【技术实现步骤摘要】
本专利技术设计了一种基于ceemdan-gwo-kelm的风电机组轴承故障诊断方法，属于轴承故障诊断。
技术介绍
1、风能作为一种可再生的清洁能源，近年来一直处于快速发展阶段。风力发电机组是风能发电系统中的关键设备，由于长期在野外比较恶劣的环境中运行，导致其故障频发，而滚动轴承作为风机传动系统中的重要部件，其运行状态往往会直接影响到整机的使用性能。为此针对风电机组滚动轴承进行监测和诊断对加强设备安全稳定运行、降低维护成本、提高风电场运行经济效益具有重大意义。
2、在实际工程当中，我们采集到的故障振动信号是非线性、非平稳的，而且还会有很大程度上的噪声。小波阈值去噪的方法可以有效的对振动信号进行降噪处理。而对于故障特征提取，传统的风电机组振动信号处理方法不能有效的实现风机故障的精准判断。huang等人首先提出了经验模态分解(empirical mode decomposition,emd),它降低了由于人为因素造成的算法分解误差，被广泛应用于故障诊断、信号去噪、医学等领域。由于emd理论存在缺陷，使得所分解信号会存在模态混叠现象和端点效应。为了解决这个问题，wu等人提出了集合经验模态分解(ensemble empirical mode decomposition，eemd)，它是emd的改进算法，用高斯白噪声添加到原始信号当中来尽量消除emd分解过程中的模态混叠现象，但会存在大量的噪声残余在其重构信号中。torres等人提出了一种新的改进算法自适应噪声完全集合经验模态分解(ceemdan),该算法能很好地处理非线性、非平
3、在机械故障诊断方面，特征提取是其中一项关键性步骤。近些年来，近似熵、样本熵、模糊熵等无量纲参数被引入机械设备振动信号的特征提取之中。sampaio等人将近似熵算法应用于裂纹轴的振动信号，来检测裂纹及其深度。wang等人利用广义精细复合多尺度样本熵算法，成功的对滚动轴承故障样本进行了特征分类。tran等人利用模糊熵和相似度分类器进行颤振振动诊断的有效特征选择。在特征提取之后，需要用合适的分类算法来实现故障诊断。极限学习机(elm)是一种具有良好学习能力和泛化能力的单层前馈神经网络，其应用领域非常广泛。yang等人使用elm算法来预测可可豆的烘烤程度。li等人建立了一个基于mpa-elm的模型来预测电主轴的热位移。等人在手语识别系统中使用了elm分类器。diker等人使用dea-elm方法提高了ecg信号的分类性能。he等人利用反向认知果蝇优化算法来优化elm参数，建立了滚动轴承故障诊断模型。然而elm会使分类结果产生波动，稳定性也比较差。为此，huang等人在elm中引入核映射来代替随机映射，增强了稳定性和泛化能力。hu等人利用粒子群算法优化kelm进行风力发电机行星齿轮箱故障诊断，取得了一定的效果。
4、在现有技术(申请号为cn113780056a.1、专利名称为基于振动信号的滚动轴承故障诊断方法的中国专利技术专利申请。)中，首先采用ceemdan算法对振动信号进行分解，再对噪声主导的imf分量进行去噪处理，对信号进行重构并再次进行ceemdan分解；而本专利首先对振动信号进行小波阈值去噪处理，接着再对处理过后的信号进行ceemdan分解。与现有技术不同的是本专利的研究对象是风电机组轴承，其工作在室外并且具有一定的高度，工作环境较为恶劣，噪声强度比较高，所以本专利先对信号进行的去噪处理。在现有技术中，使用灰狼算法对多尺度排列熵的初始参数进行优化，再对信号进行mpe值计算，并选择合适的mpe值作为特征集，然后输入到支持向量机中进行故障识别；而本专利则使用灰狼算法来对核极限学习机模型中的核函数参数和惩罚参数进行优化，再将由皮尔逊相关系数选取并处理后的前4阶imf分量的模糊熵作为特征数据集输入到该优化模型中进行故障诊断。
