基于改进人工蜂群算法的Elman神经网络风机故障诊断
发布时间：2022-01-19 01:16
在风机齿轮箱故障诊断过程中,针对由于故障数据稀疏导致模型建立困难的问题,提出一种使用改进人工蜂群算法（IABC）优化Elman神经网络的故障诊断模型。该模型通过建立齿轮箱正常状态下的温度模型,采用残差分析,得到齿轮箱的故障状态,降低了建立模型的复杂度。采用IABC对Elman神经网络的相关参数进行优化,解决了Elman网络收敛速率慢、易陷入局部最优的问题。在IABC算法中,观察蜂阶段采用动态搜索策略,实现搜索能力和开发能力的平衡;在侦查蜂阶段,通过引入混沌变量扰动,增大种群多样性,进而达到全局最优。通过华北某风电场历史数据进行实验,结果表明,IABC与Elman神经网络的结合可对风机齿轮箱故障状态进行识别,且诊断正确率较高,可应用于实际故障诊断。
【文章来源】：可再生能源. 2019,37(04)北大核心
【文章页数】：6 页
【部分图文】：
Elman神经网络结构Fig.1ThestructureofElmanneuralnetworkαxc（k）结构层输入层αu（k-1）21
值越大，被选中的概率越高，概率公式为Pi=0.9×fitibest[fiti]+0.1（5）式中：fiti=1/（1+fi），fi叟01+fi，fi＜叟0，fi为目标函数值。选择对应的蜜源后，根据式（6）在当前最优蜜源邻域内产生新解，再通过贪婪选择机制选择较优蜜源。则第i个观察蜂更新蜜源为图1Elman神经网络结构Fig.1ThestructureofElmanneuralnetworkαxc（k）结构层输入层αu（k-1）ω2ω1x（k）ω3y（k）隐含层输出层图2IABC算法的流程图Fig.2TheflowchartofIABC雇佣蜂在其对应的蜜源领域内更新蜜源信息开始初始化参数随想生产N个蜜源计算适应度函数值计算各个蜜源的概率观察蜂根据概率选择蜜源通过贪婪选择机制确定蜜源是否出现侦查蜂？是否记录最优解否是是否满足终止条件？输出最优蜜源结束产生新蜜源林涛，等基于改进人工蜂群算法的Elman神经网络风机故障诊断·613·
?大于25%，可知这是一个有效的故障报警值。数据采集与监控系统每10min计算一次平均值，选取风机正常运行60d内的数据，选取其中2/3的数据作为训练样本，其余1/3的数据作为测试样本，建立齿轮箱正常状态下齿轮箱油温的Elman神经网络模型。图6为齿轮箱油温实际值以及基于Elman，ABC-Elman，IABC-Elman3种方法的齿轮箱油温的估计值。从图6中可以看出，基于IABC-Elman模型的结果更接近齿轮箱油温的实际值，验证了该模型的有效性及准确性。图3IABC-Elman故障诊断模型的流程图Fig.3FlowchartofIABC-Elmanfaultdiagnosismodel特征提取IABC-Elman模型模型输出SCADA监测数据齿轮箱油温实际值残差分析故障情况阈值图4IABC和ABC的目标函数值Fig.4TheobjectivefunctionvaluesofIABCandABC0200400600800迭代次数0123456目标函数值/℃IABCABC图5IABC-Elman模型的残差值Fig.5TheresidualvalueofIABC-Elman0200400600800样本数00.10.20.30.40.50.6残差0.70.80.9图6齿轮箱油温估计值Fig.6Theestimatedofgearboxoiltemperature406080100样本数齿轮箱油温值/℃12014035404550556065真实值IABC-ElmanElmanABC-Elman·615·林涛，等基于改进人工蜂群算法的Elman神经网络风机故障诊断
【参考文献】：
期刊论文
[1]能源互联网下基于HS-Elman的光伏出力预测研究[J]. 彭道刚,张宇,张浩,姚峻,艾春美. 可再生能源. 2018(02)
[2]大型风力发电机组故障诊断综述[J]. 曾军,陈艳峰,杨苹,郭红霞. 电网技术. 2018(03)
[3]变风况下风电齿轮箱疲劳损伤评估研究[J]. 陈浪,邱颖宁,冯延晖,徐伊丽. 可再生能源. 2017(09)
[4]改进的人工蜂群算法[J]. 郝继升,井文红,任浩然. 江西科学. 2017(02)
[5]基于Elman模型的高速列车速度跟踪控制[J]. 杨辉,刘盼,李中奇. 控制理论与应用. 2017(01)
[6]基于极限学习机的风电机组主轴承故障诊断方法[J]. 卢锦玲,绳菲菲,赵洪山. 可再生能源. 2016(11)
[7]基于CLSSVM的风电机组齿轮箱故障诊断[J]. 黎涛,唐明珠,谭欣星. 可再生能源. 2015(02)
