基于支持向量机的风机故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107449603A(43)申请公布日2017.12.08(21)申请号201610374216.3(22)申请日2016.05.31(71)申请人华北电力大学（保定）地址071003河北省保定市北市区永华北大街619号华北电力大学一校区(72)发明人卢锦玲绳菲菲赵洪山(51)Int.Cl.G01M13/02(2006.01)权利要求书3页说明书5页附图6页(54)发明名称基于支持向量机的风机故障诊断方法(57)摘要本文公开了一种基于支持向量机的风机故障诊断方法，包括以下步骤：用小波包对风电机组齿轮箱振动信号进行特征提取，形成总的训练集和测试集；按照二叉树分类方法形成的3个分类器所分的类别，将总的训练集和测试集拆分成3个子训练集和3个子测试集；分别用+1和-1对各子训练集和子验证集中的类别进行标识；结合CV原理，利用改进PSO算法确定模型参数，建立LS-SVM算法的故障诊断模型；将测试集代入分类器中，得到各测试集中样本的对应类别。加强对风电机组齿轮箱的故障诊断，对降低风电场维护费用，提高风电场运行经济效益具有重要意义。CN107449603ACN107449603A权利要求书1/3页1.一种基于支持向量机的风机故障诊断方法，包括以下步骤：1)用小波包对风电机组齿轮箱振动信号进行特征提取，形成总的训练集和测试集；2)按照二叉树分类方法形成的3个分类器所分的类别，将总的训练集和测试集拆分成3个子训练集和3个子测试集；3)分别用+1和-1对各子训练集和子验证集中的类别进行标识；4)结合CV原理，利用改进PSO算法确定模型参数，建立LS-SVM算法的故障诊断模型；5)将测试集代入分类器中，得到各测试集中样本的对应类别。2.根据权利要求1所述的基于支持向量机的风机故障诊断方法，其特征在于，步骤1)中对振动信号进行特征提取的过程为：①利用sym4小波对振动信号进行了3层分解消噪，滤除一些干扰成分；②采用了db3小波对降噪后的振动信号进行3层小波包分解，分解后第3层各频段信号的小波包分解系数为{x30，x31，x32，x33，x34，x35，x36，x37}；③对第三层不同频段信号的小波包系数进行重构，重构后的分解系数为{X30，X31，X32，X33，X34，X35，X36，X37}；④对重构后的分解系数构造能量特征向量，各频段的能量为N为信号采样点数，再进行归一化处理，最后得到特征向量T＝[E30，E31，E32，E33，E34，E35，E36，E37]，作为LS-SVM的输入。3.根据权利要求1所述的基于支持向量机的风机故障诊断方法，其特征在于，步骤2)中3个分类器分别为：LS-SVM0、LS-SVM1、LS-SVM2；以yi＝{0，1，2，3}表示轴承正常状态、滚动体故障、内圈故障和外圈故障；每种故障状态取16组进行算例分析，其中10组作为训练样本，另外6组作为测试样本。4.根据权利要求1所述的基于支持向量机的风机故障诊断方法，其特征在于，步骤4)中几个重要原理介绍：A、模型所需的适应度函数为p折CV的平均分类准确率：式中：lTm为第m个验证集中被正确分类的个数；lm为该验证集的样本个数；B、粒子群优化算法优化参数的过程为：①初始化粒子的速度和位置；②计算粒子的适应度值；③寻找个体极值和群体极值；④更新粒子的速度和位置；⑤计算粒子的适应度值；⑥更新个体极值和群体极值；⑦若满足终止条件，输出最优参数；若不满足，返回到④；C、LS-SVM的原理为：在SVM中，设{(x1，y1)，(x2，y2)，..，(xl，yl)为样本个数为l的训练集，样本xi(i＝1，2CN107449603A权利要求书2/3页2，...，l)对应的类别yi∈{-1，1}，则存在最优分类超平面满足如下条件：式中：ω为超平面的法向量，β为偏置量，则分类决策函数为：LS-SVM是1999年由J.A.K.Suykens提出的，在SVM的基础上有所改进，LS-SVM是1999年由J.A.K.Suykens提出的，在SVM的基础上有所改进，从机器学习的损失函数入手，将最小二乘线性系统作为损失函数，代替二次规划，用等式约束条件来代替标准算法中的不等式约束条件，提高了收敛速度；LS-SVM非线性分类模型可通过求解优化函数来表示：式中：C为规则化因子；ξi为误差变量；式(3)需要满足如下的等式约束：式中为非线性映射，把样本集从输入空间映射到高维的特征空间；构造Langrange方程为：式中αi为Langrange乘子；最优化条件为：联立式(5)和式(6)，消去变量ω和ξi得到线性方程(7)，因此可以将优化问题转化为求解线性方程：矩阵其中，K(xi，xj)为支持向量机的核函数，j＝1，TTT2，...，l；