基于BES-ELM的风电机组故障诊断.pdf

排灌机械工程学报Journal of Drainage and Irrigation Machinery Engineering2023年10 月第41卷第10 期Oct.2023Vol.41No.10基于BES-ELM的风电机组故障诊断王俊1.2*，席芳3*，周川1-2,蔡彦枫 2,王洁12,王金城4,许昌（1.广东科诺勘测工程有限公司，广东广州5 10 6 6 3；2.中国能源建设集团广东省电力设计研究院有限公司，广东广州5 10 6 6 3；3.中交智慧城市生态发展（广州）有限公司，广东广州5 10 2 9 0；4.河海大学能源与电气学院，江苏南京2 1110 0)王俊摘要：针对极限学习机相关参数的选取不当导致其诊断结果与准确率受影响的问题，提出利用秃鹰搜索算法对极限学习机的权值和偏置的选取进行优化，构建秃鹰搜索优化算法和极限学习机组合的风力发电机组故障诊断模型（BES-ELM）.对风电场某一台风力发电机组在发电机过热（S1）、馈电故障（S2）、变流器冷却系统故障（S3)和正常（S4）等4种状态下的相关SCADA数据进行清晰、补充等相关预处理和特征选取后构成故障样本集，其中样本集的8 0%作为训练集，20%作为测试集.分别采用标准极限学习机、基于遗传优化算法和粒子群优化算法的极限学习机模型对这些故障样本进行分类.结果显示，与标准极限学习机、遗传算法和粒子群算法优化的极限学习机模型相比,BES-ELM模型的诊断准确率达到9 8.7 5%,有效提高了风电机组故障诊断的准确率.关键词：故障诊断；秃鹰搜索算法；极限学习机；风电机组；参数优化中图分类号：TK83文献标志码：A文章编号：16 7 4-8 5 30 2 0 2 3)10-10 2 3-0 7D01:10.3969/j.issn.1674-8530.22.0234王俊，席芳，周川，等.基于BES-ELM的风电机组故障诊断 J.排灌机械工程学报，2 0 2 3,41(10）：10 2 3-10 2 9.WANG Jun,XI Fang,ZHOU Chuan,et al.Wind turbine fault diagnostic model based on BES-ELM J.Journal of drainage and ir-rigation machinery engineering(JDIME),2023,41(10):1023-1029.(in Chinese)Wind turbine fault diagnostic model based on BES-ELMWANG Jun-*,XI Fang*,ZHOU Chuan,CAI Yanfeng,WANG Jie-2,WANG Jincheng*,U Chang.(1.Guangdong Kenuo Surveying Engineering Co.,Ltd.,Guangzhou,Guangdong 510663,China;2.China Energy Group GuangdongElectric Power Design Institute Co.,Ltd.,Guangzhou,Guangdong 510663,China;3.CCCC Smart City Co.,Ltd.,Guangzhou,Guangdong 510290,China;4.College of Energy and Electrical Engineering,Hohai University,Nanjing,Jiangsu 211100,China)Abstract:To address the problem that improper selection of relevant parameters in extreme learningmachine(ELM)affects its diagnostic results and accuracy,the selection of weights and biases of theELM based on bold eagle search(BES)algorithm was optimized,and a wind turbine fault diagnosismodel combined with vulture search algorithm optimization and extreme learning machine(BES-ELM)was constructed.The relevant SCADA data of a wind turbine in a wind farm in four states,includinggenerator overheating(S1),feeder failure(S2),converter cooling system failure(S3)and normal(S4)was preprocessed and features were selected to form