System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电力系统故障诊断,尤其涉及一种飞轮调相机轴承故障诊断方法及装置。
技术介绍
1、本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
2、目前,以火力发电为主的能源结构由于污染严重、效率低等问题亟需转型,光伏、风电等可再生能源逐渐成为新型电力系统建设的重要内容。由于可再生能源等效的转动惯量小,电压支撑和频率调节能力较弱,高比例、大容量可再生能源接入电网会威胁电力系统的安全稳定运行。为向新能源场站提供足够的电压与惯量支撑,合理布置飞轮调相机设备成为一种较为经济、合理的解决方案。轴承是飞轮调相机的重要组成部分,其运行状态会直接影响系统运行效率与设备寿命。为保证飞轮调相机的安全稳定运行,需要对飞轮调相机设备的轴承进行高效、快捷的故障诊断。
3、目前对于轴承进行故障诊断主要通过以下三个步骤:信号分析、提取特征、分类识别。首先需提取轴承的故障信号并进行分析,使用较多的信号分析方法有小波包分解(wavelet packet decomposition,wpd)、经验模态分解(empirical mode decomposition,emd)、集合经验模态分解(ensemble empirical mode decomposition,eemd)和变分模态分解(variational mode decomposition,vmd)。之后提取处理后信号的包络、能量和时频熵等特征量。最后通过各类机器学习方法实现特征量的分类与识别,常用的分类方法包括人
4、在飞轮调相机轴承故障诊断的过程中,现有诊断技术存在以下三个问题:一是进行信号分析时,传统分析方法未能充分提取信号的时频特征,wpd容易受到噪声干扰且小波基函数的选取会对分析结果产生较大影响,鲁棒性较差,且存在能量泄露问题;emd存在模态混叠和端点效应现象;eemd重构误差大、分解完备性差;vmd尽管避免了模态混叠与端点效应,但其计算量较大,容易出现分解结果不稳定的情况,也就是都存在鲁班性能差的问题。二是信号包络、能量和时频熵等特征量不能完全反映飞轮调相机轴承故障信号本身的特征,用于模型故障诊断的效果较差。三是进行分类识别时,ann需要较多的历史训练样本,且在训练过程中容易陷入局部最优;svm的识别效果受核函数以及模型参数的影响较大,鲁棒性差;rvm训练时间较长,对于多分类问题适用性较差;rf模型由于具有较强的泛化能力及抗干扰和过拟合特性,在轴承故障诊断领域应用范围较广,但由于未对模型参数进行优化,使得降低了故障诊断精度,即都存在训练过程中训练效果差,精度差的问题。
技术实现思路
1、本专利技术实施例提供一种飞轮调相机轴承故障诊断方法,用以对飞轮调相机轴承故障诊断,诊断精度高,该方法包括:
2、在飞轮调相机轴承不同工作状态下对振动信号进行监测和采集,将采集到的振动信号划分为训练集与验证集;
3、计算飞轮调相机轴承在不同工作状态下振动信号的最大奇异值能量熵特征向量;
4、使用训练集中不同工作状态下振动信号的最大奇异值能量熵特征向量,构建初始的随机森林故障诊断模型,并进行训练,获得训练好的随机森林故障诊断模型,在训练时通过多元宇宙优化算法优化初始的随机森林故障诊断模型参数;
5、将验证集中不同状态下的最大奇异值能量熵特征向量输入至优化的故障诊断模型中,绘制轴承在不同工作状态下的诊断结果图,并计算诊断准确度与诊断时间,完成飞轮调相机轴承故障诊断。
6、本专利技术实施例还提供一种飞轮调相机轴承故障诊断装置,用以对飞轮调相机轴承故障诊断,诊断精度高,该装置包括:
7、信号采集模块,用于在飞轮调相机轴承不同工作状态下对振动信号进行监测和采集,将采集到的振动信号划分为训练集与验证集;
8、特征向量计算模块,用于计算飞轮调相机轴承在不同工作状态下振动信号的最大奇异值能量熵特征向量;
9、随机森林故障诊断模型训练模块,用于使用训练集中不同工作状态下振动信号的最大奇异值能量熵特征向量,构建初始的随机森林故障诊断模型,并进行训练,获得训练好的随机森林故障诊断模型,在训练时通过多元宇宙优化算法优化初始的随机森林故障诊断模型参数;
10、故障诊断模块,用于将验证集中不同状态下的最大奇异值能量熵特征向量输入至优化的故障诊断模型中,绘制轴承在不同工作状态下的诊断结果图,并计算诊断准确度与诊断时间,完成飞轮调相机轴承故障诊断。
11、本专利技术实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述飞轮调相机轴承故障诊断方法。
