CN112949543B - 基于快速傅里叶变换和elm的风机叶片故障诊断方法 - Google Patents
基于快速傅里叶变换和elm的风机叶片故障诊断方法 Download PDFInfo
- Publication number
- CN112949543B CN112949543B CN202110284821.2A CN202110284821A CN112949543B CN 112949543 B CN112949543 B CN 112949543B CN 202110284821 A CN202110284821 A CN 202110284821A CN 112949543 B CN112949543 B CN 112949543B
- Authority
- CN
- China
- Prior art keywords
- fan
- blade
- amplitude
- fault diagnosis
- sampling interval
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Wind Motors (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及风机故障诊断技术领域,提供一种基于快速傅里叶变换和ELM的风机叶片故障诊断方法,包括:步骤1:风机叶片故障诊断模型建立:获取每台风机在每个采样区间的叶片振动信号、该采样区间最后一秒的瞬时风速与瞬时风功率形成样本,并添加故障状态标签;对叶片振动信号进行快速傅里叶变换;对叶片振动信号的频谱进行特征提取,记录特征值包括最大幅值、最大幅值对应的频率等;以每台风机在每个采样区间的特征值及该采样区间最后一秒的瞬时风速与瞬时风功率为输入、对应的故障状态标签为输出,构建并训练基于ELM的风机叶片故障诊断模型;步骤2:新工况叶片故障诊断。本发明能够提高风机叶片故障诊断的准确率与效率并降低成本。
Description
技术领域
本发明涉及风机故障诊断技术领域,特别是涉及一种基于快速傅里叶变换和ELM的风机叶片故障诊断方法。
背景技术
随着新能源技术的发展及推广,风能作为一种清洁能源越来越受到广泛的关注。同时,风力发电机叶片是风力发电系统的主要设备,其健康状态直接影响发电效率。
风机叶片受到风能作用转动,能量经过传递转化为电能。自然风具有随机性、波动性,并且夹杂有沙石、冰雪等杂质,这些因素会导致叶片覆冰、开裂、透光,进而影响风机高效安全运行。
风机叶片故障诊断可以基于超声波技术、机器视觉技术、振动信号。基于超声波的检测方法取决于叶片内弹性波的传播和反射,使用超声波技术可以获得深度损伤信息,但其受到信号处理复杂、采集时间长、分辨率低的限制,无法获得准确的位置。基于机器视觉的检测方法是来获取目标物体不同位置和视角的图像序列的信息,其对成像设备和数据处理提出了很高的要求,尤其是在复杂背景下,需要大量计算,且准确性依赖于图像处理技术。基于振动的检测方法侧重于对不规则振动、变形等引起的异常振动进行监测,基于振动的技术可以使用智能方法实现损伤检测,以确保风力发电机组可靠运行,由于其具有高灵敏度,易于实施等优点,可用于风力发电机损坏位置和严重程度的检测。
目前风机叶片故障大多基于专家知识进行人工诊断,可推广性和一致性不能满足实际需求。随着人工智能的普及与发展,利用机器学习方法建立高精度智能故障诊断模型是实现风机叶片故障诊断的必然要求。
发明内容
针对现有技术存在的问题,本发明提供一种基于快速傅里叶变换和ELM的风机叶片故障诊断方法,大大提高了风机叶片故障诊断的准确率与效率,且降低了诊断成本。
本发明的技术方案为:
一种基于快速傅里叶变换和ELM的风机叶片故障诊断方法,其特征在于:包括下述步骤:
步骤1:风机叶片故障诊断模型建立
步骤1.1:构建风机叶片故障诊断原始数据集
