论文部分内容阅读
随着大容量、高参数的风力发电机组投入商业运行,对机组设备故障诊断的实时性、准确性及有效性的要求也越来越高,而故障诊断是保证机组安全可靠运行的重要方法之一。风速频繁变化、冲击大、变载荷的运行特点,导致风电机组故障类型多且频率高。而齿轮箱是风电机组最重要传动部件之一,也是故障高发部件,且造成风电机组的停机时间也最长。本论文分析了传统风电机组齿轮箱故障诊断方法的特点及存在的问题,尝试将可有效解决类别不平衡问题的代价敏感学习应用于风电机组齿轮箱故障诊断,探索齿轮箱故障诊断的新方法。主要研究成果如下:针对代价敏感支持向量机(Cost-sensitive Support Vector Machine,CSVM)在样本数据量较大时训练速度过慢的问题,提出增量代价敏感支持向量机(Incremental Cost-sensitive Support Vector Machine,ICSVM)。该算法有效利用KKT条件,对增量样本集中的样本进行有效的选取,剔除对下一步训练无效的样本,得到边界支持向量集。在UCI标准数据集上进行仿真实验,验证的ICSVM的有效性。给出了基于ICSVM风电机组齿轮箱轴承故障诊断方法的具体实现过程,该试验结果表明,该方法平均误分类代价最低;故障类识别率更高;该方法具有训练速度快,非常适合风电机组的在线故障诊断。针对最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)不具有代价敏感性的问题,提出代价敏感最小二乘支持向量机(Cost-sensitive Least Square Support Vector Machine,CLSSVM)。在LSSVM原始的优化问题上嵌入不同的误分类代价参数,以平均误分类代价最小为优化目标,详细推导了CLSSVM算法。最后将其应用于UCI标准数据集和风电机组齿轮箱轴承故障诊断。试验结果表明,该方法的平均误分类代价最低,克服LSSVM不具有代价敏感性的问题,能够提高故障类样本的正确率;CLSSVM的训练时间短,非常适合风电机组的在线诊断。