CN113297793A - 基于自适应lms算法的风力机齿轮箱故障检测方法、系统及装置 - Google Patents
基于自适应lms算法的风力机齿轮箱故障检测方法、系统及装置 Download PDFInfo
- Publication number
- CN113297793A CN113297793A CN202110578488.6A CN202110578488A CN113297793A CN 113297793 A CN113297793 A CN 113297793A CN 202110578488 A CN202110578488 A CN 202110578488A CN 113297793 A CN113297793 A CN 113297793A
- Authority
- CN
- China
- Prior art keywords
- lms algorithm
- adaptive lms
- algorithm
- wind turbine
- optimized
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 97
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 241001481710 Cerambycidae Species 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 15
- 239000000126 substance Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000025518 detection of mechanical stimulus involved in sensory perception of wind Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于自适应LMS算法的风力机齿轮箱故障检测方法、系统及装置,方法包括:获取风力机齿轮箱的故障信号;利用优化后的自适应LMS算法对故障信号进行降噪处理;对降噪处理后的故障信号进行包络分析获取检测结果;其中,自适应LMS算法的优化包括:初始化自适应LMS算法的阶数、权值系数以及步长因子;利用天牛须智能算法对初始化步长因子中的调节参数进行迭代优化;根据优化后的调节参数计算更新步长因子以及权值系数;根据更新后的步长因子以及权值系数更新优化自适应LMS算法。本发明能够有效的将风力机齿轮箱故障特征从噪声中分离出来,并且解决了自适应LMS算法手动调参带来的随机性问题。
Description
技术领域
本发明涉及一种基于自适应LMS算法的风力机齿轮箱故障检测方法、系统及装置,属于风力机故障检测技术领域。
背景技术
与其他可再生能源相比,风能最具通用性,最成熟并且成本最低,发展力最快。然而风力发电机建立的环境一般都比较差,因为种种不确定的环境因素的影响导致其很容易发生故障。在现实生活中风力发电机一般都建立在偏僻地域或者海上,而且距离地面有一定的高度,利用人工检测的方式将会浪费很多的人力物力,而且还不能及时发现故障,所以通过一定的技术手段进行风力发电机故障的检测可以降低一定的人力成本。作为风力机核心的传动组件,齿轮箱决定着整个发电机是否可以健康运行。风力发电机所处的恶劣环境以及风速、风力的随机性、难以掌控性,导致风力发电机时常受到复杂的、波动的冲击载荷,很容易破坏齿轮箱的工作机制,让其成为风力机故障率最高的组件。本发明针对风力发电机齿轮箱故障信号含有大量的噪声干扰问题,对信号进行降噪,利用归一化的基于S函数改进的自适应LMS算法对风力发电机的齿轮箱故障问题展开了研充分析。
目前LMS算法虽然已经有很多改进算法,无论哪种改进算法,都涉及到的参数有很多,这些参数往往决定着改进算法的好坏,参数的选取工作在自适应LMS算法中占据着至关重要的地位。手动调参方法不仅会带来一定的随机性问题,也不能使自适应LMS算法性能达到最佳。
为了解决上述问题,本申请提出一种基于自适应LMS算法的风力机齿轮箱故障检测方法、系统及装置。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于自适应LMS算法的风力机齿轮箱故障检测方法、系统及装置,解决现有的LMS算法采用手动调参,从而导致性能无法达到最佳且容易产生各种随机性问题的技术问题。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种基于自适应LMS算法的风力机齿轮箱故障检测方法,包括以下步骤:
获取风力机齿轮箱的故障信号;
利用优化后的自适应LMS算法对故障信号进行降噪处理;
对降噪处理后的故障信号进行包络分析获取检测结果;
其中,所述自适应LMS算法的优化包括:
初始化自适应LMS算法的阶数、权值系数以及步长因子;
