基于極限學習機的風電機組主軸承故障診斷方法研究.pdf

1、風能是一種無污染、可再生的新能源，因此近年來風力發(fā)電得到了越來越多的研究。然而，大多數(shù)風電機組工作環(huán)境較惡劣，主軸承是風電機組中至關重要的傳動部件，起支撐和導向作用。如果主軸承發(fā)生故障，機組將停止運行，給風電場帶來極大的經(jīng)濟損失。因此，快速有效地診斷風電機組主軸承的故障是提高風電機組利用率，進而提高風電場經(jīng)濟效益的有效措施。
　　論文主要研究內(nèi)容如下：
　　給出了小波包能量特征提取方法以提取風電機組主軸承振動信號的特征向量。

2、通過比較不同小波基函數(shù)與閾值函數(shù)組合的降噪效果，選出最佳降噪組合，并通過分析說明軟閾值處理方式的降噪效果更優(yōu)。采用小波包能量特征提取方法提取風電機組主軸承振動信號的能量向量，并分析不同故障類型特征向量的相似之處，為后文的故障識別奠定了基礎。
　　給出了基于極限學習機的風電機組主軸承故障診斷方法。通過比較不同激活函數(shù)對極限學習機診斷效果的影響，選擇出最優(yōu)激活函數(shù)。分析了極限學習機參數(shù)對極限學習機診斷效果的影響，并給出了診斷的具體實現(xiàn)

3、過程。實驗證明，與最小二乘支持向量機算法相比，基于極限學習機算法的風電機組主軸承故障診斷方法具有更好的診斷效果。
　　給出了基于核極限學習機的風電機組主軸承故障診斷方法。采用遺傳算法優(yōu)化核極限學習機參數(shù)，以進一步提高診斷準確率。給出了診斷的具體實施過程。通過比較基于核極限學習機與極限學習機的故障診斷混淆矩陣，發(fā)現(xiàn)核極限學習機的診斷效果更好。
　　給出了基于混合核極限學習機的風電機組主軸承故障診斷方法。利用全局核函數(shù)和局部核函