[8]免疫遗传优化Elman神经网络的旋转机械故障诊断[J]. 陈法法,汤宝平,黄庆卿. 重庆大学学报. 2012(05)
[9]风电机组齿轮箱温度趋势状态监测及分析方法[J]. 郭鹏,David Infield,杨锡运. 中国电机工程学报. 2011(32)
本文编号：3595944
【文章来源】：可再生能源. 2019,37(04)北大核心
【文章页数】：6 页
【部分图文】：
Elman神经网络结构Fig.1ThestructureofElmanneuralnetworkαxc（k）结构层输入层αu（k-1）21
值越大，被选中的概率越高，概率公式为Pi=0.9×fitibest[fiti]+0.1（5）式中：fiti=1/（1+fi），fi叟01+fi，fi＜叟0，fi为目标函数值。选择对应的蜜源后，根据式（6）在当前最优蜜源邻域内产生新解，再通过贪婪选择机制选择较优蜜源。则第i个观察蜂更新蜜源为图1Elman神经网络结构Fig.1ThestructureofElmanneuralnetworkαxc（k）结构层输入层αu（k-1）ω2ω1x（k）ω3y（k）隐含层输出层图2IABC算法的流程图Fig.2TheflowchartofIABC雇佣蜂在其对应的蜜源领域内更新蜜源信息开始初始化参数随想生产N个蜜源计算适应度函数值计算各个蜜源的概率观察蜂根据概率选择蜜源通过贪婪选择机制确定蜜源是否出现侦查蜂？是否记录最优解否是是否满足终止条件？输出最优蜜源结束产生新蜜源林涛，等基于改进人工蜂群算法的Elman神经网络风机故障诊断·613·
?大于25%，可知这是一个有效的故障报警值。数据采集与监控系统每10min计算一次平均值，选取风机正常运行60d内的数据，选取其中2/3的数据作为训练样本，其余1/3的数据作为测试样本，建立齿轮箱正常状态下齿轮箱油温的Elman神经网络模型。图6为齿轮箱油温实际值以及基于Elman，ABC-Elman，IABC-Elman3种方法的齿轮箱油温的估计值。从图6中可以看出，基于IABC-Elman模型的结果更接近齿轮箱油温的实际值，验证了该模型的有效性及准确性。图3IABC-Elman故障诊断模型的流程图Fig.3FlowchartofIABC-Elmanfaultdiagnosismodel特征提取IABC-Elman模型模型输出SCADA监测数据齿轮箱油温实际值残差分析故障情况阈值图4IABC和ABC的目标函数值Fig.4TheobjectivefunctionvaluesofIABCandABC0200400600800迭代次数0123456目标函数值/℃IABCABC图5IABC-Elman模型的残差值Fig.5TheresidualvalueofIABC-Elman0200400600800样本数00.10.20.30.40.50.6残差0.70.80.9图6齿轮箱油温估计值Fig.6Theestimatedofgearboxoiltemperature406080100样本数齿轮箱油温值/℃12014035404550556065真实值IABC-ElmanElmanABC-Elman·615·林涛，等基于改进人工蜂群算法的Elman神经网络风机故障诊断
【参考文献】：
期刊论文
[1]能源互联网下基于HS-Elman的光伏出力预测研究[J]. 彭道刚,张宇,张浩,姚峻,艾春美. 可再生能源. 2018(02)
[2]大型风力发电机组故障诊断综述[J]. 曾军,陈艳峰,杨苹,郭红霞. 电网技术. 2018(03)
[3]变风况下风电齿轮箱疲劳损伤评估研究[J]. 陈浪,邱颖宁,冯延晖,徐伊丽. 可再生能源. 2017(09)
[4]改进的人工蜂群算法[J]. 郝继升,井文红,任浩然. 江西科学. 2017(02)
[5]基于Elman模型的高速列车速度跟踪控制[J]. 杨辉,刘盼,李中奇. 控制理论与应用. 2017(01)
[6]基于极限学习机的风电机组主轴承故障诊断方法[J]. 卢锦玲,绳菲菲,赵洪山. 可再生能源. 2016(11)
[7]基于CLSSVM的风电机组齿轮箱故障诊断[J]. 黎涛,唐明珠,谭欣星. 可再生能源. 2015(02)
[8]免疫遗传优化Elman神经网络的旋转机械故障诊断[J]. 陈法法,汤宝平,黄庆卿. 重庆大学学报. 2012(05)
[9]风电机组齿轮箱温度趋势状态监测及分析方法[J]. 郭鹏,David Infield,杨锡运. 中国电机工程学报. 2011(32)
本文编号：3595944
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3595944.html