利用天牛须智能算法对初始化步长因子中的调节参数进行迭代优化;
根据优化后的调节参数计算更新步长因子以及权值系数,得到优化后的自适应LMS算法。
优选的,所述利用天牛须智能算法对初始化步长因子中的调节参数进行迭代优化包括:
计算获取天牛须智能算法左右两须的位置,其公式如下:
其中,N代表天牛须智能算法的空间维度;
根据左右两须的适应度更新天牛须智能算法的搜索位置,其公式如下:
重复上述步骤至预设的迭代次数,得到优化后的搜索位置xt,从而获得优化后的调节参数{a,b,r}。
优选的,所述天牛须智能算法的适应度函数,其公式如下:
其中,μ(n)表示步长因子,x(n)表示输入信号,其表达式为:x(n)={x(1),x(2),……,x(k-1)},k为阶数。
优选的,所述根据优化后的调节参数计算更新步长因子以及权值系数包括:
步长因子μ(n)的表达式如下:
权值系数w(n)的表达式如下:
其中,e(n)表示计算误差,其表达式为:e(n)=s(n)-y(n),s(n)表示期望信号,y(n)表示实际输出信号。
第二方面,本发明提供了一种基于自适应LMS算法的风力机齿轮箱故障检测系统,包括:
信号获取模块,用于获取风力机齿轮箱的故障信号;
降噪处理模块,用于利用优化后的自适应LMS算法对故障信号进行降噪处理;
包络分析模块,用于对降噪处理后的故障信号进行包络分析获取检测结果;
其中,所述自适应LMS算法的优化包括:
初始化自适应LMS算法的阶数、权值系数以及步长因子;
利用天牛须智能算法对初始化步长因子中的调节参数进行迭代优化;
根据优化后的调节参数计算更新步长因子以及权值系数,得到优化后的自适应LMS算法。
第三方面,本发明提供了一种基于自适应LMS算法的风力机齿轮箱故障检测装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
本发明提供的一种基于自适应LMS算法的风力机齿轮箱故障检测方法、系统及装置,利用天牛须智能算法对自适应LMS算法的参数进行优化,能够避免传统的自适应均方误差算法手动调节参数带来的随机性,节省一定的时间以及精力,然后将优化后的自适应LMS算法用于风力发电机齿轮箱故障信号的降噪上,可以有效的将风力机齿轮箱有效的故障特征从噪声中分离出来,从而提升故障检测的性能。
附图说明
图1是本发明实施例提供的基于自适应LMS算法的风力机齿轮箱故障检测方法流程图;
图2是本发明实施例提供的自适应LMS算法的优化过程流程图;
图3是本发明实施例提供的实验验证的各算法收敛曲线对比示意图;
图4是本发明实施例提供的实验验证的故障信号的频域示意图;
图5是本发明实施例提供的实验验证的各算法降噪后的频域示意图;
图6是本发明实施例提供的实验验证的各算法降噪后的包络谱示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
如图1所示,本实施例提供一种基于自适应LMS算法的风力机齿轮箱故障检测方法,包括以下步骤:
步骤一、采集获取风力机齿轮箱的故障信号,具体的,使用以BES2300Y芯片为核心的电路板模块采集风力机齿轮箱故障信号,采样率是44100Hz。
步骤二、利用优化后的自适应LMS算法对故障信号进行降噪处理。
步骤三、对降噪处理后的故障信号进行包络分析获取检测结果。
如图2所示,自适应LMS算法的优化过程,包括以下步骤:
S1、初始化自适应LMS算法的阶数、权值系数以及步长因子。
S2、利用天牛须智能算法对初始化步长因子中的调节参数进行迭代优化;
S2.1、计算获取天牛须智能算法左右两须的位置,其公式如下:
其中,N代表天牛须智能算法的空间维度;
其中,μ(n)表示步长因子,x(n)表示输入信号,其表达式为:x(n)={x(1),x(2),……,x(k-1)},k为阶数。
S2.3根据左右两须的适应度更新天牛须智能算法的搜索位置,其公式如下:
S2.4、重复上述步骤至预设的迭代次数,得到优化后的搜索位置xt,从而获得优化后的调节参数{a,b,r}。
S3、根据优化后的调节参数计算更新步长因子以及权值系数;
步长因子μ(n)的表达式如下:
权值系数w(n)的表达式如下:
其中,e(n)表示计算误差,其表达式为:e(n)=s(n)-y(n),s(n)表示期望信号,y(n)表示实际输出信号。
S4、根据更新后的步长因子以及权值系数更新优化自适应LMS算法。
实验验证:
(1)采集齿轮箱故障的单一信号可以认为不含任何噪声,作为期望信号s(n),采样率为44100,采样点数是2×105。
(2)以(1)中同样的方法采集含噪的风力发电机齿轮箱故障信号,作为输入信号x(n)。
(3)把(1)、(2)中采集的信号利用不同的算法进行降噪处理,如归一化LMS,改进的基于Sigmoid的LMS算法(G-SVSLMS),基于G-SVSLMS改进的LMS算法(I-GVSLMS),并跟本发明中优化后的自适应LMS方法进行比较,图3、图4、图5、图6为实验对比结果图。
