□ 占 健 □ 吴 斌 □ 王加祥 □ 余建波

1.上海电机学院 电气学院 上海 201306

2.上海电机学院 商学院 上海 201306

3.同济大学 机械与能源工程学院 上海 201804

基于OS-ELM的风机关键机械部件故障诊断方法*

□ 占 健1□ 吴 斌2□ 王加祥1□ 余建波3

1.上海电机学院 电气学院 上海 201306

2.上海电机学院 商学院 上海 201306

3.同济大学 机械与能源工程学院 上海 201804

针对传统故障诊断中前馈神经网络算法诊断效果不佳、泛化能力不强问题，提出了基于在线贯序极限学习机（OS-ELM）的风机关键机械部件故障诊断方法。该方法将测试得到的预测样本加入训练样本，作为下一次的更新信息，建立在线贯序极限学习机诊断模型，从而最大限度提高故障诊断精度，分析了激活函数、隐层节点数目对诊断性能的影响，并同BP神经网络、SVM以及ELM神经网络进行对比。实验表明，该方法在风机关键机械部件出现故障情况下，OS-ELM网络能够作出准确诊断且性能明显优于BP神经网络，与SVM、ELM故障分类准确率相当，但极大地提高了运算速度，便于工程应用。

风力发电机 在线贯序极限学习机 故障诊断

风机传动系统是一个复杂的机械系统，作为风机的关键机械部分，主要由轮毂、主轴、主轴承、齿轮箱、制动器、联轴器、发电机等部分组成，完成风能向机械能转换的重任。风机往往所处工作环境恶劣，面对不断变化的风速，风机需承受较大的冲击和交变载荷，同时受气温变化、潮气腐蚀等影响，传动系统故障频发，尤其在齿轮箱部分，保障整个系统长时间安全、可靠、稳定地运行是一个值得研究的课题。……