文献类型：期刊文章

作　　者：李状[1] 柳亦兵[1] 滕伟[1] 林杨[1,2]

机构地区：[1]华北电力大学能源动力与机械工程学院,北京102206 [2]北京华能新锐控制技术有限公司,北京102209

出　　处：《振动．测试与诊断》

基　　金：国家自然科学基金资助项目(51305135);中国华能集团科技资助项目(HNKJ13-H20-05);中央高校基本科研业务费专项资金资助项目(2014XS15)

年　　份：2017

卷　　号：37

期　　号：3

起止页码：484-488

语　　种：中文

收录情况：BDHX、BDHX2014、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对基于有监督学习的方法无法识别未知类别故障,提出了一种基于粒子群优化模糊核聚类(kernel fuzzy c-means clustering,简称KFCM)的风电机组齿轮箱故障诊断方法。首先,建立以训练样本分类错误率为目标的聚类模型,利用KFCM对训练样本进行分类;然后,以初始聚类中心和核函数参数作为优化变量,利用粒子群优化算法求解聚类模型,获得最优分类结果下每个类的类心;最后,根据新样本与各类心之间的核空间样本相似度判断新样本属于已知故障或者未知故障。以某风电机组齿轮箱为例,对提出方法的有效性进行试验验证。结果表明,与传统基于有监督学习的神经网络方法相比,该方法能有效诊断已知和未知类别的故障。

关 键 词：模糊核聚类 粒子群优化算法 风电机组  齿轮箱 故障诊断

分 类 号：TH165.3] TH17