[发明专利]一种风力涡轮机轴承故障诊断方法

权利要求书

1.一种风力涡轮机轴承故障诊断方法，其特征在于，所述诊断方法包含以下步骤：

Ⅰ：建立最小熵解卷积模型并获取轴承发出的信号，利用所述最小熵解卷积模型对信号进行降噪处理，得到有效故障信号；

Ⅱ：利用局部均值分解对所述有效故障信号进行分解以得到新信号，所述新信号包括若干个乘积函数PF，所述PF是一个包络信号和一个具有物理意义的纯调频信号的乘积；

Ⅲ：建立风力涡轮机轴承的改进极限学习机故障分类模型，所述改进的极限学习机是一种双层多标签极限学习机网络；

Ⅳ：将新信号输入到改进极限学习机，根据得到的新的信号进行指标计算，所述指标包括标准差、峰值、均方根值、偏斜度、谱峭度、绝对平均值、方根幅值、峰峰值、脉冲指标、波形指标、峭度指标、裕度指标；

Ⅴ：将所述指标计算结果组成故障特征向量输入到改进极限学习机中进行故障分类识别，得到轴承故障类型的分类结果；

步骤Ⅲ所述的改进极限学习机故障分类模型，包括有用于计算故障的数量的计数网络和用于识别故障的标签网络；

所述计数网络为计算故障数量的极限学习机网络，构建方法如下所示：

A.通过实验特征的回归映射获得故障标签的数量m，具有单个数据节点的极限学习机网络应用于回归，输出的表达式为：

其中，β＝[β₁,β₂,…,β_Lr]是隐藏层和输出层之间的权重，e(x)＝[g₁(ω₁,b₁,x),g₂(ω₂,b₂,x),…,g_Lr(ω_i,b_Lr,x)]为隐藏节点Lr的输出，g_i(ω_i,b_i,x)是隐藏层中第i个节点的值；

B.对于具有激活函数的隐藏层的径向基函数径向基函数，即e(x)，可由下式得到

h(x)＝g(b_i||x-ω_i||)，b_i∈R⁺，

其中，ω_i和b_i分别表示第i个径向基函数节点的中心和影响因子，R⁺表示所有正实数的集合，计数层极限学习机的回归模型为：Eβ＝T，其中，E＝(e^T(x₁),e^T(x₂),…,e^T(x_N))^T，是隐藏层的输出矩阵，T＝(t₁,t₂,…,t_N,)^T是目标向量，输出权重β＝E⁺T，E⁺是E的逆矩阵；

C.利用回归特征映射计数极限学习机网络输出的故障数目m＝f_Lr(x)，然后将故障数目m传递到决策模型并用于后续标签网络中；

所述标签网络输出单个最匹配的标签：

其中，f_j(x)＝[f₁(x),…,f_N(x)]^T表示标签网络的输出函数，其中f_j(x)包含全部候选标签，基于计数网络的输出，标签网络选择m个最大变量作为最终阈值所提出的的决策函数通过f(x)＝[f₁(x),…,f_m(x)]^T来生成m个标签的列表；

标签网络的输出函数为：

其中，δ＝[δ₁,δ₂,…,δ_Lc,]^T表示隐藏层和输出矩阵之间的输出权重向量，

h(x)＝[h₁(x),h₂(x),…,h_Lc(x)]^T表示隐藏层的输出向量，T是数据训练的目标，