12、本专利技术实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述飞轮调相机轴承故障诊断方法。
13、本专利技术实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述飞轮调相机轴承故障诊断方法。
14、本专利技术实施例中,在飞轮调相机轴承不同工作状态下对振动信号进行监测和采集,将采集到的振动信号划分为训练集与验证集;计算飞轮调相机轴承在不同工作状态下振动信号的最大奇异值能量熵特征向量;使用训练集中不同工作状态下振动信号的最大奇异值能量熵特征向量,构建初始的随机森林故障诊断模型,并进行训练,获得训练好的随机森林故障诊断模型,在训练时通过多元宇宙优化算法优化初始的随机森林故障诊断模型参数;将验证集中不同状态下的最大奇异值能量熵特征向量输入至优化的故障诊断模型中,绘制轴承在不同工作状态下的诊断结果图,并计算诊断准确度与诊断时间,完成飞轮调相机轴承故障诊断。通过上述步骤,本专利技术实施例提出的方法充分提取轴承振动信号的时频特征量,诊断效果鲁棒性能好;采用不同状态下的最大奇异值能量熵特征向量进行后续模型构建,充分反映了飞轮调相机轴承故障信号本身的特征,构建的模型精度高,使得故障诊断的精度很高;通过多元宇宙优化算法优化了随机森林故障诊断模型参数,故障诊断效率高、精度高,鲁棒性能好,效果优异。
本文档来自技高网...【技术保护点】
1.一种飞轮调相机轴承故障诊断方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,计算飞轮调相机轴承在不同工作状态下振动信号的最大奇异值能量熵特征向量,包括:
3.如权利要求2所述的方法,其特征在于,利用S变换对所有振动信号进行时频分析,得到S变换模矩阵,包括:
4.如权利要求3所述的方法,其特征在于,将S变换模矩阵分割为多个子方阵,对多个子方阵进行奇异值分解,得到每个子方阵对应的奇异值,包括:
5.如权利要求3所述的方法,其特征在于,根据每个子方阵对应的奇异值,计算飞轮调相机轴承在不同工作状态下振动信号的最大奇异值能量熵特征向量,包括:
6.如权利要求1所述的方法,其特征在于,使用训练集中不同工作状态下振动信号的最大奇异值能量熵特征向量,构建初始的随机森林故障诊断模型,并进行训练,获得训练好的随机森林故障诊断模型,在训练时通过多元宇宙优化算法优化初始的随机森林故障诊断模型参数,包括:
7.如权利要求6所述的方法,其特征在于,采用多元宇宙优化算法迭代优化初始的决策树数目和初始的决策树深度,训练完
8.如权利要求1所述的方法,其特征在于,将验证集中不同状态下的最大奇异值能量熵特征向量输入至训练好的故障诊断模型中,绘制轴承在不同工作状态下的诊断结果图,并计算诊断准确度与诊断时间,完成飞轮调相机轴承故障诊断,包括:
9.一种飞轮调相机轴承故障诊断装置,其特征在于,包括:
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8任一所述方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至8任一所述方法。
12.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至8任一所述方法。
...【技术特征摘要】
1.一种飞轮调相机轴承故障诊断方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,计算飞轮调相机轴承在不同工作状态下振动信号的最大奇异值能量熵特征向量,包括:
3.如权利要求2所述的方法,其特征在于,利用s变换对所有振动信号进行时频分析,得到s变换模矩阵,包括:
4.如权利要求3所述的方法,其特征在于,将s变换模矩阵分割为多个子方阵,对多个子方阵进行奇异值分解,得到每个子方阵对应的奇异值,包括:
5.如权利要求3所述的方法,其特征在于,根据每个子方阵对应的奇异值,计算飞轮调相机轴承在不同工作状态下振动信号的最大奇异值能量熵特征向量,包括:
6.如权利要求1所述的方法,其特征在于,使用训练集中不同工作状态下振动信号的最大奇异值能量熵特征向量,构建初始的随机森林故障诊断模型,并进行训练,获得训练好的随机森林故障诊断模型,在训练时通过多元宇宙优化算法优化初始的随机森林故障诊断模型参数,包括:
7.如权利要求6所述的方法,其特征在于,采用多...
【专利技术属性】
技术研发人员:李智轩,李嘉丰,程晓绚,熊显智,叶晓华,李天泽,杨瑶,
申请(专利权)人:西安西电电力系统有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。