基于OS-ELM的风机关键机械部件故障诊断方法.pdf

《基于OS-ELM的风机关键机械部件故障诊断方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于OS—ELM的风机关键机械部件故障诊断方法术口占健口吴斌口王加祥口余建波s1．上海电机学院电气学院上海2013062．上海电机学院商学院上海2013063．同济大学机械与能源工程学院上海201804摘要：针对传统故障诊断中前馈神经网络算法诊断效果不佳、泛化能力不强问题，提出了基于在线贯序极限学习机(os—ELM)的风机关键机械部件故障诊断方法。该方法将测试得到的预测样本加入训练样本，作为下一次的更新信息建立在线贯序极限学习机诊断模型，从而最大限度提高故障诊断精度，分析了激活函数、隐层节点数目对诊断性能的影响。并同BP神经网络、SVM以及ELM神经网络进行对比。实验表明，该方法在风机关键机

2、械部件出现故障情况下，OS—ELM网络能够作出准确诊断且性能明显优于BP神经网络，与SVM、ELM故障分类准确率相当，但极大地提高了运算速度，便于工程应用。关键词：风力发电机在线贯序极限学习机故障诊断中图分类号：TH165．3文献标识码：A文章编号：1000—4998f2015104—0066—05风机传动系统是一个复杂的机械系统．作为风机受气温变化、潮气腐蚀等影响，传动系统故障频发．尤的关键机械部分，主要由轮毂、主轴、主轴承、齿轮箱、其在齿轮箱部分，保障整个系统长时间安全、可靠、稳制动器、联轴器、发电机等部分组成，完成风能向机械定地运行是一个值得研究的课题。根据系统中各机械能转换的重任。风

3、机往往所处工作环境恶劣，面对不断部件自身特点，在运行过程中对关键机械部件的正常变化的风速，风机需承受较大的冲击和交变载荷，同时退化状态进行有效监测，通过获取故障特征信息，掌握国家自然科学基金资助项目(编号：51375290)其运行规律，对出现的异常进行精确诊断。从而制定有教育部人文社会科学研究青年基金项目(编号：10YJC630274)效的控制策略，减少非计划停机次数，降低机组维护成收稿日期：2014年9月本，提高经济效益。所以_i亥逼工序的同轴度误差为：准确，计算方法更加通用。△目轴度=AOA参考文献[1]余祖西，叶海潮，肖洁，等．一种基于平面尺寸链的定位误差：△、／+(—+0计算方法[J

4、]．工具技术，2010，44(12)．将AOB=争、AOE=瓦代入式(3)得：[2]吴玉光，张根源，李春光．夹具定位误差分析自动建模方法[J]．机械工程学报，2012，48(5)．△=、／(+(4)[3]罗晨，朱利民，丁汉．夹具定位分析的双边二次方法[J]．机械工程学报，2011，47(3)．式中：为圆盘外圆直径的公差；TL为铣平面工序[4]秦国华，吴竹溪，张卫红．夹具定位方案的数学建模及其优尺寸的公差。化设计[J]．中国机械工程，2006，17(23)．6结束语[5]YKang，YRongandJCYang．Computer—aidedFixtureDesignVerification．P

5、art2．ToleranceAnalysis[J]．针对一些复杂的定位误差计算问题，采用传统方InternationalJournalofAdvancedManufacturingTechnology，法往往计算不准确。本文根据夹具定位要素的几何特2003，21(10-11)：836—841．征确定其理论基准．建立调刀基准与工序基准之间的[6]NecmettinKaya．MachiningFixtureLocatingandClamping基准路径图，可以综合考虑各种定位方案对某一工序PositionOptimizationUsingGeneticAlgorithms[J]．定位误差的影响大

6、小，有利于实现定位误差的程式化ComputersinIndustry，2006，57(2)：112-120．△计算及计算机辅助计算。使定位误差的计算结果更加(编辑禾禾)2015／4机械制造53卷第608期随着风电的持续发展，风机故障诊断也取得了诸式中：表示隐含层第个神经元与输出层第个神多成果，文献[1]根据韩国风电发展现实存在的限制，经元之间的连接权值。运用神经网络和小波变换来保证故障诊断系统的可靠每个隐含层节点的阈值b为：性。文献rz]将小波神经网络应用于风机齿轮箱故障诊T6=[bl，b2⋯．，6￡]‘lxL(2)断，精确地实现齿轮箱故障诊断。文献[3]提出运用基当具有Ⅳ个训练样本的输入矩

7、阵和对应输出于统计学习理论的支持向量机(SVM)故障诊断方法，矩阵l，为：利用其在小样本数据上精确的拟合和分类能力，在仅1112有少量时域样本的情况下训练故障分类器，通过测试，X2122证明该方法具有较好的分类能力。但是随着机器学习X=(3)方法的快速发展以及实际应用中对监控及诊断要求的n1提高．逐渐发现采用梯度下降算法调整权值的方法训)，lly12练出的前馈神经网络具有学习速度慢、泛化性能差的y21y22问