获取每台风机在每个采样区间的叶片振动信号、该采样区间最后一秒的瞬时风速与瞬时风功率,一个采样区间的叶片振动信号、该采样区间最后一秒的瞬时风速与瞬时风功率形成一个样本,并给每个样本添加故障状态标签,形成风机叶片故障诊断原始数据集X=[X1,X2,...,Xk,...,XK]T,其中,Xk为第k台风机的数据,k=1,2,...,K,K为风机总数;Xk=[Xk1,Xk2,...,Xkm,...,XkM]T,Xkm为第k台风机的第m条数据,m=1,2,...,M,M为每台风机的样本总数; 为第k台风机在第m个采样区间的叶片振动信号, 为第k台风机在第m个采样区间最后一秒的瞬时风速,为第k台风机在第m个采样区间最后一秒的瞬时风功率,ykm为第k台风机在第m个采样区间对应的故障状态标签,ykm=1、2、3、4分别代表无故障、叶片透光、叶片开裂、叶片覆冰;叶片振动信号从风机振动信号监测站获取,瞬时风速、瞬时风功率从风电场的SCADA系统中获取,叶片振动信号在额定转速下进行采集,采样区间时间长度为T,采样频率为f0;
步骤1.2:对每个样本中的叶片振动信号进行快速傅里叶变换
步骤1.3:对叶片振动信号的频谱进行特征提取,构建风机叶片故障诊断数据集
对频谱进行特征提取,记录频谱的特征值包括最大幅值最大幅值对应的频率幅值均值幅值中位数值幅值峰度幅值偏度幅值标准差幅值方差得到风机叶片故障诊断数据集为X'=[X'1,X'2,...,X'k,...,X'K]T,X'∈R(K×M)×11;其中,X'k为第k台风机的训练数据,X'k=[X'k1,X'k2,...,X'km,...,X'kM]T,X'k∈RM ×11,X'km为第k台风机的第m条训练数据,X'km∈R1×11;
步骤1.4:建立基于ELM的风机叶片故障诊断模型
以每台风机在每个采样区间的叶片振动信号的频谱的特征值、该采样区间最后一秒的瞬时风速与瞬时风功率为输入,以该台风机在该采样区间对应的故障状态标签为输出,构建基于极限学习机的风机叶片故障诊断模型,并利用所述风机叶片故障诊断数据集训练基于极限学习机的风机叶片故障诊断模型;所述基于极限学习机的风机叶片故障诊断模型为Y=MELM(w,b,β,x),其中,Y为输出的故障状态标签,w为输入权重矩阵,b为偏置向量,β为输出权重矩阵,x为待诊断样本输入数据;
步骤2:新工况叶片故障诊断
进一步的,所述步骤1.1中,T=64s,f0=128HZ。
进一步的,所述步骤1.2中,快速傅里叶变换的公式为
其中,x(t)为需要进行快速傅里叶变换的信号,t为样本编号;x(f)为快速傅里叶变换后的信号,x(f)可以表示为x(f)=a(f)+b(f)i,a(f)为x(f)的实部,b(f)为x(f)的虚部,f为频率序列中的频率值,M为频率序列中的频率总数,f=0代表信号的直流分量,
进一步的,所述步骤1.4中,所述基于极限学习机的风机叶片故障诊断模型具体为
其中,w、b随机产生,β通过求解方程(1)获得;
上式可紧凑地表示如下:
Hβ=T (1)
其中:
其中,H为隐层的输出矩阵,T为故障类别输出矩阵;g()为激活函数,wi∈R1×N为第i个隐层节点的输入权重,bi为第i个隐层节点的偏置,βi为第i个隐层节点的输出权重,i=1,2,...,L,L为隐层节点数;xj为第j组输入数据(最大幅值,最大幅值对应的频率,幅值均值,幅值中位数值,幅值峰度,幅值偏度,幅值标准差,幅值方差,瞬时风速,瞬时风功率),j=1,2,...,N,N为输入数据组数,N=K×M,tj为输入数据xj对应的故障状态标签yj;随机给定wi与bi,则训练单隐层前馈神经网络可以转化为求解线性方程(1)的最小二乘解。
进一步的,线性方程(1)的最小二乘解β=H+T;其中,H+表示矩阵H的广义More-Penrose广义逆;T为输出值。
本发明的有益效果为:
本发明对风机叶片振动信号进行快速傅里叶变换,得到该信号的频谱,提取该频谱的特征值——最大幅值、最大幅值对应的频率、幅值均值、幅值中位数值、幅值峰度、幅值偏度、幅值标准差、幅值方差,进一步将特征值及风机工况数据(瞬时风速、瞬时风功率)作为极限学习机的输入、故障状态标签(叶片状态)作为输出,构建并训练了基于极限学习机的风机叶片故障诊断模型,不仅考虑了叶片振动信号还考虑了风机本身的工况信息,大大提高了风机叶片故障诊断的准确率与效率,而且降低了诊断成本,解决了现有风机叶片故障诊断方法存在的识别准确率较低、识别成本较高的技术问题。
附图说明
图1为本发明的基于快速傅里叶变换和ELM的风机叶片故障诊断方法的流程图。
图2为具体实施方式中无故障情况下叶片振动信号的波形及其快速傅里叶变换后的频谱示意图。
