本文關(guān)鍵詞： 模糊核聚類 粒子群優(yōu)化算法 風電機組 齒輪箱 故障診斷　出處：《振動.測試與診斷》2017年03期 　論文類型：期刊論文

【摘要】：針對基于有監(jiān)督學習的方法無法識別未知類別故障,提出了一種基于粒子群優(yōu)化模糊核聚類(kernel fuzzy c-means clustering,簡稱KFCM)的風電機組齒輪箱故障診斷方法。首先,建立以訓練樣本分類錯誤率為目標的聚類模型,利用KFCM對訓練樣本進行分類;然后,以初始聚類中心和核函數(shù)參數(shù)作為優(yōu)化變量,利用粒子群優(yōu)化算法求解聚類模型,獲得最優(yōu)分類結(jié)果下每個類的類心;最后,根據(jù)新樣本與各類心之間的核空間樣本相似度判斷新樣本屬于已知故障或者未知故障。以某風電機組齒輪箱為例,對提出方法的有效性進行試驗驗證。結(jié)果表明,與傳統(tǒng)基于有監(jiān)督學習的神經(jīng)網(wǎng)絡(luò)方法相比,該方法能有效診斷已知和未知類別的故障。
[Abstract]:The method based on supervised learning can not identify unknown class faults. A fuzzy kernel clustering method based on particle swarm optimization (PSO) is proposed for kernel fuzzy c-means clustering. Firstly, a clustering model aiming at the classification error rate of training samples is established, and KFCM is used to classify the training samples. Then, using the initial clustering center and kernel function parameters as the optimization variables, the particle swarm optimization algorithm is used to solve the clustering model, and the cluster center of each class is obtained under the optimal classification results. Finally, according to the similarity between the new samples and the core space samples, the new samples are identified as known or unknown faults. A wind turbine gearbox is taken as an example. Experimental results show that the proposed method can effectively diagnose known and unknown types of faults compared with the traditional neural network method based on supervised learning.
【作者單位】： 華北電力大學能源動力與機械工程學院;北京華能新銳控制技術(shù)有限公司;
【基金】：國家自然科學基金資助項目(51305135) 中國華能集團科技資助項目(HNKJ13-H20-05) 中央高校基本科研業(yè)務(wù)費專項資金資助項目(2014XS15)
【分類號】：TH132.41;TM614
【正文快照】： 引言齒輪箱是風電機組傳動鏈的關(guān)鍵設(shè)備,由于風電機組運行環(huán)境惡劣,導致齒輪箱故障頻繁發(fā)生,不僅事后維修工作難度大,而且費用高。因此,對風電機組齒輪箱進行有效的監(jiān)測和故障診斷,保障風電機組齒輪箱安全可靠運行具有重要意義。故障診斷的本質(zhì)是對故障信息的模式識別與分類[1

