基于多特征提取与核极限学习机的汽轮机转子故障诊断

发布时间：2022-02-10 12:47

　　针对汽轮机转子发生的典型故障,提出一种基于多特征提取和核主元分析的核极限学习机诊断模型。首先,对测取到的各典型故障时的振动信号进行变分模态分解,获得不同尺度固有模态函数;其次,对各固有模态函数计算特征能量和样本熵组成特征向量;最后,对特征向量采用核主元分析法进行去噪和降维,并将其作为输入进行核极限学习机（遗传算法优化）模型的训练和测试。与基于单一特征向量的模型相比,多种特征提取能够增强模型的输入特征,而核主元分析方法能够明显减少信息冗余和特征向量的相关性,且节约时间成本,在一定程度上提高模型的预测性能,为汽轮机转子故障的诊断研究提供一种新的思路。 

【文章来源】：汽轮机技术. 2020,62(02)北大核心

【文章页数】：6 页

【部分图文】：

VMD-FE+SE-KPCA-KELM建模流程图

采用汽轮机4种状态时振动信号训练VMD-FE+SE-KPCA-KELM故障诊断模型,后进行测试样本的状态预测。为比较该模型性能,提出单一KELM、VMD-FE-KELM、VMD-SE-KELM和VMD-FE+SE-KELM诊断模型进行对比。其中转子不平衡故障状态下振动信号的VMD分解图如图2所示。在建立核极限学习模型时,核参数和正则化系数对模型性能具有重要影响。本文中采用遗传算法进行上述参数的寻优,并以适应度作为参考指标。对4种特征提取方法下的KELM模型寻优得到的参数结果见表2。各特征提取方法的故障诊断模型预测精度见表3,预测结果分布如图3、图4所示。

表3 基于核极限学习机的故障诊断模型性能比较 模型 训练精度,% 测试精度,% 测试时间,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图4 基于VMD-FE+SE-KPCA的核极限学习机预测结果

【参考文献】：
期刊论文
[1]GFD和核主元分析的机械振动特征提取[J]. 韦祥,李本威,吴易明.  振动.测试与诊断. 2019(01)
[2]基于变分模态分解和改进模糊支持向量机的汽轮机故障诊断方法[J]. 张栋良,黄昕宇,李帅位.  济南大学学报(自然科学版). 2019(02)
[3]基于主元提取的鲁棒极限学习机研究及其化工建模应用[J]. 张晓晗,汪平江,顾祥柏,徐圆,贺彦林,朱群雄.  化工学报. 2019(02)
[4]基于变分模态分解和极限学习机轴承寿命预测[J]. 王新,汪东甲.  制造业自动化. 2018(11)
[5]基于核函数极限学习机和小波包变换的EEG分类方法[J]. 王丽,兰陟,杨荣,王强,李宏亮.  北京生物医学工程. 2018(05)
[6]基于粒子群算法优化核极限学习机的磨煤机故障诊断[J]. 张文涛,马永光,董子健,杜景琦.  电力科学与工程. 2018(09)
[7]超临界630MW机组汽轮机高中压转子低频振动故障诊断与处理[J]. 戈建新,陶有宏,夏杰,戴峰,郝庆丰.  热力发电. 2018(07)
[8]改进粒子滤波和小波包在汽轮机振动诊断中的应用[J]. 夏飞,郝硕涛,张浩,彭道刚.  系统仿真学报. 2016(11)
[9]基于优化核极限学习机的风电功率时间序列预测[J]. 李军,李大超.  物理学报. 2016(13)
[10]基于PCA-PDBNs的故障检测与自学习辨识[J]. 王培良,夏春江.  仪器仪表学报. 2015(05)



本文编号：3618917