图3为具体实施方式中叶片透光情况下叶片振动信号的波形及其快速傅里叶变换后的频谱示意图。
图4为具体实施方式中叶片开裂情况下叶片振动信号的波形及其快速傅里叶变换后的频谱示意图。
图5为具体实施方式中叶片覆冰情况下叶片振动信号的波形及其快速傅里叶变换后的频谱示意图。
图6为ELM网络的结构示意图。
具体实施方式
下面将结合附图和具体实施方式,对本发明作进一步描述。
如图1所示,本发明的基于快速傅里叶变换和ELM的风机叶片故障诊断方法,包括下述步骤:
步骤1:风机叶片故障诊断模型建立
步骤1.1:构建风机叶片故障诊断原始数据集
获取每台风机在每个采样区间的叶片振动信号、该采样区间最后一秒的瞬时风速与瞬时风功率,一个采样区间的叶片振动信号、该采样区间最后一秒的瞬时风速与瞬时风功率形成一个样本,并给每个样本添加故障状态标签,形成风机叶片故障诊断原始数据集X=[X1,X2,...,Xk,...,XK]T,其中,Xk为第k台风机的数据,k=1,2,...,K,K为风机总数;Xk=[Xk1,Xk2,...,Xkm,...,XkM]T,Xkm为第k台风机的第m条数据,m=1,2,...,M,M为每台风机的样本总数; 为第k台风机在第m个采样区间的叶片振动信号, 为第k台风机在第m个采样区间最后一秒的瞬时风速,为第k台风机在第m个采样区间最后一秒的瞬时风功率,ykm为第k台风机在第m个采样区间对应的故障状态标签,ykm=1、2、3、4分别代表无故障、叶片透光、叶片开裂、叶片覆冰;叶片振动信号从风机振动信号监测站获取,瞬时风速、瞬时风功率从风电场的SCADA系统中获取,叶片振动信号在额定转速下进行采集,采样区间时间长度为T,采样频率为f0。
本实施例中,采样区间时间长度T=64s,采样频率f0=128HZ。获取北方某风电场四台同型号风机在10000个采样区间的叶片振动信号、每个采样区间最后一秒的瞬时风速与瞬时风功率,共得到10000个样本,每个采样区间的叶片振动信号的采样点数为8192。四台风机分别存在四种运行状态,第一种为无故障,第二种为叶片透光(砂眼),第三种为叶片开裂(裂纹),第四种为叶片覆冰,无故障数据与故障数据之比为1:3。其中,四台风机的样本数据如下表1所示。
表1原始样本集
步骤1.2:对每个样本中的叶片振动信号进行快速傅里叶变换
快速傅里叶变换(Fast Fourier Transform,FFT)是一种典型的信号处理技术,利用其时频分析的功能将风机叶片的时域变换为频域采样,目的为了故障情况下的特有频幅信息。快速傅里叶变换的公式为
其中,x(t)为需要进行快速傅里叶变换的信号,t为样本编号;x(f)为快速傅里叶变换后的信号,x(f)可以表示为x(f)=a(f)+b(f)i,a(f)为x(f)的实部,b(f)为x(f)的虚部,f为频率序列中的频率值,M为频率序列中的频率总数,f=0代表信号的直流分量,
本实施例中,对每段叶片振动信号用快速傅里叶变换,得到其各点的频率和幅值,再对其频率和幅值进行绘图,横坐标为频率、纵坐标为幅值,得到正常情况下、叶片透光情况下、叶片开裂情况下、叶片覆冰情况下叶片振动信号的波形及其快速傅里叶变换后的频谱分别如图2、图3、图4、图5所示。图2-图5的上半部分分别对应叶片在不同状态下产生的叶片振动信号,下半部分分别为对应叶片振动信号的快速傅里叶变换结果。
其中,四台风机的快速傅里叶变换之后的数据如下表2所示。
表2快速傅里叶变换处理后样本集
步骤1.3:对叶片振动信号的频谱进行特征提取,构建风机叶片故障诊断数据集
对频谱进行特征提取,记录频谱的特征值包括最大幅值最大幅值对应的频率幅值均值幅值中位数值幅值峰度幅值偏度幅值标准差幅值方差得到风机叶片故障诊断数据集为X'=[X'1,X'2,...,X'k,...,X'K]T,X'∈R(K×M)×11;其中,X'k为第k台风机的训练数据,X'k=[X'k1,X'k2,...,X'km,...,X'kM]T,X'k∈RM ×11,X'km为第k台风机的第m条训练数据,X'km∈R1×11。
本实施例中,四台风机的特征提取之后得到的训练数据如下表3所示。
表3特征提取后样本集
步骤1.4:建立基于ELM的风机叶片故障诊断模型
