基于改进MW-KECA算法的风电齿轮箱故障诊断研究

刘轩; 霍忠堂; 李冰

doi:doi:10.19912/j.0254-0096.tynxb.2024-1641

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于改进MW-KECA算法的风电齿轮箱故障诊断研究

更新时间：2025-12-17

- 基于改进MW-KECA算法的风电齿轮箱故障诊断研究
- 基于改进MW-KECA算法的风电齿轮箱故障诊断研究
- 太阳能学报 2025年第10期页码：766-773
- 作者机构：
- 作者简介：
- 基金信息：
  
  河北省教育厅青年自然基金项目（QN2022185）;邯郸学院校级项目（自然科学类XZ2019204）;国家自然科学基金面上项目（62373151）;国家自然科学基金联合项目（U21A20486）
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-1641
  中图分类号： M614
- 网络出版：2025-10-31，
  
  纸质出版：2025-10-31
- 稿件说明：
移动端阅览
刘轩, 霍忠堂, 李冰. 基于改进MW-KECA算法的风电齿轮箱故障诊断研究[J]. 太阳能学报, 2025,(10):766-773.

刘轩, 霍忠堂, 李冰. 基于改进MW-KECA算法的风电齿轮箱故障诊断研究[J]. 2025, (10): 766-773.
刘轩, 霍忠堂, 李冰. 基于改进MW-KECA算法的风电齿轮箱故障诊断研究[J]. 太阳能学报, 2025,(10):766-773. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1641.

刘轩, 霍忠堂, 李冰. 基于改进MW-KECA算法的风电齿轮箱故障诊断研究[J]. 2025, (10): 766-773. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1641.

摘要

针对风力发电生产过程中齿轮箱常发故障

结合工业过程多变量、高维度、非线性、数据关联度高、异常数据缓慢劣化等特点

采用滑动窗口-核熵主元分析法（MW-KECA）对齿轮箱劣变过程中机组相关振动数据进行监控

并对齿轮箱故障进行诊断。改善样本适应性

同时针对算法中核参数选择偶然性和随机性问题

引入鲸鱼优化算法进行改进。通过齿轮箱数据集进行仿真研究

并在滚动轴承实验台的故障诊断中实现不同故障类型的准确识别验证

通过对比分析

采用MW-KECA和鲸鱼算法识别结果可更高效和准确地预测故障时间

减小误报率。

Abstract

A Moving Window-Kernel Entropy Component Analysis （MW-KECA） approach was used to monitor the vibration data related to the units during the gearbox degradation process and diagnose gearbox faults in response to the frequent failures in gearboxes during the production process of wind power generation.This was done while considering the characteristics of industrial processes

such as multiple variables

high dimensionality

non-linearity

high data correlation

and slow deterioration of abnormal data.This method improves sample overfitting.Additionally

the Whale Optimization Algorithm （WOA） was introduced to address the issues of stochasticity and randomness in kernel parameter selection inherent in the algorithm.Simulation studies were conducted using gearbox datasets

and accurate identification and verification of different fault types were achieved in fault diagnosis on a rolling bearing test rig.Comparative analyses reveals that the adoption of MW-KECA combined with WOA results in more efficient and accurate fault time prediction

with a reduced false alarm rate.

关键词

Keywords

references

宋中越, 马姣姣, 甄冬, 等. 风力发电机齿轮箱高故障率原因的研究及改进措施[J]. 机床与液压, 2018, 46(1): 173-177.

SCHÖLKOPF B, SMOLA A, MÜLLER K R. Nonlinear component analysis as a kernel eigenvalue problem[J]. Neural computation, 1998, 10(5): 1299-1319.

JIANG Q C, YAN X F, LV Z M, et al.Fault detection in nonlinear chemical processes based on kernel entropy component analysis and angular structure[J]. Korean journal of chemical engineering, 2013, 30(6): 1181-1186.

郭金玉, 李涛, 李元. 基于滑动窗口KECA-SVM的非线性过程故障检测[J]. 沈阳大学学报(自然科学版), 2022, 34(1): 37-44.

许昕, 韩慧苗, 潘宏侠, 等. 基于多特征提取和KECA柴油机关键部件故障识别[J]. 电子测量技术, 2021, 44(19): 63-68.

祝志超, 吴定会, 岳远昌. 基于监督核熵成分分析的发动机磨损故障诊断[J]. 系统仿真学报, 2022, 34(1): 45-52.

彭开香, 张丽敏. 基于核典型相关性-熵成分分析的工业过程质量监测方法[J]. 控制与决策, 2021, 36(12): 2999-3006.

孙建平, 李雪, 刘轩, 等. 改进滑动窗口核主元分析算法[J]. 热力发电, 2018, 47(1): 100-105.

郭金玉, 于欢, 李元. 基于KPCA-SVM的相关和独立变量故障检测方法[J]. 深圳大学学报(理工版), 2023, 40(1): 14-21.

李榕, 申志, 李元. 基于核熵成分分析的工业过程多类型故障诊断[J]. 电子测量技术, 2023, 46(10): 40-45.

张伟, 许爱强, 平殿发. 基于一种自适应核学习的KECA子空间故障特征提取[J]. 北京理工大学学报, 2017, 37(8): 863-868, 874.

李英顺, 阚宏达, 王德彪, 等. 一种基于KPCA-WOA-SVM火控系统故障诊断方法[J]. 火炮发射与控制学报, 2023, 44(4): 14-19.

白丽丽. 齿轮传动系统关键零部件故障状态识别方法研究[D]. 太原: 太原理工大学, 2020.

MIRJALILI S, LEWIS A.The whale optimization algorithm[J]. Advances in engineering software, 2016, 95: 51-67.

谷晓娇, 陈长征. 基于VMD和QPSO-SR的风电机组轴承故障提取方法[J]. 太阳能学报, 2019, 40(10): 2946-2952.

徐硕, 邓艾东, 杨宏强, 等. 基于改进残差网络的旋转机械故障诊断[J]. 太阳能学报, 2023, 44(7): 409-418.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于多核并行RFECV-GNB的风电机组齿轮箱故障诊断方法

基于IICEEMDAN-PCA-GRU的风电机组齿轮箱故障预警方法研究

基于SHSVD-AS的风电齿轮箱故障诊断

基于改进残差网络的旋转机械故障诊断

无源数据约束下多源域自适应的风电齿轮箱故障诊断方法