首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

基于DEMATEL-ANP-CRITIC组合赋权的风机主轴故障预诊断方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:河北工业大学

摘要:本发明为基于DEMATEL‑ANP‑CRITIC组合赋权的风机主轴故障预诊断方法,首先获取风机运行数据,得到数据集;然后,将主轴齿箱侧油温作为目标特征,选取与目标特征具有强相关性的特征作为强相关性特征,保留目标特征和所有强相关性特征的时间序列;接着,搭建多个模型作为单体故障预诊断模型,对目标特征进行预测;最后,利用训练后的各个单体故障预诊断模型进行预测,并利用主客观相结合的方式对各个单体故障预诊断模型的预测结果进行赋权,再将所有单体故障预诊断模型的预测结果进行叠加,得到目标特征组合预测值;利用滑动窗口法和3σ准则进行故障预诊断。结合风电现场对准确性、实时性、关联性等的多元需求,利用多个单体故障预诊断模型对目标特征进行联合预测,充分发挥不同模型各自的优势,提高预测精度。

主权项:1.一种基于DEMATEL-ANP-CRITIC组合赋权的风机主轴故障预诊断方法,其特征在于,该方法包括以下步骤:步骤一:获取风机运行数据,并进行数据清洗,得到原始数据集;步骤二:将主轴齿箱侧油温作为目标特征,计算原始数据集中其余特征与目标特征的相关性,选取与目标特征具有强相关性的特征作为强相关性特征,目标特征和所有强相关性特征的连续时间序列组成筛选后的数据集,并将筛选后的数据集划分为训练集和测试集;步骤三:搭建多个模型作为单体故障预诊断模型,对目标特征进行预测,单体故障预诊断模型的输入为目标特征和所有强相关性特征,利用训练集分别训练各个单体故障预诊断模型;步骤四:将测试集分别输入到各个训练后的单体故障预诊断模型中,得到目标特征预测值,记为P1,P2,…,PV;其中,V为单体故障预诊断模型的数量;选取最能反映模型性能的评价指标,利用DEMATEL-ANP法对各个评价指标赋予主观权重,根据评价指标的主观权重计算各个单体故障预诊断模型的预测结果赋予主观权重,计算公式为: 式中,αv为第v个单体故障预诊断模型的主观权重,qv第v个单体故障预诊断模型对应的评价指标的主观权重,qk表示第k个评价指标的主观权重,m为评价指标数量;利用CRITIC法对各个单体故障预诊断模型的预测性能进行分析,为各个单体故障预诊断模型赋予客观权重;根据最小鉴别信息原理,根据下式计算各个单体故障预诊断模型的综合权重; 其中,e为单体故障预诊断模型的个数,βv为第v个单体故障预诊断模型的客观权重,ωv为第v个单体故障预诊断模型的综合权重;根据综合权重对各个单体故障预诊断模型的预测结果进行赋权,根据下式计算目标特征组合预测值P;P=ω1P1+ω2P2+…+ωVPV22步骤五:将由训练集得到的目标特征组合预测值与历史运行数据中目标特征的实际值作差,得到残差序列l1;以滑动窗口的方式计算滑动窗口内残差序列片段的均值,将该均值作为滑动窗口内残差序列片段的标准差μ;将由测试集得到的目标特征组合预测值与历史运行数据中目标特征的实际值作差,得到残差序列l2;以滑动窗口的方式计算滑动窗口内残差序列片段的均值σ,若|σ|3μ,认为风机主轴可能发生故障,完成风机主轴故障预诊断。

全文数据:

权利要求:

百度查询: 河北工业大学 基于DEMATEL-ANP-CRITIC组合赋权的风机主轴故障预诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。