为提升风电机组运行效率并优化运维成本,将时域特征指标分析技术与多传感器信息融合策略相结合,提出一种基于灰狼优化(Grey wolf optimization,GWO)算法-支持向量机(Support vector machine,SVM)的风电齿轮箱状态监测方法。首先计算了...为提升风电机组运行效率并优化运维成本,将时域特征指标分析技术与多传感器信息融合策略相结合,提出一种基于灰狼优化(Grey wolf optimization,GWO)算法-支持向量机(Support vector machine,SVM)的风电齿轮箱状态监测方法。首先计算了表征振动能量的不同时域统计特征值,采用并行叠加方式进行特征级和数据级融合得到信息融合矩阵。在此基础上建立了基于GWO-SVM的故障诊断分类模型。为验证模型性能,使用QPZZ-Ⅱ旋转机械振动试验台所采集的齿轮箱实测数据对本文所提方法进行验证分析,结果表明该方法明显优于其他传统方法,其在分类诊断准确率上展现出显著优势。展开更多
文摘为提升风电机组运行效率并优化运维成本,将时域特征指标分析技术与多传感器信息融合策略相结合,提出一种基于灰狼优化(Grey wolf optimization,GWO)算法-支持向量机(Support vector machine,SVM)的风电齿轮箱状态监测方法。首先计算了表征振动能量的不同时域统计特征值,采用并行叠加方式进行特征级和数据级融合得到信息融合矩阵。在此基础上建立了基于GWO-SVM的故障诊断分类模型。为验证模型性能,使用QPZZ-Ⅱ旋转机械振动试验台所采集的齿轮箱实测数据对本文所提方法进行验证分析,结果表明该方法明显优于其他传统方法,其在分类诊断准确率上展现出显著优势。