5、综上所述，本专利技术针对强背景噪声环境下对风电机组轴承的不同运行状态难以准确提取的问题，提出了一种基于ceemdan-gwo-kelm的风电机组轴承故障诊断方法。首先用小波阈值去噪的方法对轴承故障信号进行降噪处理，再对降噪后的信号进行ceemdan分解，得到一系列的imf分量，通过相关系数选出轴承特征信息较为丰富的前4个imf分量，并计算前四个分量的模糊熵，将模糊熵作为特征向量输入到gwo-kelm模型中，从而实现风电机组轴承的故障诊断。将该方法与其他组合方法进行比较，证明本专利技术所提方法在风力发电机轴承故障诊断中具有优越性和有效性。
技术实现思路
1、本专利技术针对强背景噪声环境下对风电机组轴承的不同运行状态难以准确提取的问题，提出了一种基于ceemdan-gwo-kelm的风电机组轴承故障诊断方法。包括如下几个步骤：
2、步骤1：在一定的采样频率下采集轴承的不同状态的加速度信号数据。
3、步骤2：先对采集到的信号用小波阈值去噪的方法进行降噪处理，再用ceemdan方法来对降噪后的信号进行分解并得到若干imf分量。
4、步骤2.1：用软阈值去噪法来对信号进行去噪处理，软阈值表达式如下所示：
5、
6、步骤2.2：对去噪后的信号进行ceemdan分解。
7、步骤3：计算各imf分量的模糊熵，通过相关系数来选择前四阶imf分量的模糊熵，构造特征向量。
8、步骤3.1：计算各imf分量的模糊熵，如下所示：
9、fuzzyen(m,r,n)＝lnφm(r)-lnφm+1(r)
10、其中，m为嵌入维数参数；n为原始时间序列长度；lnφm(r)为m维度下的关系维度。
11、步骤3.2：计算各imf分量的皮尔逊相关系数。
12、步骤3.3：将由相关系数选出来的imf分量的模糊熵构造成特征向量作为故障特征数据集。
13、步骤4：对提取的故障特征数据集做归一化处理，将处理后的特征向量按3：2的比例制成模型的训练集和测试集，并添加类别标签。
14、步骤5：使用gwo算法优化更新kelm分类器的核函数参数和惩罚参数，得到优化后的kelm分类器。
15、步骤5.1：输入数据，将归一化后的数据输入到模型里。
16、步骤5.2：初始化gwo和kelm参数，包括种群大小，迭代次数、正则化系数和核参数等，以kelm识别准确率作为适应度函数。
17、步骤5.3：在设定的范围内随机生成狼群位置。
18、步骤5.4：计算当前位置狼群适应度函数值。
19、步骤5.5：根据适应度，将狼群分为α、β、δ狼群。
20、步骤5.6：更新狼群位置和适应度函数值。
21、步骤5.7：判断是否满足迭代次数，当不满足时返回步骤5.5，否则，寻优结束，输出最优参数c和γ。
22、步骤5.8：使用最佳参数对kelm进行训练，进而来进行故障分类。
23、步骤6：将最终的特征本文档来自技高网...
【技术保护点】
1.一种基于CEEMDAN-GWO-KELM的风电机组轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于CEEMDAN-GWO-KELM的风电机组轴承故障诊断方法，其特征在于，所述步骤2包括：
3.根据权利要求1所述的一种基于CEEMDAN-GWO-KELM的风电机组轴承故障诊断方法，其特征在于，所述步骤3包括：
4.根据权利要求1所述的一种基于CEEMDAN-GWO-KELM的风电机组轴承故障诊断方法，其特征在于，所述步骤5包括：
【技术特征摘要】
1.一种基于ceemdan-gwo-kelm的风电机组轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于ceemdan-gwo-kelm的风电机组轴承故障诊断方法，其特征在于，所述步骤2包括：
3....
【专利技术属性】
技术研发人员：刘利平，尹静涛，位颖，
申请(专利权)人：上海电子信息职业技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。