CN108509987A - 高性能的大型风电齿轮箱多故障模式二分类器 - Google Patents

高性能的大型风电齿轮箱多故障模式二分类器 Download PDF

Info

Publication number
CN108509987A
CN108509987A CN201810224958.7A CN201810224958A CN108509987A CN 108509987 A CN108509987 A CN 108509987A CN 201810224958 A CN201810224958 A CN 201810224958A CN 108509987 A CN108509987 A CN 108509987A
Authority
CN
China
Prior art keywords
multiple faults
feature
grader
formula
faults pattern
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.)
Pending
Application number
CN201810224958.7A
Other languages
English (en)
Inventor
焦卫东
杨志强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Normal University CJNU
Original Assignee
Zhejiang Normal University CJNU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Normal University CJNU filed Critical Zhejiang Normal University CJNU
Priority to CN201810224958.7A priority Critical patent/CN108509987A/zh
Publication of CN108509987A publication Critical patent/CN108509987A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种高性能的大型风电齿轮箱多故障模式二分类器，其特征在于，该方法包括如下步骤：1)多故障模式类特征的空间分布特性描述；2)基于支持向量机的多故障模式直接分类；3)基于支持向量机的多故障模式直接二分类；4)基于改进的类内‑类间聚类的有效特征样本识别；5)基于II‑C特征样本识别的多故障模式SVM直接分类；6)基于II‑C特征样本识别的多故障模式SVM二分类。本发明的有益效果是，方法设计合理，使用简明，分类性能高。

