CN107563251B - 基于极限学习机的风机故障诊断方法 - Google Patents

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 (4)

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：

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；所述ELM参数优化过程为：

(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，样本个数相等，用

表示；

(2)用

的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(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；

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)

式中N为样本个数。

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) 。

Images