基于改進代價敏感支持向量機的風電機組齒輪箱軸承故障診斷研究.pdf

1、隨著大容量、高參數(shù)的風力發(fā)電機組投入商業(yè)運行，對機組設(shè)備故障診斷的實時性、準確性及有效性的要求也越來越高，而故障診斷是保證機組安全可靠運行的重要方法之一。風速頻繁變化、沖擊大、變載荷的運行特點，導致風電機組故障類型多且頻率高。而齒輪箱是風電機組最重要傳動部件之一，也是故障高發(fā)部件，且造成風電機組的停機時間也最長。本論文分析了傳統(tǒng)風電機組齒輪箱故障診斷方法的特點及存在的問題，嘗試將可有效解決類別不平衡問題的代價敏感學習應(yīng)用于風電機組齒輪箱

2、故障診斷，探索齒輪箱故障診斷的新方法。主要研究成果如下：
　　針對代價敏感支持向量機（Cost-sensitive Support Vector Machine,CSVM）在樣本數(shù)據(jù)量較大時訓練速度過慢的問題，提出增量代價敏感支持向量機（Incremental Cost-sensitive Support Vector Machine,ICSVM）。該算法有效利用KKT條件，對增量樣本集中的樣本進行有效的選取，剔除對下一步訓練無效

3、的樣本，得到邊界支持向量集。在UCI標準數(shù)據(jù)集上進行仿真實驗，驗證的ICSVM的有效性。給出了基于ICSVM風電機組齒輪箱軸承故障診斷方法的具體實現(xiàn)過程，該試驗結(jié)果表明，該方法平均誤分類代價最低；故障類識別率更高；該方法具有訓練速度快，非常適合風電機組的在線故障診斷。
　　針對最小二乘支持向量機(Least Squares Support Vector Machine,LSSVM)不具有代價敏感性的問題，提出代價敏感最小二乘支持向

4、量機（Cost-sensitive Least Square Support Vector Machine,CLSSVM）。在LSSVM原始的優(yōu)化問題上嵌入不同的誤分類代價參數(shù)，以平均誤分類代價最小為優(yōu)化目標，詳細推導了CLSSVM算法。最后將其應(yīng)用于UCI標準數(shù)據(jù)集和風電機組齒輪箱軸承故障診斷。試驗結(jié)果表明，該方法的平均誤分類代價最低，克服LSSVM不具有代價敏感性的問題，能夠提高故障類樣本的正確率；CLSSVM的訓練時間短，非常適合