(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110154925.1 (22)申请日 2021.02.04 (65)同一申请的已公布的文献号 申请公布号 CN 112800682 A (43)申请公布日 2021.05.14 (73)专利权人 中国长江三峡集团有限公司 地址 100038 北京市海淀区玉渊潭南路1号 (72)发明人 于傲　张亚平　王方政　汤鹏　 邹祖冰　朱小毅　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 专利代理师 余山 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01)G06N 3/00(2006.01) G06N 20/10(2019.01) (56)对比文件 CN 105426954 A,2016.0 3.23 CN 104820142 A,2015.08.0 5 WO 20180723 51 A1,2018.04.26 王博等.基 于改进PSO-GSA算法的快速开关 型电网故障限流器优化配 置. 《高压电器》 .2020, (第06期), 审查员 蒋娜 (54)发明名称 一种反馈寻优的风机叶片故障监测方法 (57)摘要 一种反馈寻优的风机叶片故障监测方法， 包 括以下步骤： 步骤一： 构建风机叶片状态监测的 数据集； 步骤二： 构建支持向量机模型来分割风 机叶片数据的特征空间； 步骤三： 对支持向量机 模型参数进行优化求解； 步骤四： 对支持向量机 模型进行评估。 本发明的目的是为了解决现有的 风机叶片故障监测方法考虑因素单一， 单一因素 与风机叶片的故障不一定具有绝对的相关性， 这 样造成无法有效的对风机叶片故障进行准确监 测的技术问题， 而且风机叶片故障问题复杂， 现 有算法迭代次数多、 计算量大， 且算法容易陷入 局部最优解， 不能很好的满足风机叶片故障监测 的需求。 权利要求书2页 说明书6页 附图1页 CN 112800682 B 2022.10.04 CN 112800682 B 1.一种反馈寻优的风机叶片故障监测方法， 其特 征在于， 包括以下步骤： 步骤一： 构建风机叶片状态监测的数据集； 在步骤一中， 数据集由D个样本(Xi,Yi)够成， 其中Xi∈Rn， Yi∈{‑1， +1}， 其中， 采集风机 叶片的运行数据作为特征向量Xi， 同时采集风机运行状态标签Y(正常为+1， 故障为 ‑1))， 并 且对每一个特 征进行标准化； 步骤二： 构建支持向量机模型来分割风机叶片数据的特 征空间； 步骤三： 对支持向量机模型参数进行优化 求解； 具体包括以下优化 步骤： 1)设置粒子群算法的迭代步长m， 设置粒子数N； 2)设置粒子的初始速度 和初始位置 其中 表示第i个粒子的第j次迭代的速度参数， 表示 第i个粒子的第j次迭代位置参数， 径向基函数的σ ∈[0.01,1000]， 惩罚系数C∈[0.1,500]， 学习因子C1和C2为每一次迭代所有 粒子速度和位置向量的L2范数的平方和的柯西概率的一 定倍数； 3)根据初始化条件， 计算目标函数的适应值； 4)根据适应值， 循环 更新粒子的速度和位置， 个体的最优解pbest， 群体的最优解gbest， 其 中第j(0≤j≤m)个粒子第t次(0≤t≤N)迭代的 其中第t次 (0≤t≤N)迭代的 min()表示最小值； 5)根据终止 条件,结束 算法寻优过程： 达到最大迭代次数或者两代 速度和位置的L2范数 小于设定值即： | |v(t+1)‑v(t)||≤κ 且||x(t+1)‑x(t)||≤γ， 其中κ和γ为精度设定值； 步骤四： 对支持向量机模型进行评估。 2.根据权利要求1所述的反馈寻优的风机叶片故障监测方法， 其特征在于， 所述标准化 过程为： 其中 μ为Xi特征的样本均值， σ 为Xt特征的样本标准差 。 3.根据权利要求1所述的反馈寻优的风机叶片故障监测方法， 其特征在于， 所述运行数 据包括风速， 发电机转速， 环境 温度， 风向角， 偏航位置， 水平方向加速度， 垂 直方向加速度， 叶片1、 叶片2、 叶片3的角度、 速度、 开关温度， 开关直流器的直流电流， 舱内温度其中的一种 或多种。权　利　要　求　书 1/2 页 2 CN 112800682 B 24.根据权利要求1所述的反馈寻优的风机叶片故障监测方法， 其特征在于： 在步骤二 中， 采用径向基函数构建非线性分割的支持向量机模型来分割风机叶片数据的特 征空间。 5.根据权利要求4所述的反馈寻优的风机叶片故障监测方法， 其特征在于， 所构建的支 持向量机模型的分类决策函数为： 其中K(x,y)选择为径向基函数： αi的值域是[0， C]， C是惩罚系数， b为偏移量； sgn为符号函数 具体优化目标函数为： 约束条件为： 0 ≤αi≤C， i＝1,2,....D 6.根据权利要求5所述的反馈寻优的风机叶片故障监测方法， 其特征在于， 在步骤三 中， 利用改进学习因子的粒子群算法优化求解支持向量机模型的αi， σ 参数(i＝1,2,....., D)。 7.根据权利要求6所述的反馈寻优的风机叶片故障监测方法， 其特征在于， 粒子群算法 中粒子的速度和位置是优化函数定义域空间的向量， 即v和x是αi， σ(i＝1,2,....,D)参数 空间的向量， 速度和位置的迭代更新如下式： x(t+1)＝x(t)+v(t) 其中C1和C2为学习因子， v为粒子的速度， x为粒子的位置， pbest为粒子个体 的在目标优 化函数找到的最优解， gbest为粒子群体在目标优化函数找到的最优解， t表示第t次迭代， rand(0,1)表示(0,1)区间内的任意 值。 8.根据权利要求1至7其中之一所述的反馈寻优的风机叶片故障监测方法， 其特征在 于， 在步骤四中， 获得最优的SVM模型参数值， 对SVM模型进行验证， 若不满足目标准确率则 将重新训练SVM模 型， 此时将粒子的初始速度和位置 设定为最优的SVM模型值对应的速度和 位置乘以一定的权 重。权　利　要　求　书 2/2 页 3 CN 112800682 B 3