科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了准确监测到风电机组齿轮箱的运行状态以实现其早期预警，提出了一种基于改进深度置信网络(Deep Belief Networks, DBN)的运行状态识别方法。首先，利用粒子群算法(Particle Swarm Optimization, PSO)优化DBN网络的结构参数，运用最优的DBN网络结构提取样本数据特征。将特征通过多维尺度分析(Multidimensional Scaling, MDS)算法映射到低维空间，在低维空间内依据欧氏距离构建齿轮箱状态指标，结合状态指标实现样本数据标签化。再采用标签化的样本数据训练极限学习机(Extreme Learning Machine, ELM)模型，识别齿轮箱的运行状态。结果表明，该方法的识别准确率达到95.61%,不仅深度挖掘到样本数据的特征信息，还通过构建状态指标为无标签的样本数据处理提供了参考。
- 出版日期2023
- 单位沈阳工业大学