a fault sample set,with 80%of the sampleset being the training set and 20%being the test set.These fault samples were classified using standardELM,extreme learning machine model based on genetic optimization algorithm and particle swarm op-timization algorithm,respectively.The results show that compared with the standard extreme learning收稿日期：2 0 2 2-0 1-0 6；修回日期：2 0 2 2-12-11；网络出版时间：2 0 2 3-10-0 8网络出版地址：https:/ 0 19 YFE0104800）；国家自然科学基金委雅奢江联合基金资助项目（U1865101）第一作者简介：王俊（19 8 3一），男,江苏盐城人，硕士研究生，高级工程师（通信作者，），主要从事电力工程水文气象研究.第二作者简介：席芳（19 8 7 一），女，山东枣庄人，高级工程师（），主要从事智慧基建研究.1024排灌机械工程学报第41卷machine,the model optimized by genetic algorithm and particle swarm algorithm,the diagnostic accu-racy of the BES-ELM model reaches 98.75%,which effectively improves the accuracy of wind turbinefault diagnosis.Key words:fault diagnosis;bold eagle search(BES)algorithm;extreme learning machine(ELM);wind turbine;parameter optimization风能作为一种清洁且与环境友好的可再生能源,具有低碳耗、低污染、低排放的特点 .为了应对环境污染破坏所导致的全球变暖和能源危机等一系列问题,诸多国家积极发展风电产业寻求能源替代品，使得风电机组累计装机容量快速平稳增长.世界风能协会在2 0 2 1年3月2 4日公布的风力发电统计相关数据显示，2 0 2 0 年全球风力发电总装机容量已达7 44 GW2.风电场通常坐落于偏远山区、草原、戈壁滩、沿海滩涂或近海等风能资源较丰富但环境相对较恶劣的区域，工作环境复杂多变，易受不稳定载荷与不可控因素影响,这些工况条件增加了风电机组故障的发生率 3.随着机组装机总量的提升，发生故障的机组比例也逐步提高，有效的故障诊断技术显得颇为重要.它能帮助运行维护人员及时发现机组的异常运行状态，快速分辨故障类型并采取相应的措施,在很大程度上减少故障对机组及电网的影响，确保整个风电场能够安全平稳、经济高效地运作 4目前,SCADA系统多被应用于采集风电机组运行的关键参数，并搭建相应的数据库存储数据，可用于大数据分析机组运行状态，搭建数据驱动的故障诊断模型 5 .在风电机组故障诊断检测技术中，人工神经网络（ANN）6 、支持向量机（SVM）【7 和极限学习机（EL M）8 是应用较为广泛的分类算法.ELM具有学习速度快、泛化能力强、诊断精确度高等优点.但采用ELM网络模型时,需要人工设置输人层权重w和隐藏层偏置b等相关参数,若设置不当可能会导致故障诊断精度的降低.针对ELM模型对相关参数值要求较高的问题,文中提出一种基于秃鹰搜索（baldeagle search,BES)算法优化的ELM模型，并采用这个模型对风电机组故障进行分类.文中主要进行以下工作：构建BES-ELM故障诊断模型.通过BES算法优化ELM的输人层权重w和隐藏层偏置b,使用优化后的参数搭建诊断模型.对原始SCADA数据预处理，得到故障数据集，并把这些故障数据作为训练数据，分别采用ELM，G A-EL M，PO S-ELM和BES-ELM模型进行故障分类，比较其分类效果.1研究方法1.1秃鹰搜索算法秃鹰搜索算法是ALSATTAR等 9 、贾鹤鸣等 10 受秃鹰狩猎行为的启发而提出的一种新型群智能优化算法.它不受目标函数可微、可导、连续性等特性的限制，具有较强的全局搜索能力、较好的稳定性、收敛速度快等特点.BES搜索算法模拟捕食猎物的行为,将其分为选择搜索空间、搜索猎物和俯冲捕获猎物等3个阶段.1）选择搜索空间阶段：在此阶段，秃鹰随机选择搜索区域，寻找猎物数量最多的区域.该阶段的位置更新描述为Lie=Ler+(Lm-Li),式中：Liew为第i只秃鹰的最新位置;Lbest为当前的最优位置；Li为第i只秃鹰的位置；Lmean为先前搜索结束后的平均分布位置;为位置变化控制参数,E1.5,2.0;r为随机数,rE(0,1).2）搜索猎物阶段：秃鹰在搜索猎物阶段，在选定的空间内以螺旋形状飞行搜索猎物,并在螺旋形空间内以不同的方向移动，锁定猎物位置之后加快搜索速度，寻找最佳俯冲捕获位置.