CN107563251A

CN107563251A - 基于极限学习机的风机故障诊断方法

Info

Publication number: CN107563251A
Application number: CN201610503720.9A
Authority: CN
Inventors: 卢锦玲; 绳菲菲; 赵洪山
Original assignee: North China Electric Power University
Current assignee: North China Electric Power University
Priority date: 2016-07-01
Filing date: 2016-07-01
Publication date: 2018-01-09
Anticipated expiration: 2036-07-01
Also published as: CN107563251B

Abstract

本文公开了一种基于极限学习机的风机故障诊断方法，包括以下步骤：采用风机轴承振动信号的时域特征参数作为样本特征向量，形成训练集和测试集；分别用1、2、3、4对训练集和测试集中的类别进行标识；在训练集上进行ELM分类模型学习：选取激活函数，通过改进PSO结合CV优化得到ELM参数；将测试集的样本代入分类器中验证其类别。加强对风电机组轴承的故障诊断，对减少风机停机时间，提高风电场运行经济效益具有重要意义。

Description

基于极限学习机的风机故障诊断方法

技术领域

本发明涉及风机故障诊断领域，更具体的说涉及一种基于极限学习机的风机故障诊断方法。

背景技术

随着世界人口的持续增加和社会的不断发展，人类对于能源的需求与日俱增，而石油、煤炭等传统能源的储量急剧减少，因此大力发展新能源显得尤为重要。风能是一种无污染、可再生的新能源，因此风力发电近年来在世界各地得到了越来越多的研究和发展。但是，风电机组大多安装在非常恶劣的自然环境下，很容易受到变速变方向的风力冲击以及温差的侵蚀，因此风机比较容易发生故障。轴承是风机中至关重要的传动部件，可以减少各部件相对运动的阻力，起支撑和导向作用。如果轴承发生故障，机组将停止运行，风机的利用率大幅度下降，给风电场带来极大的经济损失。因此，快速有效地诊断风机轴承的故障是提高风机利用率，进而提高风电场经济效益的有效措施。

目前，应用于风机轴承故障诊断的人工智能方法主要有反向传播神经网络(BackPropagation Neural Network，BPNN)、支持向量机(Support Vector Machine，SVM)和最小二乘支持向量机(Least Squares Support Vector Machine，LS-SVM)。BPNN算法可以实现非线性复杂映射，并且具有良好的自适应能力；然而该算法的隐含层数目难以确定，且存在“过拟合”，收敛速度慢，容易陷入局部最优的问题，影响模型的预测能力；SVM算法不存在BPNN算法的问题；但是需要借助二次规划获得支持向量，且约束条件为不等式约束，影响分类精度；LS-SVM算法在SVM算法的基础上有所改进，将最小二乘线性系统作为损失函数，代替二次规划，且用等式约束代替不等式约束；但是LS-SVM模型不具有稀疏性，对于未知样本的分类需要将所有训练样本都作为支持向量，导致该算法的训练速度较慢。

极限学习机(Extreme Learning Machine，ELM)是一种性能优良的单隐含层前馈神经网络(Single-hidden Layer Freeforward Neural Network，SLFN)的学习算法。该方法的训练样本数目可根据具体情况设定；隐含层节点阈值和输入层与隐含层之间的连接权值是随机产生的，并且在训练过程中不需要进行调整；通过确定隐含层节点的个数，就可以得到唯一的最优解；学习效率快；泛化性能好。

发明内容

为快速有效地对风电机组轴承的故障进行诊断，提出了一种基于极限学习机的诊断方法，以尽快判定轴承故障类型，减少不必要的停机时间，提高风电场的经济效益。

为实现上述目的，本发明采用的技术方案是：

①采用风机轴承振动信号的时域特征参数作为样本特征向量，形成训练集和测试集；

②分别用1、2、3、4对训练集和测试集中的类别进行标识；

③在训练集上进行ELM分类模型学习：选取激活函数，通过改进PSO结合CV优化得到ELM参数；

④将测试集的样本代入分类器中验证其类别。

本发明的技术方案具有以下有益效果：

采用时域特征参数作为样本特征向量，可以很好地表征振动信号信息；利用改进PSO结合CV获得ELM故障诊断模型的最优参数。实例分析结果表明，采用ELM与改进PSO结合的方法可以准确、有效地对风电机组轴承的故障进行诊断。

附图说明

图1是故障诊断模型流程图；

图2是改进PSO结合CV优化ELM参数流程图：

图3是ELM算法流程图；

图4是改进PSO的适应度值变化图；

图5是ELM的分类输出图；

具体实施方式

下面将结合附图和具体实施例对本发明进行进一步详细说明。

本文所采用的风机轴承振动信号出自轴承实验室，采样频率为120000Hz，每个样本的采样点数为1000。在实验过程中，通过电火花加工技术，在轴承的内圈、外圈和滚动体三个位置分别植入损伤点来模仿各个故障，并利用传感器获得振动信号。

1)本发明实施例的具体步骤流程如图1所示。

2)用时域特征参数作为风电机组轴承振动信号的样本特征向量，形成训练集和测试集。

9个时域特征参数分别为：均值u_m、标准偏差u_std、均方根值u_rms、峰值u_p，波形因子K_SF、峰值因子K_CF、脉冲因子K_IF、裕度因子K_CLF以及峭度因子K_u，计算公式如式(1)-(9)所示，因此，ELM模型的输入层节点数为9。

u_p＝{max[u(i)]-min[u(i)]}/2 (4)