经过上述实验验证后,证明该发明方法可以达到理想的故障信号处理效果,利用天牛须算法使得本发明中所使用的自适应LMS算法性能达到最佳,避免了参数选择的随机性问题,增强系统抗噪能力,对风力机齿轮箱故障信号降噪效果明显,使得故障信号的包络信息更加明显。
实施例二:
本实施例提供了一种基于自适应LMS算法的风力机齿轮箱故障检测系统,包括:
信号获取模块,用于采集获取风力机齿轮箱的故障信号;
降噪处理模块,用于利用优化后的自适应LMS算法对故障信号进行降噪处理;
包络分析模块,用于对降噪处理后的故障信号进行包络分析获取检测结果;
其中,自适应LMS算法的优化包括:
初始化自适应LMS算法的阶数、权值系数以及步长因子;
利用天牛须智能算法对初始化步长因子中的调节参数进行迭代优化;
根据优化后的调节参数计算更新步长因子以及权值系数;
根据更新后的步长因子以及权值系数更新优化自适应LMS算法。
实施例三:
本实施例提供了一种基于自适应LMS算法的风力机齿轮箱故障检测装置,包括处理器及存储介质;存储介质用于存储指令;处理器用于根据指令进行操作以执行根据如实施例一中任一项方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种基于自适应LMS算法的风力机齿轮箱故障检测方法,其特征在于,包括:
获取风力机齿轮箱的故障信号;
利用优化后的自适应LMS算法对故障信号进行降噪处理;
对降噪处理后的故障信号进行包络分析获取检测结果;
其中,所述自适应LMS算法的优化包括:
初始化自适应LMS算法的阶数、权值系数以及步长因子;
利用天牛须智能算法对初始化步长因子中的调节参数进行迭代优化;
根据优化后的调节参数计算更新步长因子以及权值系数,从而得到优化后的自适应LMS算法。
2.根据权利要求1所述的一种基于自适应LMS算法的风力机齿轮箱故障检测方法,其特征在于,所述利用天牛须智能算法对初始化步长因子中的调节参数进行迭代优化包括:
计算获取天牛须智能算法左右两须的位置,其公式如下:
其中,N代表天牛须智能算法的空间维度;
根据左右两须的适应度更新天牛须智能算法的搜索位置,其公式如下:
重复上述步骤至预设的迭代次数,得到优化后的搜索位置xt,从而获得优化后的调节参数{a,b,r}。
5.一种基于自适应LMS算法的风力机齿轮箱故障检测系统,其特征在于,所述系统包括:
信号获取模块,用于获取风力机齿轮箱的故障信号;
降噪处理模块,用于利用优化后的自适应LMS算法对故障信号进行降噪处理;
包络分析模块,用于对降噪处理后的故障信号进行包络分析获取检测结果;
其中,所述自适应LMS算法的优化包括:
初始化自适应LMS算法的阶数、权值系数以及步长因子;
利用天牛须智能算法对初始化步长因子中的调节参数进行迭代优化;
根据优化后的调节参数计算更新步长因子以及权值系数,从而得到优化后的自适应LMS算法。
6.一种基于自适应LMS算法的风力机齿轮箱故障检测装置,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110578488.6A CN113297793A (zh) | 2021-05-26 | 2021-05-26 | 基于自适应lms算法的风力机齿轮箱故障检测方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110578488.6A CN113297793A (zh) | 2021-05-26 | 2021-05-26 | 基于自适应lms算法的风力机齿轮箱故障检测方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113297793A true CN113297793A (zh) | 2021-08-24 |
Family
ID=77325275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110578488.6A Pending CN113297793A (zh) | 2021-05-26 | 2021-05-26 | 基于自适应lms算法的风力机齿轮箱故障检测方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297793A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563611A (zh) * | 2018-03-27 | 2018-09-21 | 天津大学 | 基于天牛须搜索算法的认知雷达波形优化方法 |
CN112003588A (zh) * | 2020-08-27 | 2020-11-27 | 重庆邮电大学 | 基于多态可变步长归一化均方的自适应信号滤波方法 |
-
2021