螺旋飞行位置更新描述为(i)=rand(0,1),r(i)=0(i)+rand(0,1),xr(i)=r(i)sin(o(i),yr(i)=r(i)cos(o(i),xi(i)=*:(i)max(|x rl)yi(i)=:r(i)max(ly rl),式中:0(i)为螺旋方程的极角;r(i)为螺旋方程的极径;,为控制螺旋轨迹的参数,（0,5），E(0.5,2.0);x(i)与y(i)为极坐标中位置,取值均为(-1,1).位置更新为(1)(2)(3)(4)(5)(6)(7)第10 期王俊，等基于BES-ELM的风电机组故障诊断1025Lhew=Li+x(i)(Li-Lmean)+y(i)(Li-Lil),式中：L+1为第i只秃鹰下一次更新位置.3）俯冲捕获猎物阶段：秃鹰从搜索空间的最佳位置快速俯冲飞向目标猎物，种群其他个体也同时向最佳位置移动并攻击猎物，该阶段的运动状态仍用极坐标方程描述，即Lnew=rand(0,1)Lbest+,+0,S,=xi(i)(Li-Ci Lmean),S,=yi(i)(Li-C2 Lbest),式中：Ci,c2为秃鹰向最佳与中心位置的运动强度，C1,C2=1,2.为了验证BES的优越性，分别采用粒子群优化(paricle swarm optimization，PSO)、灰狼搜索(grey wolf optimization,GWO)12)与鲸鱼搜索(whaleoptimization algorithm，WO A）13 等算法进行几个基准测试函数的对比试验，试验中被采用的基准测试函数如表1所示,其中F1,F,为单峰测试函数,F，F4为多峰测试函数,为复合函数,D为维度.表1基准测试函数Tab.1Test functions for benchmarks函数表达式范围最优值Fi(x)=2(a:+0.5)2台DF3(c)=(1/4 000)(x;100)-台D-100F4(x):=(/D)D10 sin(my,)+(;-1)1+10 sin(ryi+1)+(yp-1)Du(x,10,100,4)4种算法的种群规模统一设为2 0,最大迭代次数设为10 0 0,每种算法分别对各个测试函数进行20次独立试验，统计2 0 次独立试验得到的每种算法对各测试函数求解的最优解、平均值、标准差作为评价指标，试验结果如表2 所示.其中BES在基准测试函数F,和F中的收敛最优值与理论最优值一致，在基准测试函数F，和F4中的收敛最优值分别为1.37 7 10-和1.46 2 10-32.BES在4种基准测试函数中收敛的最优值均低于PSO,GWO和WOA对应的最优值.表2测试结果Tab.2Test results(8)函数指标F最优值2.46 2 10-1均值6.5 2 1x10标准差3.2 0 110 2F2最优值4.17 9 10-3均值9.30710-1标准差7.15 3(9)F3最优值3.5 7 8 10-2(10)均值3.6 0 9 10-1标准差3.7 8 6 10-1(11)F4最优值8.8 6 410-2均值1.145104标准差2.5 6 310 5由表2 可知,与PSO,GWO,WOA相比,BES的收敛精度最好.1.2极限学习机极限学习机ELM是在传统前馈神经网络的基础上提出的一种神经网络模型 14-15 .在运算过程中,ELM网络的输入权值和偏置是随机给定的，然后在保持神经网络特性的前提下，使用正则化原则计算并获得输出权值.ELM网络中的输入层和输出层均为1层，而隐含层可以是1层或者多层.在此算法中，输人层和隐-100,1000-1.28,1.280-600,600 0+150,50 PSO含层是由输入权值连接，隐含层和输出层之间由输出权值连接，权值和偏置是随机生成的.通过在训练过程中设置隐藏层的数量，容易得到唯一的最佳解决方案.设n，l,m 分别为输入层、隐含层、输出层的节点数,g(x)为隐藏的激励函数,则对应的ELM网络结构如图1所示.隐含层输入层g(.b0X1一x2一Xi一W1i：Fig.1Structure of ELM network如图1所示，输人层的神经元数量与输人变量、输出层的神经元数量与输出变量均是一一对应的，其中输层对应n个相关变量,输出层对应个相关变量；含有1个神经元的隐含层为中间连接层，通过输人权值w与输入层连接，通过输出权值与输GWO1.12210-12.66710-42.5941022.4171022.858x1032.8341032.56410-46.83310-42.47310-12.43610-13.8534.154002.3092.1692.922102.861101.12310-24.52410-51.0741061.0981061.8951071.967107输出层+y1g.b*y2：W2iW图 1ELM 网络结构WOA：*ymBES08.68310-26.01510-21.37710-51.29110-41.00110-301.06410-33.36210-21.46210-328.71210-38.62510-21026排灌机械工程学报第41卷出层连接，2 个权值的表达式为W1lW12W1iW21W22WWk1W2LWllW2122122.2i：=k2kmLBli2式中：wki,分别为单一神经元之间的连接权值和偏置；k记为连接隐含层第k个的神经元编号；i，j 分别代表输入层第i个神经元与输出层第j个神经元的编号.