针对风力发电机组SCADA监测数据海量、高维、复杂的特点,提出一种基于流形半监督K均值聚类的风力发电机组故障诊断方法。对风力发电机组SCADA数据进行分析,提取风力发电机组状态参量组成特征数据集,优化了传统K均值聚类算法,以流形距离作为相似性度量,对SCADA数据进行半监督K均值聚类分析。实验结果表明:改进的算法比传统K均值聚类算法能更有效识别风力发电机的状态。

轴承故障诊断环境复杂、影响因素多,导致特征高维化成为一个技术难题,采用核主成分分析法(KPCA)进行高维特征降维取得了一定成效,但KPCA未考虑特征间的相似性对计算复杂度以及分离效果的影响,对提高计算实时性和有效性以及提升分类效果形成了限制。为此提出了基于K均值聚类算法和KPCA方法的聚KPCA方法。利用均值聚类算法的思想对所提取的时、频域特征中的相似特征进行聚类,降低后续KPCA计算的复杂度,再用KPCA对聚类后的特征进行降维,将高维特征映射到一个类别可分度较高的特征空间。利用正常、内圈故障、外圈故障、滚动体故障4种轴承状态信号特征对聚KPCA方法进行验证,结果表明:与KPCA方法相比,所提出的聚KPCA方法具有更好的降维分离效果和较强的鲁棒性。