【相似文獻】

相關(guān)期刊論文 前10條

1 戴冬雪,王祁,阮永順,王曉超;基于混沌思想的粒子群優(yōu)化算法及其應用[J];華中科技大學學報(自然科學版);2005年10期

2 李艷靈;李剛;;粒子群優(yōu)化算法研究進展[J];重慶工學院學報(自然科學版);2007年05期

3 岳興漢;薛云燦;蔡亮;;基于混沌思想的粒子群優(yōu)化算法[J];河海大學常州分校學報;2007年04期

4 呂林;羅綺;劉俊勇;田立峰;;一種基于多種群分層的粒子群優(yōu)化算法[J];四川大學學報(工程科學版);2008年05期

5 房靖;高尚;;不完全判斷矩陣權(quán)值的粒子群優(yōu)化算法計算[J];科學技術(shù)與工程;2009年19期

6 徐安;趙思宏;寇英信;黃俊;;基于混合粒子群優(yōu)化的多目標決策新方法[J];火力與指揮控制;2010年01期

7 梁武;;改進的粒子群優(yōu)化算法在結(jié)構(gòu)優(yōu)化中的應用[J];廣東建材;2010年04期

8 馮雪;裴志松;;粒子群優(yōu)化算法的研究與應用[J];吉林建筑工程學院學報;2011年03期

9 高立群;李若平;鄒德旋;;全局粒子群優(yōu)化算法[J];東北大學學報(自然科學版);2011年11期

10 趙成業(yè);閆正兵;劉興高;;改進的變參數(shù)粒子群優(yōu)化算法[J];浙江大學學報(工學版);2011年12期

相關(guān)會議論文 前10條

1 張妍;張曉光;王永鋼;;幾種改進型的粒子群優(yōu)化算法[A];第一屆中國高校通信類院系學術(shù)研討會論文集[C];2007年

2 孫紅光;潘毓學;;基于運動目標路徑的粒子群優(yōu)化算法研究[A];第二屆全國信息獲取與處理學術(shù)會議論文集[C];2004年

3 韓毅;唐加福;郭偉宏;劉陽;;混合粒子群優(yōu)化算法求解多層批量問題(英文)[A];中國運籌學會第八屆學術(shù)交流會論文集[C];2006年

4 金一粟;梁逸曾;;空間自適應粒子群優(yōu)化算法的應用研究[A];第九屆全國計算（機）化學學術(shù)會議論文摘要集[C];2007年

5 汪榮貴;李守毅;孫見青;;一種新的自適應粒子群優(yōu)化算法及應用[A];計算機技術(shù)與應用進展·2007——全國第18屆計算機技術(shù)與應用（CACIS）學術(shù)會議論文集[C];2007年

6 黃雙歡;程良倫;;一種基于粒子群優(yōu)化的快速圖像傾斜角度檢測算法[A];中國自動化學會中南六省（區(qū)）2010年第28屆年會·論文集[C];2010年

7 侯志榮;呂振肅;;基于退火策略的粒子群優(yōu)化算法[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

8 徐俊杰;忻展紅;;基于增強型參考位置的粒子群優(yōu)化模型[A];’2004系統(tǒng)仿真技術(shù)及其應用學術(shù)交流會論文集[C];2004年

9 王亞;于永光;耿玲玲;;一類改進的自適應粒子群優(yōu)化算法對混沌系統(tǒng)未知參數(shù)的估計[A];中國力學大會——2013論文摘要集[C];2013年

10 崔靜;鄧方;方浩;;基于改進粒子群優(yōu)化算法的彈道求解方法[A];2013年中國智能自動化學術(shù)會議論文集（第三分冊）[C];2013年

相關(guān)博士學位論文 前10條

1 劉昊;多樣性增強的粒子群優(yōu)化算法及其應用研究[D];北京理工大學;2015年

2 姜毅;動態(tài)環(huán)境下粒子群優(yōu)化算法的研究[D];武漢大學;2013年

3 Shafiullah Khan;粒子群優(yōu)化算法及其在電磁設(shè)計中的應用[D];浙江大學;2017年

4 劉華鎣;粒子群優(yōu)化算法的改進研究及在石油工程中的應用[D];東北石油大學;2012年

5 劉波;粒子群優(yōu)化算法及其在機電設(shè)備中的應用研究[D];中北大學;2011年

6 熊勇;粒子群優(yōu)化算法的行為分析與應用實例[D];浙江大學;2005年

7 唐賢倫;混沌粒子群優(yōu)化算法理論及應用研究[D];重慶大學;2007年

8 閆允一;粒子群優(yōu)化及其在圖像處理中的應用研究[D];西安電子科技大學;2008年

9 余炳輝;粒子群優(yōu)化算法試驗研究及擴展[D];華中科技大學;2007年

10 唐賢倫;混沌粒子群優(yōu)化算法理論及應用[D];重慶大學;2007年

相關(guān)碩士學位論文 前10條

1 陳卓;粒子群優(yōu)化算法的改進及在油藏數(shù)值模擬中的應用[D];北京建筑大學;2015年

2 白云;基于粒子群優(yōu)化算法的復雜網(wǎng)絡(luò)社區(qū)挖掘[D];西北農(nóng)林科技大學;2015年

3 楊艷華;基于粒子群優(yōu)化支持向量機的網(wǎng)絡(luò)態(tài)勢預測模型研究[D];蘭州大學;2015年

4 孟亞州;基于粒子群優(yōu)化OTSU的肺組織分割算法研究[D];寧夏大學;2015年

5 鄭博;基于快速排序的多目標粒子群優(yōu)化算法的研究及應用[D];鄭州大學;2015年

6 米永強;非線性規(guī)劃問題的混合粒子群優(yōu)化算法研究[D];寧夏大學;2015年

7 李建美;基于自適應變異與文化框架的混沌粒子群優(yōu)化算法[D];陜西師范大學;2015年

8 劉星;基于粒子群優(yōu)化算法的特征選擇方法研究[D];南京大學;2015年

9 牛旭;動態(tài)粒子群優(yōu)化算法及其應用[D];西安電子科技大學;2014年

10 葉華;粒子群優(yōu)化算法研究[D];西安電子科技大學;2014年

，

本文編號：1483685