基于WOA-LSSVM算法的风机齿轮箱故障诊断

2021-01-07郑坤鹏丁云飞

上海电机学院学报 2020年6期

郑坤鹏，丁云飞

(上海电机学院电气学院, 上海 201306)

随着风电产业的发展，风力发电机组的稳定安全运行日益重要[1]。齿轮箱是风力发电机组的一个重要组成部件，对其进行精确的故障诊断对风力发电机组的稳定运行至关重要[2]。传统对齿轮箱振动信号处理的方法多为小波分析法[3]，经验模态分解法等。集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)法通过对原信号加入白噪声的方式，对模态混叠有一定的抑制效果[4-5]。但是由于EEMD算法迭代次数较多，增加了计算量，而且分量未必都能具有物理意义，出现较多无意义的本征模态函数(Intrinsic Mode Function, IMF)分量，不利于后续风机齿轮箱故障的提取。郑近德等[6]提出了改进的集合经验模态分解法(Modified EEMD, MEEMD)，在一定程度上解决了上述问题。

随着人工智能技术的发展，利用智能算法实现机械故障诊断是一个趋势，经典的分类算法有神经网络、支持向量机、决策树等。其中，支持向量机由于其算法简单，所需样本少等特点应用最为广泛。支持向量机虽然可以取得较好的分类效果，但是当其处理数据量较大的样本数据时，其计算效率低，正则化参数和核函数参数选择也较为困难，很可能会导致分类的效果不佳。本文采用计算效率更高的最小二乘支持向量机(Least Squares Support Vector Machines, LSSVM)和新近提出的鲸鱼优化算法(Whale Optimization Algorithm, WOA)相结合，建立WOA-LSSVM齿轮箱故障诊断模型，对上述基于MEEMD和样本熵的故障特征进行训练测试，实现故障诊断。通过实验对比，验证了该风机齿轮箱故障诊断模型的有效性。