基于动态柯西蜂群算法优化支持向量机的风机叶片故障诊断

doi:10.11985/2018.01.003

摘要/Abstract

摘要：

为了提高风力发电机叶片故障的识别率,利用支持向量机建立风力发电机叶片故障和特征参数之间的非线性关系。在蜂群算法中引入一种动态柯西因子,动态调节蜂群寻优过程中的搜索步长,提高蜂群算法的扰动能力,避免蜂群陷入局部搜索,采用这种动态柯西蜂群算法对支持向量机的参数寻优,建立动态柯西蜂群算法优化的支持向量机模型。采集南方某风场风力发电机叶片的四种工况下的特征数据训练此模型并进行故障诊断,诊断结果表明改进后的蜂群算法优化支持向量机模型能够提高风力发电机叶片的故障识别率,具有一定的工程参考意义。

关键词: 动态柯西因子, 蜂群算法, 支持向量机, 风机叶片, 故障诊断

Abstract:

In order to improve the recognition rate of wind turbine blade fault diagnosis, the nonlinear relationship between fault diagnosis and characteristic parameters of wind turbine blade is established by using support vector machine. In the Cauchy artificial bee colony algorithm, a dynamic Cauchy factor is introduced to dynamically adjust the search step in the optimization process of the colony, to improve the perturbation ability of the colony algorithm, and to avoid the colony into the local search. A dynamic support vector machine model for dynamic Cauchy bee colony optimization is established. The model is trained and diagnosed by four conditions of a wind farm in the south. The results show that the support vector machine model can be improved based on the dynamic Cauchy artificial bee colony algorithm. Wind turbine generator fault recognition rate, with a certain engineering reference significance.

Key words: Dynamic Cauchy factor, artificial bee colony algorithm, support vector machine, wind turbine, bladefault diagnosis

中图分类号:

TM15

王宇鹏,王致杰,刘琦,徐莉莉,王鸿,程亚丽. 基于动态柯西蜂群算法优化支持向量机的风机叶片故障诊断[J]. 电气工程学报, 2018, 13(1): 16-22.

Yupeng Wang,Zhijie Wang,Qi Liu,Lili Xu,Hong Wang,Yali Cheng. Fault Diagnosis of Wind Turbine BladeBased on Cauchy Artificial Bee Colony Algorithm Optimized Support Vector Machine[J]. Journal of Electrical Engineering, 2018, 13(1): 16-22.

图/表 11

图1

图2

图3

图5

表1

图6

表2

表3

图7

图8

表4

参考文献 12

[1]	于占龙 . 风力发电机状态监测与故障诊断技术综述[J]. 工程技术:文摘版, 2016,16(10):297-297.
	Yu Zhanlong . A review of condition monitoring and fault diagnosis techniques for wind turbine[J]. Engineering Technology: Digest, 2016,16(10):297-297.
[2]	薛浩然, 张珂珩, 李斌 , 等. 基于布谷鸟算法和支持向量机的变压器故障诊断[J].电力系统保护与控制, 2015(8):8-13.
	Xue Haoran, Zhang Keheng, Li Bin , et al. Transformer fault diagnosis based on cuckoo algorithm and support vector machine[J]. Power System Protection and Control, 2015(8):8-13.
[3]	饶金根 . 基于谐波小波和支持向量机的风电叶片损伤识别研究[D]. 兰州:兰州交通大学, 2014.
[4]	Karaboga D, Basturk B . A powerful and efficient algorithm for numerical function optimization: artificial bee colony(ABC)algorithm[J]. Journal of Global Optimization, 2007,39(3):459-471.
[5]	Hu W, Yu Y, Zhang S . A hybrid artificial bee colony algorithm forparameter identification of uncertain fractional-order chaotic systems[J]. Nonlinear Dynamics, 2015,82(3):1-16.
[6]	吴国诚, 范良忠 . 人工蜂群优化支持向量机的电气故障诊断方法研究[J]. 电网与清洁能源, 2016,32(7):87-91.
	Wu Guocheng, Fan Liangzhong . Study on electrical fault diagnosis of artificial bee colony optimization support vector machine[J]. Power System and Clean Energy, 2016,32(7):87-91.
[7]	叶东毅, 陈昭炯 . 最小属性约简问题的一个有效的组合人工蜂群算法[J]. 电子学报, 2015,43(5):1014-1020.
	Ye Dongyi, Chen Zhaojiong . An effective combination of artificial bee colony algorithm for minimal attribute reduction[J]. Acta Electronica Sinica, 2015,43(5):1014-1020.
[8]	许建华, 张学工 . 经典线性算法的非线性核形式[J]. 控制与决策, 2006,21(1):1-6.
	Xu Jianhua, Zhang Xuegong . Nonlinear kernel form of classical linear algorithm[J]. Control & Decision, 2006,21(1):1-6.
[9]	顾桂梅, 胡让, 李远远 . 果蝇优化算法融合SVM的风机叶片损伤识别研究[J]. 自动化仪表, 2016,37(2):9-12.
	Gu Guimei, Hu Rang, Li Yuanyuan . Description of damage identification of blower vane based on drosophila optimization algorithm combined with SVM[J]. Process Automation Instrumentation, 2016,37(2):9-12.
[10]	肖剑, 周建中, 张孝远 , 等. 基于Levy-ABC优化SVM的水电机组故障诊断方法[J]. 振动、测试与诊断, 2013,33(5):839-844.
	Xiao Jian, Zhou Jianzhong, Zhang Xiaoyuan , et al. A fault diagnosis method based on Levy-ABC SVM for hydroelectric units[J]. Journal of Vibration, Testing and Diagnosis, 2013,33(5):839-844.
[11]	张银雪, 田学民, 曹玉苹 . 改进搜索策略的人工蜂群算法[J]. 计算机应用, 2012,32(12):3326-3330.
	Zhang Yinxue, Tian Xuemin, Cao Yuping . Artificial bee colony algorithm with improved search strategy[J]. Journal of Computer Applications, 2012,32(12):3326-3330.
[12]	张鑫, 陈国初, 公维祥 , 等. 自适应柯西蜂群及其收敛性分析[J]. 计算机系统应用, 2015,24(12):118-124.
	Zhang Xin, Chen Guochu, Gong Weixiang . An adaptive cauchy bee colony and its convergence analysis[J]. Computer Systems & Applications, 2015,24(12):118-124.