- 2021-05-26 CN CN202110578488.6A patent/CN113297793A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563611A (zh) * | 2018-03-27 | 2018-09-21 | 天津大学 | 基于天牛须搜索算法的认知雷达波形优化方法 |
CN112003588A (zh) * | 2020-08-27 | 2020-11-27 | 重庆邮电大学 | 基于多态可变步长归一化均方的自适应信号滤波方法 |
Non-Patent Citations (3)
Title |
---|
CONGBING WU等: "A study on active noise reduction of automobile engine compartment based on adaptive LMS Algorithm", 《HTTPS://DOI.ORG/10.1007/S40857-020-00198-Y》 * |
XIANGYUAN JIANG等: "Beetle antennae search algorithm for optimization problems", 《INTERNATIONAL JOURNAL OF ROBOTICS AND CONTROL》 * |
陈明义: "基于自适应LMS算法的滚动轴承故障诊断", 《知网》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahn et al. | Novel memetic algorithm implemented with GA (genetic algorithm) and MADS (mesh adaptive direct search) for optimal design of electromagnetic system | |
CN111414717A (zh) | 一种基于XGBoost-LightGBM的机组功率预测方法 | |
CN106531145B (zh) | 基于m估计器的递归有源噪声控制方法 | |
CN111010356A (zh) | 一种基于支持向量机的水声通信信号调制方式识别方法 | |
CN115456054A (zh) | 基于磁流变调谐质量阻尼器的海上风机振动控制系统 | |
CN113236487B (zh) | 风电场噪声控制方法、系统、设备及可读存储介质 | |
CN113297793A (zh) | 基于自适应lms算法的风力机齿轮箱故障检测方法、系统及装置 | |
CN114565828A (zh) | 一种基于声嵌入记忆空间编码器模型的特征对抗增强水下目标识别方法 | |
CN109784284A (zh) | 基于旋转机械的工作状态的自学习识别方法 | |
CN112085272A (zh) | 一种风功率预测方法 | |
CN116578908A (zh) | 一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备 | |
CN115167140B (zh) | 风力发电机组多目标随机模型预测控制策略方法及系统 | |
CN116559584A (zh) | 一种自适应电压暂降波形分解方法及系统 | |
CN116430172A (zh) | 特高压直流输电线路故障测距方法、设备及存储介质 | |
CN114415018A (zh) | 用于电机故障预警的自学习式光栅干涉频谱分析技术 | |
Qi et al. | A new deep fusion network for automatic mechanical fault feature learning | |
CN103501167A (zh) | 后滤波结构的脉冲噪声有源控制方法 | |
CN111651841B (zh) | 基于圆周割线改进型粒子群算法的叶片临界颤振系统参数辨识方法 | |
CN116502076B (zh) | 一种微弱信号识别方法、装置和可读存储介质 | |
JP6067760B2 (ja) | パラメータ決定装置、パラメータ決定方法、およびプログラム | |
Wu et al. | Application of the sparse low-rank model in denoising of underwater acoustic signal | |
CN117057085A (zh) | 一种基于iaoa-smesc的风电系统mppt方法 | |
CN116705055B (zh) | 一种变电站噪声监测方法、系统、设备和存储介质 | |
CN112364558B (zh) | 一种一基多体式波浪能发电装置的双层优化方法及装置 | |
CN112417645B (zh) | 一种火星探测器制动捕获多目标优化方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210824 |