CN107563251B - 基于极限学习机的风机故障诊断方法 - Google Patents
基于极限学习机的风机故障诊断方法 Download PDFInfo
- Publication number
- CN107563251B CN107563251B CN201610503720.9A CN201610503720A CN107563251B CN 107563251 B CN107563251 B CN 107563251B CN 201610503720 A CN201610503720 A CN 201610503720A CN 107563251 B CN107563251 B CN 107563251B
- Authority
- CN
- China
- Prior art keywords
- samples
- elm
- model
- training
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000003745 diagnosis Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 12
- 230000004913 activation Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000013145 classification model Methods 0.000 claims abstract description 3
- 238000012795 verification Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims 2
- 238000000605 extraction Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000012843 least square support vector machine Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
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
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um、标准偏差ustd、均方根值urms、峰值up,波形因子KSF、峰值因子KCF、脉冲因子KIF、裕度因子KCLF以及峭度因子Ku,计算公式如式(1)-(9)所示,因此,ELM模型的输入层节点数为9。
up={max[u(i)]-min[u(i)]}/2 (4)
KCF=up/urms (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:
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,
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:
(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,
(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。
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,…,tN]m×N (13)
其中,wi=[wi1,wi2,…,win],xj=[x1j,x2j,…,xnj]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:
β=HT(1/λ+HHT)-1T' (18)
相应的,ELM的输出函数表示为:
f(x)=h(x)β=h(x)HT(1/λ+HHT)-1T' (19) 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610503720.9A CN107563251B (zh) | 2016-07-01 | 2016-07-01 | 基于极限学习机的风机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610503720.9A CN107563251B (zh) | 2016-07-01 | 2016-07-01 | 基于极限学习机的风机故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563251A CN107563251A (zh) | 2018-01-09 |
CN107563251B true CN107563251B (zh) | 2021-11-09 |
Family
ID=60968515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610503720.9A Expired - Fee Related CN107563251B (zh) | 2016-07-01 | 2016-07-01 | 基于极限学习机的风机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563251B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034191B (zh) * | 2018-06-19 | 2021-06-01 | 哈尔滨工业大学 | 基于elm的单维遥测数据异常判读方法 |
CN109540522B (zh) * | 2018-11-16 | 2020-02-14 | 北京航空航天大学 | 轴承健康量化建模方法、装置和服务器 |
CN109580218B (zh) * | 2018-12-08 | 2020-12-22 | 上海电力学院 | 一种基于似然学习机的风机齿轮箱状态识别方法 |
CN110543905A (zh) * | 2019-08-27 | 2019-12-06 | 桂林电子科技大学 | 一种基于机器学习的tsv空洞检测方法 |
CN110647871A (zh) * | 2019-11-05 | 2020-01-03 | 燕山大学 | 一种基于时域特量增强的滚动轴承故障诊断方法及系统 |
CN110766100B (zh) * | 2019-12-02 | 2022-05-20 | 珠海格力电器股份有限公司 | 轴承故障诊断模型构建方法、诊断方法及电子设备 |
CN111524336A (zh) * | 2020-04-01 | 2020-08-11 | 广州盛康动力设备有限公司 | 一种发电机组预警方法及系统 |
CN112393934B (zh) * | 2020-11-20 | 2022-05-13 | 湖南工业大学 | 基于稀疏自编码与极限学习机的风电机组故障诊断方法 |
CN112949543B (zh) * | 2021-03-17 | 2022-08-23 | 长春吉电能源科技有限公司 | 基于快速傅里叶变换和elm的风机叶片故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944769A (zh) * | 2012-10-18 | 2013-02-27 | 上海市电力公司 | 基于极限学习机的电力变压器故障诊断方法 |
CN103473598A (zh) * | 2013-09-17 | 2013-12-25 | 山东大学 | 基于变长度粒子群优化算法的极限学习机 |
CN103761423A (zh) * | 2013-12-31 | 2014-04-30 | 中南大学 | 一种基于pso-elm的热轧板材组织-性能预测方法 |
CN104408302A (zh) * | 2014-11-19 | 2015-03-11 | 北京航空航天大学 | 一种基于lmd-svd和极限学习机的轴承变工况故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2518583B (en) * | 2013-07-04 | 2015-09-02 | Antony James Holliday | Safety system and method |
-
2016
- 2016-07-01 CN CN201610503720.9A patent/CN107563251B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944769A (zh) * | 2012-10-18 | 2013-02-27 | 上海市电力公司 | 基于极限学习机的电力变压器故障诊断方法 |
CN103473598A (zh) * | 2013-09-17 | 2013-12-25 | 山东大学 | 基于变长度粒子群优化算法的极限学习机 |
CN103761423A (zh) * | 2013-12-31 | 2014-04-30 | 中南大学 | 一种基于pso-elm的热轧板材组织-性能预测方法 |
CN104408302A (zh) * | 2014-11-19 | 2015-03-11 | 北京航空航天大学 | 一种基于lmd-svd和极限学习机的轴承变工况故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107563251A (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563251B (zh) | 基于极限学习机的风机故障诊断方法 | |
CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
Fang et al. | Application of gray relational analysis to k-means clustering for dynamic equivalent modeling of wind farm | |
CN107449603A (zh) | 基于支持向量机的风机故障诊断方法 | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
CN103150594A (zh) | 基于加动量项bp神经网络的变压器故障诊断方法 | |
Rao et al. | Dropout and pruned neural networks for fault classification in photovoltaic arrays | |
CN110796281B (zh) | 基于改进深度信念网络的风电机组状态参数预测方法 | |
Dong et al. | Small fault diagnosis of front-end speed controlled wind generator based on deep learning | |
Li et al. | Fault diagnostic method for PV array based on improved wavelet neural network algorithm | |
CN113612237A (zh) | 一种在海上风电场中定位谐振诱发的次同步振荡源的方法 | |
Sahoo et al. | Fault detection in electrical power transmission system using artificial neural network | |
Zhou et al. | Ultra-short-term prediction of wind power based on EMD and DLSTM | |
CN111244937B (zh) | 一种电力系统暂态电压稳定性严重故障筛选方法 | |
Qian et al. | Application of new training method combined with feedforward artificial neural network for rolling bearing fault diagnosis | |
Xiangjun et al. | Anomaly detection of wind turbine gearbox based on digital twin drive | |
CN112215281A (zh) | 一种风机叶片结冰故障检测方法 | |
CN115659258B (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
CN116793666A (zh) | 一种基于lstm-mlp-lsgan模型的风电机组齿轮箱故障诊断方法 | |
CN116341717A (zh) | 一种基于误差补偿的风速预测方法 | |
CN115330085A (zh) | 基于深度神经网络且无未来信息泄露的风速预测方法 | |
CN110417350B (zh) | 一种光伏阵列的故障诊断方法 | |
Shi et al. | Prediction research on the failure of steam turbine based on fruit fly optimization algorithm support vector regression | |
CN112879200B (zh) | 一种大型水轮发电机组故障诊断方法 | |
CN117390418B (zh) | 一种风电并网系统暂态稳定评估方法、系统及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211109 |