[发明专利]一种基于人工智能算法的风机齿轮箱故障诊断方法

权利要求书

1.一种基于人工智能算法的风机齿轮箱故障诊断方法，其特征在于，它包括以下步骤：

步骤一：分别采集齿轮箱在正常以及典型故障状态下的振动数据作为样本；

步骤二：对采集到的振动数据进行归一化；

步骤三：将原始数据集分为训练数据集和测试数据集；

步骤四：对模型中用到的参数和适应度函数进行初始化；

步骤五：利用人工蜂群算法优化LSSVM分类模型，通过训练数据集确定正则化参数C和核宽度σ的最优值；

步骤六：生成风机齿轮箱故障诊断模型；

步骤七：将测试数据集输入到训练好的风机齿轮箱故障诊断模型中，进行故障诊断，输出测试结果。

2.根据权利要求1所述的一种基于人工智能算法的风机齿轮箱故障诊断方法，其特征在于，在步骤一中，分别采集正常、轴承内圈故障、轴承外圈故障、齿面磨损和断齿这5种不同状态下的振动信号。

3.根据权利要求1所述的一种基于人工智能算法的风机齿轮箱故障诊断方法，其特征在于，在步骤二中，对数据进行归一化的公式如下：xig=xmax-xixmax-xmin]]>

其中:x_ig表示归一化的特征值；x_i表示各特征参量的能量值；x_max，x_min表示x_i中的最大最小值。

4.根据权利要求1所述的，其特征在于，在步骤三中，采用150组齿轮箱的振动信号作为样本进行实验。其中80组样本用于训练，70组样本用于测试。

5.根据权利要求1所述的一种基于人工智能算法的风机齿轮箱故障诊断方法，其特征在于，在步骤四初始化中包括下列步骤：

(1)初始化种群及人工蜂群算法中的参数：

人工蜂群算法的参数有：食物源的数量S_N，采蜜蜂的数量，观察蜂的数量，最大循环次数N，终止循环次数N_mc；

(2)设置人工蜂群算法的适应度函数：

获得更高的分类正确率是优化LSSVM的主要目的，因此采用以下公式作为人工蜂群算法的适应度函数

Vobj=11-Vacc]]>

其中，V_acc为LSSVM的分类正确率;

(3)初始化模型参数的搜索范围：

正则化参数C和核宽度σ的变化极大的影响着LSSVM的分类性能，为了更快的得到更好的分类结果应提前确定范围。