在風(fēng)機(jī)齒輪箱故障診斷過程中,針對由于故障數(shù)據(jù)稀疏導(dǎo)致模型建立困難的問題,提出一種使用改進(jìn)人工蜂群算法（IABC）優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的故障診斷模型。該模型通過建立齒輪箱正常狀態(tài)下的溫度模型,采用殘差分析,得到齒輪箱的故障狀態(tài),降低了建立模型的復(fù)雜度。采用IABC對Elman神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)進(jìn)行優(yōu)化,解決了Elman網(wǎng)絡(luò)收斂速率慢、易陷入局部最優(yōu)的問題。在IABC算法中,觀察蜂階段采用動態(tài)搜索策略,實(shí)現(xiàn)搜索能力和開發(fā)能力的平衡;在偵查蜂階段,通過引入混沌變量擾動,增大種群多樣性,進(jìn)而達(dá)到全局最優(yōu)。通過華北某風(fēng)電場歷史數(shù)據(jù)進(jìn)行實(shí)驗(yàn),結(jié)果表明,IABC與Elman神經(jīng)網(wǎng)絡(luò)的結(jié)合可對風(fēng)機(jī)齒輪箱故障狀態(tài)進(jìn)行識別,且診斷正確率較高,可應(yīng)用于實(shí)際故障診斷。 

【文章來源】：可再生能源. 2019,37(04)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1ThestructureofElmanneuralnetworkαxc（k）結(jié)構(gòu)層輸入層αu（k-1）21

值越大，被選中的概率越高，概率公式為Pi=0.9×fitibest[fiti]+0.1（5）式中：fiti=1/（1+fi），fi叟01+fi，fi＜叟0，fi為目標(biāo)函數(shù)值。選擇對應(yīng)的蜜源后，根據(jù)式（6）在當(dāng)前最優(yōu)蜜源鄰域內(nèi)產(chǎn)生新解，再通過貪婪選擇機(jī)制選擇較優(yōu)蜜源。則第i個觀察蜂更新蜜源為圖1Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1ThestructureofElmanneuralnetworkαxc（k）結(jié)構(gòu)層輸入層αu（k-1）ω2ω1x（k）ω3y（k）隱含層輸出層圖2IABC算法的流程圖Fig.2TheflowchartofIABC雇傭蜂在其對應(yīng)的蜜源領(lǐng)域內(nèi)更新蜜源信息開始初始化參數(shù)隨想生產(chǎn)N個蜜源計(jì)算適應(yīng)度函數(shù)值計(jì)算各個蜜源的概率觀察蜂根據(jù)概率選擇蜜源通過貪婪選擇機(jī)制確定蜜源是否出現(xiàn)偵查蜂？是否記錄最優(yōu)解否是是否滿足終止條件？輸出最優(yōu)蜜源結(jié)束產(chǎn)生新蜜源林濤，等基于改進(jìn)人工蜂群算法的Elman神經(jīng)網(wǎng)絡(luò)風(fēng)機(jī)故障診斷·613·

?大于25%，可知這是一個有效的故障報警值。數(shù)據(jù)采集與監(jiān)控系統(tǒng)每10min計(jì)算一次平均值，選取風(fēng)機(jī)正常運(yùn)行60d內(nèi)的數(shù)據(jù)，選取其中2/3的數(shù)據(jù)作為訓(xùn)練樣本，其余1/3的數(shù)據(jù)作為測試樣本，建立齒輪箱正常狀態(tài)下齒輪箱油溫的Elman神經(jīng)網(wǎng)絡(luò)模型。圖6為齒輪箱油溫實(shí)際值以及基于Elman，ABC-Elman，IABC-Elman3種方法的齒輪箱油溫的估計(jì)值。從圖6中可以看出，基于IABC-Elman模型的結(jié)果更接近齒輪箱油溫的實(shí)際值，驗(yàn)證了該模型的有效性及準(zhǔn)確性。圖3IABC-Elman故障診斷模型的流程圖Fig.3FlowchartofIABC-Elmanfaultdiagnosismodel特征提取IABC-Elman模型模型輸出SCADA監(jiān)測數(shù)據(jù)齒輪箱油溫實(shí)際值殘差分析故障情況閾值圖4IABC和ABC的目標(biāo)函數(shù)值Fig.4TheobjectivefunctionvaluesofIABCandABC0200400600800迭代次數(shù)0123456目標(biāo)函數(shù)值/℃IABCABC圖5IABC-Elman模型的殘差值Fig.5TheresidualvalueofIABC-Elman0200400600800樣本數(shù)00.10.20.30.40.50.6殘差0.70.80.9圖6齒輪箱油溫估計(jì)值Fig.6Theestimatedofgearboxoiltemperature406080100樣本數(shù)齒輪箱油溫值/℃12014035404550556065真實(shí)值IABC-ElmanElmanABC-Elman·615·林濤，等基于改進(jìn)人工蜂群算法的Elman神經(jīng)網(wǎng)絡(luò)風(fēng)機(jī)故障診斷

【參考文獻(xiàn)】：
期刊論文
[1]能源互聯(lián)網(wǎng)下基于HS-Elman的光伏出力預(yù)測研究[J]. 彭道剛,張宇,張浩,姚峻,艾春美.  可再生能源. 2018(02)
[2]大型風(fēng)力發(fā)電機(jī)組故障診斷綜述[J]. 曾軍,陳艷峰,楊蘋,郭紅霞.  電網(wǎng)技術(shù). 2018(03)
[3]變風(fēng)況下風(fēng)電齒輪箱疲勞損傷評估研究[J]. 陳浪,邱穎寧,馮延暉,徐伊麗.  可再生能源. 2017(09)
[4]改進(jìn)的人工蜂群算法[J]. 郝繼升,井文紅,任浩然.  江西科學(xué). 2017(02)
[5]基于Elman模型的高速列車速度跟蹤控制[J]. 楊輝,劉盼,李中奇.  控制理論與應(yīng)用. 2017(01)
[6]基于極限學(xué)習(xí)機(jī)的風(fēng)電機(jī)組主軸承故障診斷方法[J]. 盧錦玲,繩菲菲,趙洪山.  可再生能源. 2016(11)
[7]基于CLSSVM的風(fēng)電機(jī)組齒輪箱故障診斷[J]. 黎濤,唐明珠,譚欣星.  可再生能源. 2015(02)
[8]免疫遺傳優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷[J]. 陳法法,湯寶平,黃慶卿.  重慶大學(xué)學(xué)報. 2012(05)
[9]風(fēng)電機(jī)組齒輪箱溫度趨勢狀態(tài)監(jiān)測及分析方法[J]. 郭鵬,David Infield,楊錫運(yùn).  中國電機(jī)工程學(xué)報. 2011(32)



本文編號：3595944