以每台风机在每个采样区间的叶片振动信号的频谱的特征值、该采样区间最后一秒的瞬时风速与瞬时风功率为输入,以该台风机在该采样区间对应的故障状态标签为输出,构建基于极限学习机的风机叶片故障诊断模型,并利用所述风机叶片故障诊断数据集训练基于极限学习机的风机叶片故障诊断模型;所述基于极限学习机的风机叶片故障诊断模型为Y=MELM(w,b,β,x),其中,Y为输出的故障状态标签,w为输入权重矩阵,b为偏置向量,β为输出权重矩阵,x为待诊断样本输入数据。
随着人工智能与大数据技术的发展,极限学习机作为一种典型的深度学习算法,具有良好的预测效率。具体的,极限学习机(Extreme Learning Machine,ELM)是以Moore-Penrose广义逆矩阵理论为基础的一种单隐层前馈神经网络的监督学习算法,基于极限学习机的风机叶片故障诊断模型具体为
其中,w、b随机产生,β通过求解方程(1)获得;
上式可紧凑地表示如下:
Hβ=T (1)
其中:
其中,H为隐层的输出矩阵,T为故障类别输出矩阵;g()为激活函数,wi∈R1×N为第i个隐层节点的输入权重,bi为第i个隐层节点的偏置,βi为第i个隐层节点的输出权重,i=1,2,...,L,L为隐层节点数;xj为第j组输入数据(最大幅值,最大幅值对应的频率,幅值均值,幅值中位数值,幅值峰度,幅值偏度,幅值标准差,幅值方差,瞬时风速,瞬时风功率),j=1,2,...,N,N为输入数据组数,N=K×M,tj为输入数据xj对应的故障状态标签yj;随机给定wi与bi,则训练单隐层前馈神经网络可以转化为求解线性方程(1)的最小二乘解。ELM网络的结构如图6所示。
本实施例中,线性方程(1)的最小二乘解β=H+T;其中,H+表示矩阵H的广义More-Penrose广义逆;T为输出值。
通过训练及ELM网络调参,最终建立了基于快速傅里叶变换与极限学习机的风机叶片故障诊断模型。
步骤2:新工况叶片故障诊断
本实施例中,另取风场中四台具有不同故障的风机在3000个采样区间的叶片振动信号、每个采样区间最后一秒的瞬时风速与瞬时风功率,每台风机得到750个样本,组成验证集。验证集中的样本数据如下表4所示,对该样本数据进行快速傅里叶变换之后的数据如下表5所示,特征提取之后得到的验证数据如下表6所示。
表4待测原始样本集
表5快速傅里叶变换处理后待测样本集
表6特征提取后待测样本集
利用验证集对训练后的风机叶片故障诊断模型进行验证,得到故障类型验证混淆矩阵如下表7所示。
表7故障类型验证混淆矩阵
四种情况下的准确率分别为
平均准确率为
PrecisionMeanfault=(99.3%+97.1%+98.5%+99.4%)/4=98.6%
四种情况下的召回率分别为
平均召回率为
RecallMeanfault=(99.1%+98.6%+97.6%+99.1%)/4=98.6%
根据混淆矩阵,计算得到Kappa=98.1%
上述的准确性分析表明,叶片无故障时的分类准确度为99.3%,叶片透光的分类准确度为97.1%,叶片开裂的分类准确度为98.5%,叶片覆冰的分类准确度为99.4%,平均精确度为98.6%。此时的平均召回率为98.6%。并且通过计算,kappa的值为98.1%,说明两种方法对分类准确度的评价均取得了一致性。可见,本发明的基于快速傅里叶变换和ELM的风机叶片故障诊断方法大大提高了风机叶片故障诊断的准确率。
显然,上述实施例仅仅是本发明的一部分实施例,而不是全部的实施例。上述实施例仅用于解释本发明,并不构成对本发明保护范围的限定。基于上述实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等,均落在本发明要求的保护范围内。
Claims (5)
1.一种基于快速傅里叶变换和ELM的风机叶片故障诊断方法,其特征在于:包括下述步骤:
步骤1:风机叶片故障诊断模型建立
步骤1.1:构建风机叶片故障诊断原始数据集
