Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

12.12.2018 | Regular Research Paper | Ausgabe 2/2019

Memetic Computing 2/2019

Novel paralleled extreme learning machine networks for fault diagnosis of wind turbine drivetrain

Zeitschrift:
Memetic Computing > Ausgabe 2/2019
Autoren:
Xian-Bo Wang, Zhi-Xin Yang, Pak Kin Wong, Chao Deng
Wichtige Hinweise

Publisher's Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

With the increasing installed power of the wind turbines, the necessity of condition monitoring for wind turbine drivetrain cannot be neglected any longer. A reliable and rapid response fault diagnosis is vital for the wind turbine drivetrain system. The existing manual inspection-based methods are difficult to accomplish the real-time compound-fault monitoring task. To solve this problem, this paper proposes a novel dual extreme learning machines (Dual-ELMs) based fault diagnostic framework for feature extraction and fault pattern recognition. At the stage of feature learning, this paper applies the local mean decomposition (LMD) method to extract the production functions from the raw vibration signals. Compared with the traditional empirical mode decomposition method, the LMD method has a stronger ability to restrain the mode mixing and endpoints effect. At the stage of compound-fault classification, unlike the other widely-used classifiers, the proposed Dual-ELM networks inherit the advantages of the original extreme learning machines (ELMs), that employs two basic ELM networks for the compound-fault classification, and it does not need iterative fine-tuning of parameters. Thus the learning speed is faster than the other combinations of classifiers. The experimental validity of the proposed algorithm was conducted on a test rig for vibration analysis, which demonstrated that the proposed Dual-ELMs based fault diagnostic method provides an effective measure for the observed machinery than the other available fault diagnostic methods in aspects of feature extraction and compound-fault recognition.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 2/2019

Memetic Computing 2/2019 Zur Ausgabe

Editorial

Editorial

Premium Partner

    Bildnachweise