。

后期經(jīng)過大量數(shù)據(jù)驗證發(fā)現(xiàn)：在實際應(yīng)用中，可將本文模型的故障概率閾值設(shè)定為0.8，若本文模型的故障概率大于閾值，則模型告警，提示齒輪箱高速軸齒輪存在異常；否則，模型顯示正常。

6" 結(jié)論

本文基于甘肅省某風(fēng)電場中風(fēng)電機(jī)組的CMS采集的大量風(fēng)電機(jī)組齒輪箱高頻振動信號，利用DSP方法與LightGBM算法構(gòu)建了可監(jiān)測風(fēng)電機(jī)組齒輪箱高速軸齒輪健康狀態(tài)的模型，利用DSP方法中的FFT方法，對信號進(jìn)行了樣本擴(kuò)增；同時，從時域與頻域的角度進(jìn)行特征構(gòu)造，篩選并剔除冗余特征，進(jìn)而構(gòu)建了基于LightGBM算法的風(fēng)電機(jī)組齒輪箱高速軸齒輪健康狀態(tài)監(jiān)測分類模型，并利用CMS采集的風(fēng)電機(jī)組實際的齒輪箱高速軸齒輪高頻振動信號對所構(gòu)建模型的預(yù)測效果進(jìn)行了驗證。驗證結(jié)果顯示：所構(gòu)建模型預(yù)測效果良好，能夠高效檢測出風(fēng)電機(jī)組齒輪箱高速軸齒輪的狀態(tài)。

目前該模型還存在一定的不足和局限性，主要原因在于故障案例、故障種類、樣本數(shù)量都相對偏少，后續(xù)可通過搜集更多的故障案例、故障種類、樣本數(shù)量來對模型進(jìn)行調(diào)整和優(yōu)化。

[參考文獻(xiàn)]

[1] 尹詩，侯國蓮，于曉東，等. 基于SCADA數(shù)據(jù)的風(fēng)電機(jī)組齒輪箱狀態(tài)監(jiān)測方法[J]. 太陽能學(xué)報，2021，42（1）：324-332.

[2] REN J，YU Z P，GAO G L，et al. A CNN-LSTM-LightGBM based short-term wind power prediction method based on attention mechanism[J]. Energy reports，2022，8：437-443.

[3] 湯婷. 基于信息融合的風(fēng)電齒輪箱軸承故障檢測方法研究[D]. 蘭州：蘭州理工大學(xué)，2021.

[4] 陳庭記，桂帆，郭政，等. 基于不同運(yùn)行狀態(tài)的風(fēng)電機(jī)組齒輪箱故障率預(yù)測模型[J]. 太陽能學(xué)報，2023，44（4）：45-51.

[5] 黃宏臣，郭四洲，王子彥，等. 加速度包絡(luò)解調(diào)方法在風(fēng)力發(fā)電機(jī)滾動軸承早期故障診斷應(yīng)用研究[J]. 機(jī)械設(shè)計與制造，2022（3）：251-253，257.

[6] 周慶梅，劉冰冰，胡號朋，等. 基于重構(gòu)特征和寬度學(xué)習(xí)的海上風(fēng)電機(jī)組齒輪箱高速軸故障預(yù)警[J]. 船舶工程，2022，44（增刊2）：32-36.

[7] 彭媛寧. 基于音頻特征的風(fēng)電葉片損傷監(jiān)測技術(shù)研究[D]. 南京：南京航空航天大學(xué)，2018.

[8] 張鈺，陳珺，王曉峰，等. 隨機(jī)森林在滾動軸承故障診斷中的應(yīng)用[J]. 計算機(jī)工程與應(yīng)用，2018，54（6）：100-104，114.

[9] 陳亞楠，胡凱凱，陳剛，等. 基于機(jī)器學(xué)習(xí)的風(fēng)電機(jī)組齒輪箱故障預(yù)警[J]. 控制與信息技術(shù)，2021（5）：108-112.

[10] 呂明珠. 風(fēng)電軸承狀態(tài)監(jiān)測與智能維護(hù)策略研究[J]. 電氣開關(guān)，2021，59（3）：35-40.

[11] 陳維剛，張會林. 基于RF-LightGBM算法在風(fēng)機(jī)葉片開裂故障預(yù)測中的應(yīng)用[J]. 電子測量技術(shù)，2020，43（1）：162-168.

[12] 蘇元浩，孟良，許同樂，等. 不平衡數(shù)據(jù)集下優(yōu)化WGAN的風(fēng)電機(jī)組齒輪箱故障診斷方法[J]. 太陽能學(xué)報，2022，43（11）：148-155.

Research on Health Status Monitoring of High-Speed Shaft Gears in Wind Turbine Gearboxes Based on

DSP-LightGBM Algorithm

Wu Zhiquan1，Yu Haiying2，Wang Song1，Wu Wentao3，Zuo Kanghui4

（1. SPIC Yunnan International Power Investment Co.，Ltd，Kunming" 650228，China；

2. Harbin Energy Innovation Digital Technology Co.，Ltd，Harbin 150000，China；

3. Yunnan Power Investment Green Energy Technology Co.，Ltd，Kunming 650228，China；

4. New Energy Development Branch，SPIC Yunnan International Power Investment Co.，Ltd，Kunming 650228，China）

Abstract：As one of the most important components of the gearbox，health status of the high-speed shaft gear not only has a significant impact on the safe operation and maintenance of the wind turbine，but also has a direct impact on the power generation capacity of the wind turbine. This paper is based on a large number of high-frequency vibration signals of wind turbine gearboxes collected by the state monitoring system （CMS） of wind turbines in a wind farm in Gansu Province. A model that can monitor the health status of high-speed shaft gears in wind turbine gearboxes is constructed using digital signal processing （DSP） methods and LightGBM algorithm. The signal is simple amplified using the fast Fourier transform （FFT） method in DSP methods. Simultaneously constructing features from both time and frequency domains，filtering and removing redundant features，a classification model for the health status monitoring of high-speed shaft gears in wind turbine gearboxes based on DSP-LightGBM algorithm is constructed. The actual high-frequency vibration signals of high-speed shaft gears in wind turbine gearboxes collected by CMS are used to verify the effectiveness of the model. The verification results show that the constructed model has good prediction performance and can efficiently detect the high-speed shaft gear state of the wind turbine gearbox.

Keywords：wind turbines；gearbox；DSP；LightGBM；FFT；status monitoring