获取每台风机在每个采样区间的叶片振动信号、该采样区间最后一秒的瞬时风速与瞬时风功率,一个采样区间的叶片振动信号、该采样区间最后一秒的瞬时风速与瞬时风功率形成一个样本,并给每个样本添加故障状态标签,形成风机叶片故障诊断原始数据集X=[X1,X2,...,Xk,...,XK]T,其中,Xk为第k台风机的数据,k=1,2,...,K,K为风机总数;Xk=[Xk1,Xk2,...,Xkm,...,XkM]T,Xkm为第k台风机的第m条数据,m=1,2,...,M,M为每台风机的样本总数; 为第k台风机在第m个采样区间的叶片振动信号, 为第k台风机在第m个采样区间最后一秒的瞬时风速,为第k台风机在第m个采样区间最后一秒的瞬时风功率,ykm为第k台风机在第m个采样区间对应的故障状态标签,ykm=1、2、3、4分别代表无故障、叶片透光、叶片开裂、叶片覆冰;叶片振动信号从风机振动信号监测站获取,瞬时风速、瞬时风功率从风电场的SCADA系统中获取,叶片振动信号在额定转速下进行采集,采样区间时间长度为T,采样频率为f0;
步骤1.2:对每个样本中的叶片振动信号进行快速傅里叶变换
步骤1.3:对叶片振动信号的频谱进行特征提取,构建风机叶片故障诊断数据集
对频谱进行特征提取,记录频谱的特征值包括最大幅值最大幅值对应的频率幅值均值幅值中位数值幅值峰度幅值偏度幅值标准差幅值方差得到风机叶片故障诊断数据集为X'=[X'1,X'2,...,X'k,...,X'K]T,X'∈R(K ×M)×11;其中,X'k为第k台风机的训练数据,X'k=[X'k1,X'k2,...,X'km,...,X'kM]T,X'k∈RM ×11,X'km为第k台风机的第m条训练数据,X'km∈R1×11;
步骤1.4:建立基于ELM的风机叶片故障诊断模型
以每台风机在每个采样区间的叶片振动信号的频谱的特征值、该采样区间最后一秒的瞬时风速与瞬时风功率为输入,以该台风机在该采样区间对应的故障状态标签为输出,构建基于极限学习机的风机叶片故障诊断模型,并利用所述风机叶片故障诊断数据集训练基于极限学习机的风机叶片故障诊断模型;所述基于极限学习机的风机叶片故障诊断模型为Y=MELM(w,b,β,x),其中,Y为输出的故障状态标签,w为输入权重矩阵,b为偏置向量,β为输出权重矩阵,x为待诊断样本输入数据;
步骤2:新工况叶片故障诊断
2.根据权利要求1所述的基于快速傅里叶变换和ELM的风机叶片故障诊断方法,其特征在于,所述步骤1.1中,T=64s,f0=128HZ。
4.根据权利要求1所述的基于快速傅里叶变换和ELM的风机叶片故障诊断方法,其特征在于,所述步骤1.4中,所述基于极限学习机的风机叶片故障诊断模型具体为:
其中,w、b随机产生,β通过求解方程(1)获得;
上式可紧凑地表示如下:
Hβ=T (1)
其中:
其中,H为隐层的输出矩阵,T为故障类别输出矩阵;g()为激活函数,wi∈R1×N为第i个隐层节点的输入权重,bi为第i个隐层节点的偏置,βi为第i个隐层节点的输出权重,i=1,2,...,L,L为隐层节点数;xj为第j组输入数据(最大幅值,最大幅值对应的频率,幅值均值,幅值中位数值,幅值峰度,幅值偏度,幅值标准差,幅值方差,瞬时风速,瞬时风功率),j=1,2,...,N,N为输入数据组数,N=K×M,tj为输入数据xj对应的故障状态标签yj;随机给定wi与bi,则训练单隐层前馈神经网络可以转化为求解线性方程(1)的最小二乘解。
5.根据权利要求4所述的基于快速傅里叶变换和ELM的风机叶片故障诊断方法,其特征在于,线性方程(1)的最小二乘解β=H+T;其中,H+表示矩阵H的广义More-Penrose广义逆;T为输出值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110284821.2A CN112949543B (zh) | 2021-03-17 | 2021-03-17 | 基于快速傅里叶变换和elm的风机叶片故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110284821.2A CN112949543B (zh) | 2021-03-17 | 2021-03-17 | 基于快速傅里叶变换和elm的风机叶片故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949543A CN112949543A (zh) | 2021-06-11 |
CN112949543B true CN112949543B (zh) | 2022-08-23 |