测试函数	DCABC			ABC
测试函数	最优值	平均值	收敛时间/s	最优值	平均值	收敛时间/s
Rastrigin	0	0.008 1	4.231 4	0.000 4	0.009 1	5.523 1
Sphere	5.001 2×10^-7	0.053 2	4.136 9	2.256 4×10^-6	0.062 3	5.813 7
Ackley	1.846 5×10^-12	0.002 75	5.196 4	1.156 4×10^-11	0.0052	6.315 9
Griewank	0	2.584 1×10^-5	5.169 8	0.000 4	4.621 4×10^-5	6.412 8

	正常	前缘开裂	后缘开裂	蒙皮开裂
训练样本	60	40	40	40
实验样本	25	20	20	20
总数据	85	60	60	60

故障类型	前缘温度x₁	后缘温度x₂	前缘湿度x₃	后缘湿度x₄	前缘光亮度x₅	后缘光亮度x₆	前缘音量x₇	后缘音量x₈
正常	0.75	0.84	2.03	2.12	0.51	0.53	0.87	0.84
正常	0.67	0.94	2.04	2.24	0.61	0.58	0.78	0.91
蒙皮开裂	0.45	1.06	0.48	0.45	1.04	1.05	2.73	2.58
蒙皮开裂	0.52	1.06	0.59	0.52	1.05	1.04	2.75	2.55
前缘开裂	1.72	0.99	1.89	0.88	2.43	1.65	2.98	1.14
前缘开裂	1.66	1.05	1.83	1.08	2.27	1.62	2.92	1.16
后缘开裂	0.92	1.80	1.19	1.97	1.66	2.36	1.06	2.68
后缘开裂	1.04	1.76	1.08	1.87	1.52	2.25	1.09	2.88

方法	C	γ	训练时间/s	准确率(%)
ABC-SVM	13.254	0.231	50.40	95.29
DCABC-SVM	11.241	0.104	37.54	97.65

[1]	赵德尊, 王天杨, 褚福磊. 基于自适应广义解调变换的滚动轴承时变非平稳故障特征提取[J]. 机械工程学报, 2020, 56(3): 80-87.
[2]	安华, 王喆, 王国锋, 宋庆月, 刘峰, 钟才川. 复合材料钻削表面粗糙度在线监测与加工参数自适应优化[J]. 机械工程学报, 2020, 56(2): 27-34,42.
[3]	彭鹏, 柯梁亮, 汪久根. 噪声干扰下的RV减速器故障诊断[J]. 机械工程学报, 2020, 56(1): 30-36.
[4]	张鑫, 郭顺生, 李益兵, 江丽. 基于拉普拉斯特征映射和深度置信网络的半监督故障识别[J]. 机械工程学报, 2020, 56(1): 69-81.
[5]	裴洪, 胡昌华, 司小胜, 张建勋, 庞哲楠, 张鹏. 基于机器学习的设备剩余寿命预测方法综述[J]. 机械工程学报, 2019, 55(8): 1-13.
[6]	胡茑庆, 陈徽鹏, 程哲, 张伦, 张宇. 基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法[J]. 机械工程学报, 2019, 55(7): 9-18.
[7]	姜洪开, 邵海东, 李兴球. 基于深度学习的飞行器智能故障诊断方法[J]. 机械工程学报, 2019, 55(7): 27-34.
[8]	沈长青, 汤盛浩, 江星星, 石娟娟, 王俊, 朱忠奎. 独立自适应学习率优化深度信念网络在轴承故障诊断中的应用研究[J]. 机械工程学报, 2019, 55(7): 81-88.
[9]	熊鹏, 汤宝平, 邓蕾, 赵明航. 基于动态加权密集连接卷积网络的变转速行星齿轮箱故障诊断[J]. 机械工程学报, 2019, 55(7): 52-57.
[10]	王奉涛, 刘晓飞, 敦泊森, 邓刚, 韩清凯, 李宏坤. 基于萤火虫优化的核自动编码器在中介轴承故障诊断中的应用[J]. 机械工程学报, 2019, 55(7): 58-64.
[11]	李川, 张绍辉, José Valente de Oliveira. 基于次优网络深度学习的3D打印机故障诊断[J]. 机械工程学报, 2019, 55(7): 73-80.
[12]	孙志鹏,孙志龙,魏建. 基于决策树支持向量机算法的电力变压器故障诊断研究[J]. 电气工程学报, 2019, 14(4): 42-45.
[13]	汪久根, 柯梁亮. 基于残差网络的RV减速器故障诊断[J]. 机械工程学报, 2019, 55(3): 73-80.
[14]	翁军华,张剑锐,李达,郑海兴. 光伏系统直流电弧故障检测的抗干扰技术综述[J]. 电气工程学报, 2019, 14(3): 9-15.
[15]	周洪亮, 贾凤娇, 刘志远, 刘海峰. 四轮独立驱动汽车驱动系统故障诊断与容错控制[J]. 机械工程学报, 2019, 55(22): 174-182.