当前位置:
X-MOL 学术
›
Memetic Comp.
›
论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Novel paralleled extreme learning machine networks for fault diagnosis of wind turbine drivetrain
Memetic Computing ( IF 4.7 ) Pub Date : 2018-12-12 , DOI: 10.1007/s12293-018-0277-2 Xian-Bo Wang , Zhi-Xin Yang , Pak Kin Wong , Chao Deng
Memetic Computing ( IF 4.7 ) Pub Date : 2018-12-12 , DOI: 10.1007/s12293-018-0277-2 Xian-Bo Wang , Zhi-Xin Yang , Pak Kin Wong , Chao Deng
With the increasing installed power of the wind turbines, the necessity of condition monitoring for wind turbine drivetrain cannot be neglected any longer. A reliable and rapid response fault diagnosis is vital for the wind turbine drivetrain system. The existing manual inspection-based methods are difficult to accomplish the real-time compound-fault monitoring task. To solve this problem, this paper proposes a novel dual extreme learning machines (Dual-ELMs) based fault diagnostic framework for feature extraction and fault pattern recognition. At the stage of feature learning, this paper applies the local mean decomposition (LMD) method to extract the production functions from the raw vibration signals. Compared with the traditional empirical mode decomposition method, the LMD method has a stronger ability to restrain the mode mixing and endpoints effect. At the stage of compound-fault classification, unlike the other widely-used classifiers, the proposed Dual-ELM networks inherit the advantages of the original extreme learning machines (ELMs), that employs two basic ELM networks for the compound-fault classification, and it does not need iterative fine-tuning of parameters. Thus the learning speed is faster than the other combinations of classifiers. The experimental validity of the proposed algorithm was conducted on a test rig for vibration analysis, which demonstrated that the proposed Dual-ELMs based fault diagnostic method provides an effective measure for the observed machinery than the other available fault diagnostic methods in aspects of feature extraction and compound-fault recognition.
中文翻译:
新型并行极限学习机网络用于风力发电机组传动系统的故障诊断
随着风力涡轮机安装功率的增加,不再不能忽略对风力涡轮机传动系统进行状态监测的必要性。可靠且快速响应的故障诊断对于风力涡轮机传动系统至关重要。现有的基于手动检查的方法很难完成实时的复合故障监视任务。为了解决这个问题,本文提出了一种新颖的基于双重极限学习机(Dual-ELMs)的故障诊断框架,用于特征提取和故障模式识别。在特征学习阶段,本文采用局部均值分解(LMD)方法从原始振动信号中提取生产函数。与传统的经验模式分解方法相比,LMD方法具有更强的抑制模式混合和端点效应的能力。在复合故障分类阶段,与其他广泛使用的分类器不同,拟议的Dual-ELM网络继承了原始极限学习机(ELM)的优势,该机器采用两个基本的ELM网络进行复合故障分类,并且它不需要参数的迭代微调。因此,学习速度比其他分类器组合要快。该算法在振动分析试验台上进行了实验验证,表明在特征提取和特征提取方面,基于Dual-ELMs的故障诊断方法比其他可用的故障诊断方法能够为观察到的机械提供有效的措施。