Family
ID=76228727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110284821.2A Active CN112949543B (zh) | 2021-03-17 | 2021-03-17 | 基于快速傅里叶变换和elm的风机叶片故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949543B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563251A (zh) * | 2016-07-01 | 2018-01-09 | 华北电力大学(保定) | 基于极限学习机的风机故障诊断方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN109255333A (zh) * | 2018-09-25 | 2019-01-22 | 内蒙古工业大学 | 一种大型风电机组滚动轴承故障混合诊断方法 |
CN209067417U (zh) * | 2018-12-07 | 2019-07-05 | 吉林电力股份有限公司科技开发分公司 | 一种基于scada系统的风电机组监测装置 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN110131109A (zh) * | 2019-04-25 | 2019-08-16 | 浙江大学 | 一种基于卷积神经网络的风力机叶片不平衡检测方法 |
CN111412114A (zh) * | 2019-12-26 | 2020-07-14 | 浙江运达风电股份有限公司 | 一种基于定子电流包络谱的风电机组叶轮不平衡检测方法 |
CN111625762A (zh) * | 2020-04-29 | 2020-09-04 | 粤电集团贵州有限公司 | 风机故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10495693B2 (en) * | 2017-06-01 | 2019-12-03 | General Electric Company | Wind turbine fault detection using acoustic, vibration, and electrical signals |
-
2021
- 2021-03-17 CN CN202110284821.2A patent/CN112949543B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563251A (zh) * | 2016-07-01 | 2018-01-09 | 华北电力大学(保定) | 基于极限学习机的风机故障诊断方法 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN109255333A (zh) * | 2018-09-25 | 2019-01-22 | 内蒙古工业大学 | 一种大型风电机组滚动轴承故障混合诊断方法 |
CN209067417U (zh) * | 2018-12-07 | 2019-07-05 | 吉林电力股份有限公司科技开发分公司 | 一种基于scada系统的风电机组监测装置 |
CN110131109A (zh) * | 2019-04-25 | 2019-08-16 | 浙江大学 | 一种基于卷积神经网络的风力机叶片不平衡检测方法 |
CN111412114A (zh) * | 2019-12-26 | 2020-07-14 | 浙江运达风电股份有限公司 | 一种基于定子电流包络谱的风电机组叶轮不平衡检测方法 |
CN111625762A (zh) * | 2020-04-29 | 2020-09-04 | 粤电集团贵州有限公司 | 风机故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