Description

高性能的大型风电齿轮箱多故障模式二分类器
技术领域
本发明基于模式识别理论，在数据聚类分析与野点、噪点剔除的基础上提出一种多故障模式二分类方法，利用聚类分析的模式自动划分特性，剔除特征数据中的野点或噪点，在此基础上基于前向近似最小平方支持向量机开发多故障模式二分类器。该计算方法为解决大型风电齿轮箱故障诊断领域中涉及的模式分类问题奠定了理论基础。
背景技术
模式分类是故障诊断的核心[1]。只有对多种复杂的故障模式进行合理的机器分类，才能实现自动化、智能化故障诊断目的，进而做出正确决策，例如停机检修或有目的地维修等，以避免因突然的故障停机带来的巨大经济损失。这一点，对于长期在野外恶劣环境中运行、无人监管的大型风电齿轮箱来说尤其重要。
在实际的风电齿轮箱服役环境中，一方面，信号检测中待分类对象周边的外来干扰(雨雪风霜等)以及信号采集系统的内噪声等均可能在原始观测数据中引入噪声干扰；传感器件异常或故障也可能产生异常的观测数据即野值。这些存在于原始数据中的噪声或野值如果不适当处理，将随同特征提取进入特征空间，形成明显偏离整体类特征的噪点或野点。根据已有的研究结果，当原始观测数据中存在局部的噪声或野值时其分布往往呈现出典型的非高斯特性，增加了特征提取的困难。此外，还有许多影响模式分类的负面因素，例如传感观测的信息冗余，特征提取环节所选择的过高特征维数等。信息冗余将直接造成后续特征提取的困难，并进一步放大噪声或野值的负面作用；特征维数选择过高，则会使样本统计特性的估计更加困难，从而降低分类器的泛化推广能力[2]。因此，必须首先对特征数据进行必要的净化处理，再结合先进的分类技术，才能达到有效诊断的目的。
发明内容
本发明的目的是为了解决上述问题，开发了高性能的大型风电齿轮箱多故障模式二分类器。
实现上述目的本发明的技术方案为，高性能的大型风电齿轮箱多故障模式二分类器，其特征在于，该方法包括如下步骤：
1)多故障模式类特征的空间分布特性描述；
2)基于支持向量机的多故障模式直接分类；
3)基于支持向量机的多故障模式直接二分类；
4)基于分层聚类的有效特征样本识别；
5)基于II-C特征样本识别的多故障模式SVM直接分类；
6)基于II-C特征样本识别的多故障模式SVM二分类。
所述多故障模式类特征的空间分布特性描述计算式为：
式中算符<·>代表向下取整，N为奇数。I(·,·)是一个尺寸为M1×M2的空间分布图像，W为一个中心为(x0,y0)、尺寸为N×N的窗函数，Iw(·,·)为图像切片，定义为以(x0,y0)为中心、尺寸为N×N的邻域与窗函数W的乘积。
所述基于支持向量机的多故障模式直接分类计算式为：
式中w∈Rn为权向量。为一个非线性隐函数，它将输入空间映射到一个高维空间，从而推广SVM算法用于解决非线性分类问题。
所述基于支持向量机的多故障模式直接二分类计算式为：
式中αk与b均为实常数且αk>0。Ψ(·,·)为核函数，选取不同形式的核函数可以获得不同性质的分类器。
所述基于分层聚类的有效特征样本识别计算式为：
式中M0为参考故障序列集合中的特征样本数，Nk为单故障对照序列集合nk中的特征样本数。
所述基于II-C特征样本识别的多故障模式SVM直接分类计算式为：
s.t.aTφ(zi)+b＝yi,|Υ|＝m.
式中i＝1,...,M。a为方向向量，b为偏移项。φ(·)为内积函数。zi为第i个训练样本中的特征向量，yi为训练类标，等于1或–1。Υ为基数，等于所选择的基函数个数m。
所述基于II-C特征样本识别的多故障模式SVM二分类计算式为：
式中L(·)为拉格朗日函数。β为松弛因子。
附图说明
图1是本发明所述高性能的大型风电齿轮箱多故障模式二分类器的流程示意图；
图2是多故障模式二分类原理图；
图3三个齿轮箱故障模式特征的空间分布特性描述；
图4FLSA-SVM多模式直接分类(RBF核函数参数：γ＝141.0855，σ2＝1.4247)；
图5经过特征样本识别的FLSA-SVM多模式分类(RBF核函数参数：γ＝43.6174，σ2＝2.4522)
图6FLSA-SVM直接多模式二分类：第一级(RBF核函数参数：γ＝10，σ2＝0.2)
图7FLSA-SVM直接多模式二分类：第二级(RBF核函数参数：γ＝10，σ2＝0.5)
图8经过特征样本识别的FLSA-SVM多模式二分类：第一级(RBF核函数参数：γ＝10，σ2＝0.2)
图9经过特征样本识别的FLSA-SVM多模式二分类：第二级(RBF核函数参数：γ＝10，σ2＝0.5)
具体实施方式
下面结合附图对本发明进行具体描述，如图1是本发明所述高性能的大型风电齿轮箱多故障模式二分类器的流程示意图，采用基于I I-C的有效特征样本识别方法，对特征训练样本进行净化预处理，并以FLSA-SVM作为主分类器进行故障模式分类。
本技术方案以齿轮箱正常状态、轮齿破坏和机座松动三类模式的分类为例子阐述风电齿轮箱多故障模式二分类的过程，其基本分类原理为：对多个故障模式类按照从复杂到简单的层次进行两两分类，所采用的特征量统一是两维的，具有良好的分类精度，如图2。即
式中Ci为第i个模式类，Cother为其他模式类。Fi、Fj为待分类的训练特征样本。
实施例1