复合故障识别。在复合故障分类阶段,与其他广泛使用的分类器不同,拟议的Dual-ELM网络继承了原始极限学习机(ELM)的优势,该机器采用两个基本的ELM网络进行复合故障分类,并且它不需要参数的迭代微调。因此,学习速度比其他分类器组合要快。该算法在振动分析试验台上进行了实验验证,结果表明,在特征提取和特征提取方面,基于Dual-ELMs的故障诊断方法比其他可用的故障诊断方法能够为观察到的机械提供有效的措施。复合故障识别。在复合故障分类阶段,与其他广泛使用的分类器不同,拟议的Dual-ELM网络继承了原始极限学习机(ELM)的优势,该机器采用两个基本的ELM网络进行复合故障分类,并且它不需要参数的迭代微调。因此,学习速度比其他分类器组合要快。该算法在振动分析试验台上进行了实验验证,结果表明,在特征提取和特征提取方面,基于Dual-ELMs的故障诊断方法比其他可用的故障诊断方法能够为观察到的机械提供有效的措施。复合故障识别。提出的Dual-ELM网络继承了原始极限学习机(ELM)的优点,该极限学习机采用两个基本的ELM网络进行复合故障分类,并且不需要迭代地进行参数微调。因此,学习速度比其他分类器组合要快。该算法在振动分析试验台上进行了实验验证,结果表明,在特征提取和特征提取方面,基于Dual-ELMs的故障诊断方法比其他可用的故障诊断方法能够为观察到的机械提供有效的措施。复合故障识别。提出的Dual-ELM网络继承了原始极限学习机(ELM)的优点,该极限学习机使用两个基本的ELM网络进行复合故障分类,并且不需要迭代地进行参数微调。因此,学习速度比其他分类器组合要快。该算法在振动分析试验台上进行了实验验证,结果表明,在特征提取和特征提取方面,基于Dual-ELMs的故障诊断方法比其他可用的故障诊断方法能够为观察到的机械提供有效的措施。复合故障识别。并且不需要迭代的参数微调。因此,学习速度比其他分类器组合要快。该算法在振动分析试验台上进行了实验验证,结果表明,在特征提取和特征提取方面,基于Dual-ELMs的故障诊断方法比其他可用的故障诊断方法能够为观察到的机械提供有效的措施。复合故障识别。并且不需要迭代的参数微调。因此,学习速度比其他分类器组合要快。该算法在振动分析试验台上进行了实验验证,表明在特征提取和特征提取方面,基于Dual-ELMs的故障诊断方法比其他可用的故障诊断方法能够为观察到的机械提供有效的措施。复合故障识别。
更新日期:2018-12-12
中文翻译:
新型并行极限学习机网络用于风力发电机组传动系统的故障诊断
随着风力涡轮机安装功率的增加,不再不能忽略对风力涡轮机传动系统进行状态监测的必要性。可靠且快速响应的故障诊断对于风力涡轮机传动系统至关重要。现有的基于手动检查的方法很难完成实时的复合故障监视任务。为了解决这个问题,本文提出了一种新颖的基于双重极限学习机(Dual-ELMs)的故障诊断框架,用于特征提取和故障模式识别。在特征学习阶段,本文采用局部均值分解(LMD)方法从原始振动信号中提取生产函数。与传统的经验模式分解方法相比,LMD方法具有更强的抑制模式混合和端点效应的能力。在复合故障分类阶段,与其他广泛使用的分类器不同,拟议的Dual-ELM网络继承了原始极限学习机(ELM)的优势,该机器采用两个基本的ELM网络进行复合故障分类,并且它不需要参数的迭代微调。因此,学习速度比其他分类器组合要快。该算法在振动分析试验台上进行了实验验证,表明在特征提取和特征提取方面,基于Dual-ELMs的故障诊断方法比其他可用的故障诊断方法能够为观察到的机械提供有效的措施。复合故障识别。在复合故障分类阶段,与其他广泛使用的分类器不同,拟议的Dual-ELM网络继承了原始极限学习机(ELM)的优势,该机器采用两个基本的ELM网络进行复合故障分类,并且它不需要参数的迭代微调。因此,学习速度比其他分类器组合要快。该算法在振动分析试验台上进行了实验验证,结果表明,在特征提取和特征提取方面,基于Dual-ELMs的故障诊断方法比其他可用的故障诊断方法能够为观察到的机械提供有效的措施。复合故障识别。在复合故障分类阶段,与其他广泛使用的分类器不同,拟议的Dual-ELM网络继承了原始极限学习机(ELM)的优势,该机器采用两个基本的ELM网络进行复合故障分类,并且它不需要参数的迭代微调。因此,学习速度比其他分类器组合要快。该算法在振动分析试验台上进行了实验验证,结果表明,在特征提取和特征提取方面,基于Dual-ELMs的故障诊断方法比其他可用的故障诊断方法能够为观察到的机械提供有效的措施。复合故障识别。提出的Dual-ELM网络继承了原始极限学习机(ELM)的优点,该极限学习机采用两个基本的ELM网络进行复合故障分类,并且不需要迭代地进行参数微调。因此,学习速度比其他分类器组合要快。该算法在振动分析试验台上进行了实验验证,结果表明,在特征提取和特征提取方面,基于Dual-ELMs的故障诊断方法比其他可用的故障诊断方法能够为观察到的机械提供有效的措施。复合故障识别。提出的Dual-ELM网络继承了原始极限学习机(ELM)的优点,该极限学习机使用两个基本的ELM网络进行复合故障分类,并且不需要迭代地进行参数微调。因此,学习速度比其他分类器组合要快。该算法在振动分析试验台上进行了实验验证,结果表明,在特征提取和特征提取方面,基于Dual-ELMs的故障诊断方法比其他可用的故障诊断方法能够为观察到的机械提供有效的措施。复合故障识别。并且不需要迭代的参数微调。因此,学习速度比其他分类器组合要快。该算法在振动分析试验台上进行了实验验证,结果表明,在特征提取和特征提取方面,基于Dual-ELMs的故障诊断方法比其他可用的故障诊断方法能够为观察到的机械提供有效的措施。复合故障识别。并且不需要迭代的参数微调。因此,学习速度比其他分类器组合要快。该算法在振动分析试验台上进行了实验验证,表明在特征提取和特征提取方面,基于Dual-ELMs的故障诊断方法比其他可用的故障诊断方法能够为观察到的机械提供有效的措施。复合故障识别。