[发明专利]基于PCA和KNN密度算法风电机组轴承故障诊断方法在审
| 申请号： | 201711268049.5 | 申请日： | 2017-12-05 |
| 公开（公告）号： | CN108073158A | 公开（公告）日： | 2018-05-25 |
| 发明（设计）人： | 赵睿智;丁云飞 | 申请（专利权）人： | 上海电机学院 |
| 主分类号： | G05B23/02 | 分类号： | G05B23/02 |
| 代理公司： | 上海伯瑞杰知识产权代理有限公司 31227 | 代理人： | 王一琦 |
| 地址： | 200240 *** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供基于PCA和KNN密度算法风电机组轴承故障诊断方法，获取风电机组轴承在不同工作状态下的振动信号；对振动信号数据进行预处理；分别计算每个样本的时域和频域统计参数，构成风电机组轴承信号的特征矩阵；利用PCA算法对风电机组不同工作状态的多特征矩阵进行降维，提取特征输入，将该输入作为故障诊断模型的训练样本集；采用支持向量机(SVM)对训练样本进行建模；采用KNN密度分类算法对支持向量机的参数进行优化；最终的诊断结果呈现在人机交互界面中。可精确的对故障类型进行分类，提高风电机组轴承故障分类的精度。为风电机组的安全可靠运行提供了保障，从而可以优化电网调度，实现电网的安全、稳定和经济运行。 | ||
| 搜索关键词： | 风电机组 轴承故障 算法 支持向量机 特征矩阵 轴承 故障诊断模型 人机交互界面 振动信号数据 预处理 训练样本集 诊断 电网调度 分类算法 故障类型 经济运行 提取特征 统计参数 训练样本 诊断结果 振动信号 分类 和频 建模 降维 时域 优化 样本 电网 安全 | ||
【主权项】：
1.基于PCA和KNN密度算法风电机组轴承故障诊断方法，包括以下步骤：S1：获取风电机组轴承在不同工作状态下的振动信号；S2：对所述振动信号数据进行预处理，包括去除数据异常点和数据归一化处理；S3：分别计算所述振动信号样本集中每个样本的时域统计参数和频域统计参数；S4：根据所述时域统计参数和所述频域统计参数构建风电机组轴承信号的特征矩阵；S5：利用PCA算法对预处理后的轴承振动数据进行降维，提取特征输入，将所述特征输入作为故障诊断模型的测试样本集和训练样本集；S6：利用支持向量机对所述训练样本集进行建模；S7：利用KNN密度分类算法对所述支持向量机的参数进行优化，获得最优的预测模型；S8：将预测的结果送入诊断系统中进行分析，得到最终的诊断结果呈现在人机交互界面中。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于上海电机学院，未经上海电机学院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201711268049.5/，转载请声明来源钻瓜专利网。