多故障模式分类
正常状态、轮齿破坏与机座送动三类典型的风电齿轮箱故障模式特征的空间分布如图3所示。采用多模式类特征样本构建训练集：
[Iw(k,l)]n＝W(k,l)In(x0-<N/2>+k,y0-<N/2>+l),
[Iw(k,l)]g＝W(k,l)Ig(x0-<N/2>+k,y0-<N/2>+l),
]Iw(k,l)]l＝W(k,l)Il(x0-<N/2>+k,y0-<N/2>+l).
式中[·]n、[·]g以及[·]l分别为正常状态、轮齿破坏以及机座送动模式类的特征训练集，In(·,·)、Ig(·,·)与Il(·,·)分别为尺寸M1×M2的空间特征分布图像。
首先初始化FLSA-SVM分类模型，核函数选择为径向基函数(Radial BasisFunction，RBF)。随后采用一对一编码模式对初始模型进行调整，并直接使用每个模式类的20个训练特征向量进行分类器的训练。三个模式类的分类结果如图4以及表1所示。在表1中，还对比给出了LS-SVM以及传统的SVM分类器对三个模式类的分类结果。
表1多模式直接分类结果
可以看到，基于FLSA-SVM的多模式直接分类结果不是太好，对正常、轮齿破坏与机座松动三个模式类的误分率分别达到20％、10％以及20％，暗示训练集特征样本在特征空间中的松散分布对分类测试工作所造成的不利影响。不过即使如此，FLSA-SVM分类器的表现依然好于LS-SVM以及传统的SVM。值得注意的是，改进方法的整体运算时间(13.0224秒)明显小于其他两种方法(分别为20.0576秒与17.1398秒)，具有较高的效率。
应用FCM-C基特征样本识别方法对每个模式类的训练集与测试集特征样本进行划分，FCM-C的聚类数目设置为4，模糊加权指数取为m＝2。经过特征样本识别后再进行FLSA-SVM分类器训练。三个模式的分类测试结果如图5以及表2所示。对比图4与图5以及表1与表2，可以清楚地看到：经过特征样本识别并剔除明显偏离的野值样本后，正常与机座松动模式的误分率明显下降，只有轮齿破坏模式的误分率有轻微的增加(从10％到11.8％)。整体而言，分类的准确性有显著提高，间接地显示出FCM-C基方法对有效特征样本的识别作用。
表2经过特征样本识别的FLSA-SVM多模式分类结果
模式 正常 轮齿破坏 机座松动
误分率 12.5％ 11.8％ 0％
实施例2
多故障模式二分类
将轮齿破坏、机座松动两个模式类的训练集与测试集组合，构成非正常模式训练集与测试集，利用FastICA算法分别批训练两个ICA特征抽取网络，由此形成[正常-非正常]特征提取器，分别提取正常与非正常模式的两维量化特征，训练特征向量数分别为20个和40个，测试特征向量也是如此。
直接使用正常与非正常、轮齿破坏与机座松动四个模式类的训练样本，共训练两个FLSA-SVM分类器，核函数仍然采用RBF。分类测试过程分为两级，第一级用于识别正常与非正常状态，第二级用于识别轮齿破坏与机座松动模式。所得的第一级分类测试结果如图6所示。对已得到正确分类的非正常模式(轮齿破坏或机座松动)的测试样本，利用前面实验中已经建立的两维特征提取器[轮齿破坏-机座松动]进行第二级分类测试，结果如图7所示。在表3中，进一步详细列出了直接多模式二分类的最终结果。对比图4及表1可以看到，多模式二分类策略的采用明显降低了模式分类的错误率，三个模式类的累加误分率分别下降到5％、7.5％以及7.5％，表明分类器的性能已得到明显改善。
表3FLSA-SVM直接多模式二分类结果
同样应用FCM-C基方法对训练集与测试集特征样本进行划分，算法参数设置同前。所得的第一级和第二级分类测试结果如图8、图9以及表4所示。可以看到，应用FCM-C基特征样本识别后，第一级分类测试的误分率由[5％5％]下降为[0％2.9％]，分类效果明显改善，这种改善是很有意义的。多模式二分类算法对第一级分类的精度要求很高，因为第一级的错误划分将直接影响下一级的处理结果。第二级分类测试的误分率由[5％5％]上升为[11.7％5.9％]，测试结果不够理想。对此，可以从以下两个方向进行算法改进，第一是在下一级处理中不使用FCM-C基方法进行特征样本的识别与剔除，而是进行直接分类；第二是调整分类算法的参数，例如控制RBF核函数的γ及σ2等。
表4经过特征样本识别的FLSA-SVM多模式二分类结果
在表5中，给出了改进后的第二级分类测试结果。可以看到，无论是采用直接分类还是调整算法参数(σ2由0.5增加到0.7)，两种改进方式都达到了满意的效果，对轮齿破坏与机座松动两个模式类的误分率均下降到5.9％，整体效果要好于改进之前，具体可对比表3、表4与表5中的数据。进一步验证了高性能的大型风电齿轮箱多故障模式二分类器的优势。
表5改进后的第二级分类测试结果
参考文献
[1]徐敏,设备故障诊断手册.西安:西安交通大学出版社,1998.
[2]焦卫东.基于独立分量分析的旋转机械故障诊断新方法的研究.杭州:浙江大学博士学位论文,2003.
上述技术方案仅体现了本发明技术方案的优选技术方案，本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理，属于本发明的保护范围之内。

