針對(duì)汽輪機(jī)轉(zhuǎn)子發(fā)生的典型故障,提出一種基于多特征提取和核主元分析的核極限學(xué)習(xí)機(jī)診斷模型。首先,對(duì)測取到的各典型故障時(shí)的振動(dòng)信號(hào)進(jìn)行變分模態(tài)分解,獲得不同尺度固有模態(tài)函數(shù);其次,對(duì)各固有模態(tài)函數(shù)計(jì)算特征能量和樣本熵組成特征向量;最后,對(duì)特征向量采用核主元分析法進(jìn)行去噪和降維,并將其作為輸入進(jìn)行核極限學(xué)習(xí)機(jī)（遺傳算法優(yōu)化）模型的訓(xùn)練和測試。與基于單一特征向量的模型相比,多種特征提取能夠增強(qiáng)模型的輸入特征,而核主元分析方法能夠明顯減少信息冗余和特征向量的相關(guān)性,且節(jié)約時(shí)間成本,在一定程度上提高模型的預(yù)測性能,為汽輪機(jī)轉(zhuǎn)子故障的診斷研究提供一種新的思路。 

【文章來源】：汽輪機(jī)技術(shù). 2020,62(02)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

VMD-FE+SE-KPCA-KELM建模流程圖

采用汽輪機(jī)4種狀態(tài)時(shí)振動(dòng)信號(hào)訓(xùn)練VMD-FE+SE-KPCA-KELM故障診斷模型,后進(jìn)行測試樣本的狀態(tài)預(yù)測。為比較該模型性能,提出單一KELM、VMD-FE-KELM、VMD-SE-KELM和VMD-FE+SE-KELM診斷模型進(jìn)行對(duì)比。其中轉(zhuǎn)子不平衡故障狀態(tài)下振動(dòng)信號(hào)的VMD分解圖如圖2所示。在建立核極限學(xué)習(xí)模型時(shí),核參數(shù)和正則化系數(shù)對(duì)模型性能具有重要影響。本文中采用遺傳算法進(jìn)行上述參數(shù)的尋優(yōu),并以適應(yīng)度作為參考指標(biāo)。對(duì)4種特征提取方法下的KELM模型尋優(yōu)得到的參數(shù)結(jié)果見表2。各特征提取方法的故障診斷模型預(yù)測精度見表3,預(yù)測結(jié)果分布如圖3、圖4所示。

表3 基于核極限學(xué)習(xí)機(jī)的故障診斷模型性能比較 模型 訓(xùn)練精度,% 測試精度,% 測試時(shí)間,s KELM 90 62.5 24.16 VMD-SE 85 70 12.75 VMD-FE 100 80 14.22 VMD-FE+SE 100 82.50 17.17 FE+SE+KPCA 100 87.5 11.86圖4 基于VMD-FE+SE-KPCA的核極限學(xué)習(xí)機(jī)預(yù)測結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]GFD和核主元分析的機(jī)械振動(dòng)特征提取[J]. 韋祥,李本威,吳易明.  振動(dòng).測試與診斷. 2019(01)
[2]基于變分模態(tài)分解和改進(jìn)模糊支持向量機(jī)的汽輪機(jī)故障診斷方法[J]. 張棟良,黃昕宇,李帥位.  濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[3]基于主元提取的魯棒極限學(xué)習(xí)機(jī)研究及其化工建模應(yīng)用[J]. 張曉晗,汪平江,顧祥柏,徐圓,賀彥林,朱群雄.  化工學(xué)報(bào). 2019(02)
[4]基于變分模態(tài)分解和極限學(xué)習(xí)機(jī)軸承壽命預(yù)測[J]. 王新,汪東甲.  制造業(yè)自動(dòng)化. 2018(11)
[5]基于核函數(shù)極限學(xué)習(xí)機(jī)和小波包變換的EEG分類方法[J]. 王麗,蘭陟,楊榮,王強(qiáng),李宏亮.  北京生物醫(yī)學(xué)工程. 2018(05)
[6]基于粒子群算法優(yōu)化核極限學(xué)習(xí)機(jī)的磨煤機(jī)故障診斷[J]. 張文濤,馬永光,董子健,杜景琦.  電力科學(xué)與工程. 2018(09)
[7]超臨界630MW機(jī)組汽輪機(jī)高中壓轉(zhuǎn)子低頻振動(dòng)故障診斷與處理[J]. 戈建新,陶有宏,夏杰,戴峰,郝慶豐.  熱力發(fā)電. 2018(07)
[8]改進(jìn)粒子濾波和小波包在汽輪機(jī)振動(dòng)診斷中的應(yīng)用[J]. 夏飛,郝碩濤,張浩,彭道剛.  系統(tǒng)仿真學(xué)報(bào). 2016(11)
[9]基于優(yōu)化核極限學(xué)習(xí)機(jī)的風(fēng)電功率時(shí)間序列預(yù)測[J]. 李軍,李大超.  物理學(xué)報(bào). 2016(13)
[10]基于PCA-PDBNs的故障檢測與自學(xué)習(xí)辨識(shí)[J]. 王培良,夏春江.  儀器儀表學(xué)報(bào). 2015(05)



本文編號(hào)：3618917