基于粒子群优化KFCM的风电齿轮箱故障诊断

被引：43

作者：

李状 ^{[1
]}

柳亦兵 ^{[1
]}

滕伟 ^{[1
]}

林杨 ^{[1
,2
]}

机构：

[1] 华北电力大学能源动力与机械工程学院

[2] 北京华能新锐控制技术有限公司

来源：

振动测试与诊断. | 2017年 / 37卷 / 03期

基金：

中央高校基本科研业务费专项资金资助;

关键词：

模糊核聚类; 粒子群优化算法; 风电机组; 齿轮箱; 故障诊断;

D O I：

10.16450/j.cnki.issn.1004-6801.2017.03.010

中图分类号：

TH132.41 [齿轮及齿轮传动]; TM614 [风能发电];

学科分类号：

080811 [新能源发电与电能存储]; 082805 [农业机械化与装备工程];

摘要：

针对基于有监督学习的方法无法识别未知类别故障,提出了一种基于粒子群优化模糊核聚类(kernel fuzzy c-means clustering,简称KFCM)的风电机组齿轮箱故障诊断方法。首先,建立以训练样本分类错误率为目标的聚类模型,利用KFCM对训练样本进行分类;然后,以初始聚类中心和核函数参数作为优化变量,利用粒子群优化算法求解聚类模型,获得最优分类结果下每个类的类心;最后,根据新样本与各类心之间的核空间样本相似度判断新样本属于已知故障或者未知故障。以某风电机组齿轮箱为例,对提出方法的有效性进行试验验证。结果表明,与传统基于有监督学习的神经网络方法相比,该方法能有效诊断已知和未知类别的故障。

引用

页码：484 / 488+626 +626-627

页数：7

共 12 条

[1]

基于小波包神经网络的发动机振动信号分析 [J].

司景萍 ;

郭丽娜 ;

牛家骅 .

振动测试与诊断., 2013, 33 (05) :763-769+909

[2]

基于Levy-ABC优化SVM的水电机组故障诊断方法 [J].

肖剑 ;

周建中 ;

张孝远 ;

李超顺 ;

寇攀高 ;

肖汉 .

振动测试与诊断., 2013, 33 (05) :839-844+914

[3]

基于粒子群优化决策树的齿轮箱故障诊断 [J].

程珩 ;

黄超勇 ;

张永刚 .

振动测试与诊断., 2013, 33 (01) :153-156+172

[4]

基于PCA和SVM的内燃机故障诊断 [J].

刘永斌 ;

何清波 ;

孔凡让 ;

张平 .

振动测试与诊断., 2012, 32 (02) :250-255+342

[5]

基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法 [J].

龙泉 ;

刘永前 ;

杨勇平 .

太阳能学报, 2012, 33 (01) :120-125

[6]

基于KPCA和KFCM集成的汽轮机故障诊断 [J].

黄保海 ;

李岩 ;

王东风 ;

韩璞 .

电力自动化设备, 2010, 30 (07) :84-87

[7]

一种基于人工免疫的模糊核聚类算法 [J].

蒋全胜 ;

贾民平 ;

胡建中 ;

许飞云 .

中国机械工程, 2008, (05) :594-597

[8]

Semi-supervised weighted kernel clustering based on gravitational search for fault diagnosis [J].

Li, Chaoshun ;

Zhou, Jianzhong .

ISA TRANSACTIONS, 2014, 53 (05) :1534-1543

[9]

The fault feature extraction and classification of gear using principal component analysis and kernel principal component analysis based on the wavelet packet transform.[J].Renping Shao;Wentao Hu;Yayun Wang;Xiankun Qi.Measurement.2014,

[10]

Wind turbine fault diagnosis method based on diagonal spectrum and clustering binary tree SVM [J].

Liu Wenyi ;

Wang Zhenfeng ;

Han Jiguang ;

Wang Guangfeng .

RENEWABLE ENERGY, 2013, 50 :1-6

← 1 2 →