Claims (7)

1.一种高性能的大型风电齿轮箱多故障模式二分类器，其特征在于，该方法包括如下步骤：
1)多故障模式类特征的空间分布特性描述；
2)基于支持向量机的多故障模式直接分类；
3)基于支持向量机的多故障模式直接二分类；
4)基于改进的类内-类间聚类的有效特征样本识别；
5)基于I I-C特征样本识别的多故障模式SVM直接分类；
6)基于I I-C特征样本识别的多故障模式SVM二分类。
2.根据权利要求1所述的高性能的大型风电齿轮箱多故障模式二分类器，其特征在于，所述多故障模式类特征的空间分布特性描述计算式为：
式中算符<·>代表向下取整，N为奇数。I(·,·)是一个尺寸为M1×M2的空间分布图像，W为一个中心为(x0,y0)、尺寸为N×N的窗函数，Iw(·,·)为图像切片，定义为以(x0,y0)为中心、尺寸为N×N的邻域与窗函数W的乘积。
3.根据权利要求1所述的高性能的大型风电齿轮箱多故障模式二分类器，其特征在于，所述基于支持向量机的多故障模式直接分类计算式为：
式中w∈Rn为权向量。为一个非线性隐函数，它将输入空间映射到一个高维空间，从而推广SVM算法用于解决非线性分类问题。
4.根据权利要求1所述的高性能的大型风电齿轮箱多故障模式二分类器，其特征在于，所述基于支持向量机的多故障模式直接二分类计算式为：
式中αk与b均为实常数且αk>0。Ψ(·,·)为核函数，选取不同形式的核函数可以获得不同性质的分类器。
5.根据权利要求1所述的高性能的大型风电齿轮箱多故障模式二分类器，其特征在于，所述基于分层聚类的有效特征样本识别计算式为：
式中M0为参考故障序列集合中的特征样本数，Nk为单故障对照序列集合nk中的特征样本数。
6.根据权利要求1所述的高性能的大型风电齿轮箱多故障模式二分类器，其特征在于，所述基于I I-C特征样本识别的多故障模式SVM直接分类计算式为：
s.t.aTφ(zi)+b＝yi,|Υ|＝m.
式中i＝1,...,M。a为方向向量，b为偏移项。φ(·)为内积函数。zi为第i个训练样本中的特征向量，yi为训练类标，等于1或–1。Υ为基数，等于所选择的基函数个数m。
7.根据权利要求1所述的高性能的大型风电齿轮箱多故障模式二分类器，其特征在于，所述基于I I-C特征样本识别的多故障模式SVM二分类计算式为：
式中L(·)为拉格朗日函数。β为松弛因子。
CN201810224958.7A 2018-03-19 2018-03-19 高性能的大型风电齿轮箱多故障模式二分类器 Pending CN108509987A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810224958.7A CN108509987A (zh) 2018-03-19 2018-03-19 高性能的大型风电齿轮箱多故障模式二分类器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810224958.7A CN108509987A (zh) 2018-03-19 2018-03-19 高性能的大型风电齿轮箱多故障模式二分类器

Publications (1)

Publication Number Publication Date
CN108509987A true CN108509987A (zh) 2018-09-07

Family

ID=63376626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810224958.7A Pending CN108509987A (zh) 2018-03-19 2018-03-19 高性能的大型风电齿轮箱多故障模式二分类器

Country Status (1)

