[发明专利]风机故障诊断方法

权利要求书

1.一种风机故障诊断方法，其特征在于，包括如下步骤：

1)故障信号频域变换：采用定子电流法提取故障时的定子电流信号，对该信号进行傅里叶变换，并利用RV窗函数对变换后的频谱进行提取，确保变换后频谱信息集中在窗口范围内，提高信号特征分辨率，其中所述的RV窗为RV(I)-5型窗；

2)灰色处理：通过步骤1)将各故障频点处的幅值数据建立成新的数据序列，再经过变化得到幅值序列的累加生成序列(1-AGO)，以弱化序列的随机波动性，挖掘出序列的深度规律；

3)ELM神经网络训练：将步骤2)中处理后的幅值序列作为ELM神经网络的训练输入数据；设定隐含层节点数K，随机生成输入权重a_i和单元偏差b_i，利用公式(9)求出输出矩阵H；

β＝[β₁，β₂，...，β_K]_K×m，T＝[T₁，T₂，...，T_N]_N×m       (9)

此时，输出权值矩阵获得其最小二乘范数解便能得到，最小二乘范数解为：

β＝H⁺T      (10)

其中H⁺为隐含层输出矩阵H的广义逆矩阵，T表示期望的输出；

4)ELM输出迭代：利用(10)式得到的输出结果，再对原有输出数据采用迭代算法进行更新，以提高输出数据的精度；操作具体为：

最初输入的训练样本向量为T₀,其对应隐含层输出矩阵为H₀,此时神经网络的输出向量为β₀，此时满足：

当后续新样本数据达到网络，根据一般递归最小二乘法与最小二乘解的更新的递归算法基本一致,此时神经网络的输出可以利用式(12)进行更新计算；

式中，K表示时刻；

此时，为了使迭代后的输出与原来模型的输出有同等的识别效果，此时在初始化数据时界定其数量，使H₀的秩不小于隐含节点的数目；

ELM算法中，选取Sigmoid函数作为神经网络的激活函数，其表达式为：

5)累减还原：将ELM神经网络的输出数据经GM(1,1)的累减还原模块(IAGO)得到原始幅值的预测值，如公式(14)所示，将预测值减去最小值的绝对值，进而完成整个灰色ELM预测；

x⁽⁰⁾(k+1)＝x⁽¹⁾(k+1)-x⁽¹⁾(k)      (14)。

2.根据权利要求1所述的风机故障诊断方法，其特征在于：步骤1)所述的故障信号频域变换具体如下：

能量RV窗函数的时域表达式为式(1)：

其中，M表示窗函数项数，N为窗长，m表示数据的顺序，a_m满足公式(2)：

将式(2)经过离散傅里叶变换，则有：

由于N远远大于1，于是得：

即得到RV窗h次谐波表达式：

式中，f为基波频率，W_R表示傅里叶变换，Δf表示频率间隔，A_h表示第h次谐波的幅值，表示第h次谐波的相位。

3.根据权利要求1所述的风机故障诊断方法，其特征在于：所述步骤3)的基体流程如下：

设待处理数据序列为X⁽⁰⁾：

X⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n)}                      (6)

经过第一次累加生成得到其一次生成序列1-AGO序列：

X⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n)}                    (7)

其中：x⁽⁰⁾(k)≥0,(k＝1,2,...,n)

类似地，得R-AGO序列：

式中，x(i)表示第i次谐波的幅值，R表示第R个时刻。