K_CF＝u_p/u_rms (6)

部分特征向量见表1：

表1部分特征向量

3)轴承作为传动部件，运行过程中要承受巨大的转矩，容易发生内圈、外圈和滚动体故障，因此，本文采用的轴承状态为正常状态以及三种故障状态。用{A，B，C，D}分别表示其类别标签，因此，ELM模型的输出层节点数为1。每种轴承状态分别选取30个样本，训练样本与测试样本按照2∶1比例分配。

4)改进PSO结合CV优化ELM参数流程图如图2所示。改进PSO与5-CV结合优化ELM模型参数的主要过程如下：

①设X^S为包含有S个样本的样本集，随机组合形成K个相互独立的子样本集(样本个数大体相等)，用表示；

②用(集合差运算)作为训练样本对模型进行训练，用作为验证样本对模型进行验证，这样就得到K个模型以及K个在相应验证集上的正判率；

③用K个模型的平均正判率作为PSO的适应度函数，如式(10)所示。

其中，

表示包含的样本数；表示由训练得到的模型对输入向量x_i的验证结果。

④采用PSO优化得到ELM模型的参数。以连续20代个体适应度值相同为终止条件。改进PSO的适应度值如图4所示，可以看出，迭代次数达到55代以后，适应度值保持95％不变，满足终止条件。此时，ELM参数的最佳组合为{650，0.6}。

5)表2给出了在L与λ值保持不变时，不同的激活函数对ELM模型的训练集与测试集诊断正确率的影响。可以看出，当激活函数为Tribas时，ELM模型的诊断正确率是最高的，因此，采用Tribas激活函数。

表2基于不同激活函数的诊断正确率比较

6)对ELM模型进行训练后，将表1中的8个样本代入，得到诊断结果如表3所示：将轴承四种状态对应的测试样本代入，得到诊断结果如图5所示。可以看出，该方法可以对风机轴承的故障进行非常精确的诊断。

表3表1中样本的故障类型

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于极限学习机的风机故障诊断方法，包括以下步骤：

②分别用1、2、3、4对训练集和测试集中的类别进行标识；

④将测试集的样本代入ELM分类器中验证其类别。

2.根据权利要求1所述的基于极限学习机的风机故障诊断方法，其特征在于步骤①中对振动信号进行特征提取：

时域特征可以很好地表征振动信号的信息，因此选取9个有代表性的时域特征参数作为样本的特征向量，分别为：均值u_m、标准偏差u_std、均方根值u_rms、峰值u_p，波形因子K_SF、峰值因子K_CF、脉冲因子K_IF、裕度因子K_CLF以及峭度因子K_u，计算公式如式(1)-(9)所示，因此，ELM模型的输入层节点数为9。

u_p＝{max[u(i)]-min[u(i)]}/2 (4)

K_CF＝u_p/u_rms (6)

。

3.根据权利要求1所述的基于极限学习机的风机故障诊断方法，其特征在于步骤②中用{1，2，3，4}依次表示轴承的正常状态、内圈故障、外圈故障和滚动体故障；每种状态分别取30个样本进行分析，其中20个样本作为训练样本，其它10个样本作为测试样本。

4.根据权利要求1所述的基于极限学习机的风机故障诊断方法，其特征在于步骤③中ELM的模型原理为：

设输入层与隐含层之间的连接权值w，隐含层与输出层之间的连接权值β，隐含层节点阈值b分别为：

其中，m表示输出层节点的个数；

设隐含层节点的激活函数为G(w，x，b)，则含有N个样本的训练集的输出结果T可以表示为：

T＝[t₁，t₂，…，t_N]_m×N (13)

其中，w_i＝[w_i1，w_i2，…，w_in]，x_j＝[x_1j，x_2j，…，x_nj]^T；

上式可以表示为：Hβ＝T′；

其中，T′为T的转置，H为隐含层的输出矩阵，具体表示为：

当G(w，x，b)无限可微时，不需要对所有的SLFN参数进行调整，w和b是随机产生的，并且在训练过程中不需要进行调整，而β可以通过最小二乘解获得：

其解为：

其中，为H的Moore-Penrose广义逆矩阵；

正交投影法可以有效地求取或为使得到的模型具有更好的稳定性和泛化性能，在求解β时，需要对H^TH或HH^T的对角线元素加上一个足够小的正值1/λ，因此，β可以表示为：

β＝H^T(1/λ+HH^T)^-1T′ (18)

相应的，ELM的输出函数表示为：

f(x)＝h(x)β＝h(x)H^T(1/λ+HH^T)^-1T′ (19) 。

5.根据权利要求1所述的基于极限学习机的风机故障诊断方法，其特征在于步骤③中ELM参数优化过程为：

③用K个模型的平均正判率作为PSO的适应度函数，如式(20)所示：

其中，

表示包含的样本数，表示由训练得到的模型对输入向量x_i的验证结果；

④采用改进PSO优化得到ELM模型的参数。以连续20代个体适应度值相同为终止条件。