【技术实现步骤摘要】
本专利技术属于轴承故障诊断，具体涉及一种基于改进蜣螂算法优化lstm的风电轴承故障诊断方法。
技术介绍
1、风力发电是一种清洁、可再生的能源形式，不依赖有限的化石燃料资源。随着对气候变化和环境问题的关注不断增加，风力发电的重要性愈发凸显。风机轴承是风力发电系统中的关键组件之一，对系统的可靠性和稳定性起着至关重要的作用。及时准确地诊断和处理轴承故障，可以有效避免由故障引起的停机和生产中断，提高风力发电系统的整体可用性。因此，对风力机组的轴承运转故障进行及时的诊断至关重要。
2、近年来，以循环神经网络为代表的深度学习方法在语音识别、图像识别和自然语言处理等领域取得了巨大成功，尤其在特征自学习方面的优势被作为一种性能更好的机器学习方法而广泛应用在各个领域。如今，深度学习逐渐应用到滚动轴承信号的特征提取和模式分类中，例如在故障识别的准确性和不同负载下的泛化性上都取得了不错的成果，在滚动轴承故障诊断研究方法中也实现了不错的故障诊断效果。
3、但现有研究中没有考虑具有时间序列特点的滚动轴承数据中隐藏的时序依赖关系，虽然目前针对风机轴承的故障诊断技术已经初见成效，但仍存在过拟合，最优参数难以确定、训练时间长等问题，随着日益复杂工况的发展，这些问题的影响也会愈加严重，因此急需提出对应方法加以解决。
技术实现思路
1、本专利技术的目的是提供一种基于改进蜣螂算法优化lstm的风电轴承故障诊断方法，以解决现有对风机轴承的故障诊断技术存在过拟合，最优参数难以确定、训练时间长的问题。
2、本专利技术的技术方案是：一种基于改进蜣螂算法优化lstm的风电轴承故障诊断方法，包括以下步骤：
3、作为本专利技术的进一步改进，
4、由于风电机组滚动轴承故障信号具有非线性、非平稳性，且参杂大量噪声干扰，导致故障特征微弱不易提取的特征，本文提出一种通过改进蜣螂算法来优化lstm以大幅度提升模型的诊断准确率。
5、首先，在传统蜣螂算法的基础上融合levy飞行策略、t分布扰动策略算法，优化后的idbo算法弥补了传统蜣螂算法收敛精度低且易陷入局部最优的问题；其次，将idbo算法与长短期记忆法相结合，搭建idbo-lstm 故障诊断模型，对风机轴承故障情况进行预测；最后，通过将本文所提方法与传统蜣螂算法(dbo)、麻雀搜索算法(sparrow searchalgorithm, ssa)、鲸鱼优化算法(whale optimization algorithm，woa)、灰狼优化算法(grey wolf optimizer，gwo)和北方苍鹰优化算法(northern goshawk optimization，ngo)进行寻优测试对比，证明所提改进蜣螂算法的优越性，实现高精度风电机组滚动轴承故障诊断。
6、优化蜣螂算法lstm结合了蜣螂算法的全局搜索特性和lstm的序列建模能力，具有全局搜索能力强，避免局部最优，提高收敛速度等优点。最后通过实验对比，以美国凯斯西储大学的滚动轴承平台数据作为仿真输入证明所提出的idbo 算法寻优效果更好，idbo-lstm模型诊断方法准确率更高。
7、同时长短时记忆网络(long short-term memory，lstm)相较于传统的cnn，lstm具有一些显著的优点，比如具有防止梯度消失和梯度爆炸，适用于序列数据，能够学习长时距离的依赖等特点。所以本文引入 lstm 作为主体模型，但由于内部结构相对较复杂, 因此训练效率在同等算力下较传统rnn低很多，且所需计算时间较长。
8、本专利技术的有益效果如下：
9、1、融合贝叶斯优化与lstm模型
10、传统的lstm模型超参数调优往往依赖于手动调整或网格搜索等方法，这些方法不仅效率低下，而且难以找到全局最优解。idbo-lstm算法创新地将贝叶斯优化（bo）与lstm模型相结合，通过bo的自动调优能力，实现了对lstm模型超参数的自动化和智能化配置。
11、2、自动化超参数调优
12、idbo-lstm算法通过贝叶斯优化算法自动选择超参数候选点，并在迭代过程中不断更新代理模型以逼近最优解。这种自动化调优过程避免了繁琐的手动调整，大大提高了优化效率和准确性。
13、3、提高故障诊断性能
14、由于idbo-lstm算法能够找到更适合数据特性的lstm模型超参数配置，因此它在风电轴承故障诊断中能够表现出更高的性能。通过优化后的lstm模型，可以更准确地提取轴承故障信号中的特征信息，从而提高故障诊断的准确率和可靠性。
15、4、实时性与适应性
16、idbo-lstm算法不仅适用于离线故障诊断，还可以应用于实时监测与预警系统。它能够实时地调整模型参数以适应不同工作环境和故障模式的变化，从而保持较高的诊断性能。这种实时性和适应性使得idbo-lstm算法在风电轴承故障诊断领域具有广泛的应用前景。
17、5、降低对专家知识的依赖
18、传统故障诊断方法往往依赖于专家的经验和知识，而idbo-lstm算法通过自动化优化过程降低了对专家知识的依赖。这使得故障诊断过程更加客观、准确和可重复，减少了人为因素的影响。
19、idbo-lstm风电轴承优化算法通过融合贝叶斯优化与lstm模型、实现自动化超参数调优、提高故障诊断性能、具备实时性与适应性以及降低对专家知识的依赖等创新点，为风电轴承故障诊断领域带来了新的突破和进展。
本文档来自技高网...【技术保护点】
1.一种基于改进蜣螂算法优化LSTM的风电轴承故障诊断方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种改进蜣螂算法优化LSTM的风电轴承故障诊断方法，其特征在于，步骤2中，选择适应度函数步骤包括预测准确度，损失函数值通过适应度评估，最优解的确定。
3.根据权利要求1所述的一种改进蜣螂算法优化LSTM的风电轴承故障诊断方法，步骤3中，Levy飞行随机游走的位置更新公式为：
4.根据权利要求1所述的一种改进蜣螂算法优化LSTM的风电轴承故障诊断方法，步骤5中，T分布扰动公式如下：
5.根据权利要求1所述的一种改进蜣螂算法优化LSTM的风电轴承故障诊断方法，步骤6中，比较迭代次数前分别设置最大迭代次数和最小误差阈值。
【技术特征摘要】
1.一种基于改进蜣螂算法优化lstm的风电轴承故障诊断方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种改进蜣螂算法优化lstm的风电轴承故障诊断方法，其特征在于，步骤2中，选择适应度函数步骤包括预测准确度，损失函数值通过适应度评估，最优解的确定。
3.根据权利要求1所述的一种改进蜣螂算法优化lstm的...
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。