《An Overview on Fault Diagnosis, Prognosis and Resilient Control for Wind Turbine Systems》;Zhiwei Gao等;《Processes 2021》;20210205;第9卷(第2期);第1-19页 * |
《基于主分量和小波分析的煤矿主通风机故障诊断研究》;俞星 等;《煤矿机械》;20100415;第31卷(第04期);第238-240页 * |
《基于定子电流监控的轴承故障在线监测》;张海刚 等;《控制理论与应用》;20150512;第32卷(第04期);第513-520页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112949543A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104677623B (zh) | 一种风力发电机叶片故障在位声学诊断方法及监测系统 | |
CN109376801B (zh) | 基于集成深度神经网络的风力发电机叶片结冰诊断方法 | |
CN106596116A (zh) | 一种风力发电机组振动故障诊断方法 | |
CN108919116B (zh) | 基于MCCKAF-FFT-Softmax的海流发电机不平衡定子电流故障诊断方法 | |
Zhong et al. | Multi-fault rapid diagnosis for wind turbine gearbox using sparse Bayesian extreme learning machine | |
CN106762452B (zh) | 基于数据驱动的风机主控系统故障诊断和在线监测方法 | |
CN113947017B (zh) | 一种滚动轴承剩余使用寿命预测方法 | |
CN106650122B (zh) | 一种设备变工况运行风险评估方法 | |
CN111738068B (zh) | 一种转速波动工况下的传动轴故障诊断方法和系统 | |
CN104392082A (zh) | 一种基于振动监测的风力发电机组齿轮箱早期故障诊断方法 | |
CN105929331A (zh) | 一种双馈风力发电机定转子故障分析诊断装置及方法 | |
CN103940611A (zh) | 一种风电机组变工况下滚动轴承自适应异常检测方法 | |
CN105065212A (zh) | 一种风电场风电机组校验方法及系统 | |
CN111412114B (zh) | 一种基于定子电流包络谱的风电机组叶轮不平衡检测方法 | |
CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
CN108278184B (zh) | 基于经验模态分解的风电机组叶轮不平衡监测方法 | |
CN110595778A (zh) | 一种基于mmf与igra风电机组轴承故障诊断方法 | |
CN114358074B (zh) | 一种数据驱动的转子系统典型故障诊断方法 | |
CN104792520A (zh) | 风力发电机组齿轮箱故障诊断方法 | |
An et al. | Application of back propagation neural network to fault diagnosis of direct-drive wind turbine | |
CN112949543B (zh) | 基于快速傅里叶变换和elm的风机叶片故障诊断方法 | |
CN111539381B (zh) | 风力发电机轴承故障分类诊断模型的构建方法 | |
CN117006000A (zh) | 一种分离式风力发电机监测装置 | |
CN113776818B (zh) | 基于Park变换的海上风电机组齿轮系统故障诊断方法 | |
Yang et al. | Intelligent diagnosis technology of wind turbine drive system based on neural network |
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 |