Country Link
CN (1) CN108509987A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875558A (zh) * 2018-04-27 2018-11-23 浙江师范大学 一种高性能大型风电齿轮箱故障分类方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345639A (zh) * 2013-07-01 2013-10-09 河海大学常州校区 基于模糊聚类的支持向量机高压断路器故障诊断方法
CN104156627A (zh) * 2014-08-29 2014-11-19 中国石油大学(北京) 一种基于设备工况的故障诊断方法及装置
CN104502103A (zh) * 2014-12-07 2015-04-08 北京工业大学 一种基于模糊支持向量机的轴承故障诊断方法
CN105138982A (zh) * 2015-08-21 2015-12-09 中南大学 一种基于多特征聚类及分类的人群异常检测与评估方法
CN107036817A (zh) * 2017-04-05 2017-08-11 哈尔滨理工大学 基于磷虾群算法的svr滚动轴承性能衰退预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345639A (zh) * 2013-07-01 2013-10-09 河海大学常州校区 基于模糊聚类的支持向量机高压断路器故障诊断方法
CN104156627A (zh) * 2014-08-29 2014-11-19 中国石油大学(北京) 一种基于设备工况的故障诊断方法及装置
CN104502103A (zh) * 2014-12-07 2015-04-08 北京工业大学 一种基于模糊支持向量机的轴承故障诊断方法
CN105138982A (zh) * 2015-08-21 2015-12-09 中南大学 一种基于多特征聚类及分类的人群异常检测与评估方法
CN107036817A (zh) * 2017-04-05 2017-08-11 哈尔滨理工大学 基于磷虾群算法的svr滚动轴承性能衰退预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
焦卫东 等: ""整体改进的基于支持向量机的故障诊断方法"", 《仪器仪表学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875558A (zh) * 2018-04-27 2018-11-23 浙江师范大学 一种高性能大型风电齿轮箱故障分类方法及系统

Similar Documents

Publication Publication Date Title
Gupta et al. Sequential modeling of deep features for breast cancer histopathological image classification
Yu et al. Two-dimensional principal component analysis-based convolutional autoencoder for wafer map defect detection
CN104931263B (zh) 一种基于符号化概率有限状态机的轴承故障诊断方法
CN109299741B (zh) 一种基于多层检测的网络攻击类型识别方法
Hyeon et al. Diagnosing cervical cell images using pre-trained convolutional neural network as feature extractor
CN110213222A (zh) 基于机器学习的网络入侵检测方法
CN104794368A (zh) 基于foa-mksvm的滚动轴承故障分类方法
CN109781411A (zh) 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法
CN111582396B (zh) 一种基于改进卷积神经网络的故障诊断方法
CN108509701A (zh) 一种基于振动信号的旋转机械故障直接智能诊断方法
CN110738232A (zh) 一种基于数据挖掘技术的电网电压越限成因诊断方法
CN104679860A (zh) 一种不平衡数据的分类方法
CN111783531A (zh) 一种基于sdae-ielm的水轮机组故障诊断方法
CN110516526A (zh) 一种基于特征原型度量学习的小样本目标识别方法
CN110458189A (zh) 压缩感知和深度卷积神经网络电能质量扰动分类方法
CN111310719B (zh) 一种未知辐射源个体识别及检测的方法
CN115600088A (zh) 一种基于振动信号的配电变压器故障诊断方法
CN117150359A (zh) 基于模型无关元学习的小样本故障诊断方法、系统、装置及介质
CN110929761A (zh) 智能系统安全体系态势感知构架中采集样本的平衡方法
CN114548295A (zh) 基于多尺度领域自适应网络的轴承故障分类系统及方法
CN116756225B (zh) 一种基于计算机网络安全的态势数据信息处理方法
CN106446965A (zh) 一种航天器可见光图像分类方法
CN108509987A (zh) 高性能的大型风电齿轮箱多故障模式二分类器
CN105868778A (zh) 一种基于频域波动特征的中值滤波检测方法
CN102332087A (zh) 一种基于稀疏表示的人脸识别方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180907