设有Z个样本的训练集输人矩阵X和输出矩阵Y分别为1112X21X22X=Lxmly12y21y22Y：Lymlym2隐含层神经元的激活函数为g（），偏置b=bbbbiT,则这ELM网络的输出T为T=ti,t2,t2 mxz,Bug(w.a,+b.)i=1Zng(w.4;+b.)t2ii=1.mxl式中:w,=wa,wa,wn;x,=wy,wg,wWJT.则式(17)可表示为Hb=T,H=W,.,br,b2.,b,x,x2.,x2,(19)W1nW2iW2mWkiWknWliWmm2m：lm1znxzy2：ymzJmxz,j=1,2,.,Z,ZBmg(w.,+b)1i=1H=g(wx,+b,)g(w2 x,+b2).g(wr axi+br)g(w x2+by)g(w x2+b2).g(w x2+by)(12)Lg(w,xz+b,)g(w2xztb2)式中：T为矩阵T的转置;H为ELM网络隐藏层的输出矩阵。在训练过程中，输出层权重是通过最小化损(13)失函数来计算的.损失函数由训练误差项和输出层权重范数的正则项组成.而该式可使用Moore-Penrose广义逆矩阵理论计算求得最优权重，即min=IlH-T Il,=HT,式中：H*为H的Moore-Penrose广义逆矩阵;为最小二乘解.2BES-ELM 模型(14)在ELM计算过程中,相关参数的选择对分类结果有很大影响.通过BES算法对ELM的输入层权值w和隐藏层偏置b进行优化，能够获得较优的参数组合w，b.BES算法优化ELM相关参数的流程如(15)图2 所示，具体计算步骤为步骤1:对原有 SCADA数据进行预处理,将其分成训练集和测试集后导人算法中。步骤2：根据训练集数据，确定ELM网络的输人层、隐含层、输出层节点数量，确定ELM网络拓扑结构.步骤3：初始化ELM网络，随机取值并赋值给(16)ELM网络的权值w和偏置b.步骤4：根据样本数据特征,设置BES算法的种群数量N、最大迭代次数M、自变量上限Ub、自变量下限Lb、维度D等相关参数.步骤5：根据权值w和偏置b的初始值训练ELM网络,将训练得到的分类准确率作为适应度值.步骤6:利用文中公式（1），（8），（9)计算获取mxl秃鹰新位置对应的适应度值，并将该值与原值进行(17)对比，如果新的适应度值更优，则更新取值.步骤7：在ELM网络训练过程中当前的适应度值随秃鹰位置变动而实时更新，不断保存最优的适应度值,及其对应的ELM的权值w和偏置b.(18)步骤8：如果满足算法中设置的终止条件，则直：.g(u 2+b,)x(20)(21)(22)第10 期王俊，等基于BES-ELM的风电机组故障诊断1027接跳出该循环，同时输出ELM最优的参数组合1w，b及其对应的最优适应度值；如果不满足，则迭代次数加1,跳转执行步骤6.步骤9:获取ELM网络的最优权值w和偏置b，并根据最优参数组合/w，b)搭建ELM网络.步骤10:使用已选取的样本对ELM网络进行训练，并输出分类结果.开始导入SCADA数据并预处理确定ELM网格拓扑结构初始化ELM网络的权值w和偏置b初始化SSA相关参数N,M,Ub,Lb,D,data将ELM网格训练得到分类准确率作为适应度值根据式(1)，(8)，(9)，更新种群秀鹰的位置，如果新的位置更优，则更新旧位置更新SSA适应度值图2 BES-ELM模型流程图Fig.2Flow chart of BES-ELM model3实例分析3.1SCADA数据预处理为验证 BES-ELM 诊断模型的性能,文中采用风电机组在4种状态下的相关数据作为故障分析数据，它们分别为发电机过热状态（S1）、馈电故障状态（S2）、变流器冷却系统故障状态（S3)和正常状态（S4）.相关的特征参数如表3所示.表3特征编号及描述Tab.3Feature numbers and descriptions特征编码特征参数C1平均风速/(ms-1)C2转速n/(rmin-l)C3有功功率py/kWC4无功功率pw/kWC5环境温度T/C6主轴温度T/C7转子温度 Tb,/C8转子温度 Tb/C9定子温度Tal/C10定子温度Td2/试验总共选取了8 0 0 个样本，其中56 0 个为训练样本,2 40 个为测试样本.在4种状态中，每个状态选取了2 0 0 个样本,其中140 个为训练样本,6 0 个为测试样本.部分样本归一化后的特征值如表4所示.表4风电机组的4个状态特征样本Tab.4Samples of four wind turbine status状态样本编码编号C110.289 7状态120.297 9结束(S1)输出分类结果状态2利用得到的ELM最优(S2)参数（wb）值进行分类获取ELM网络的最优权值w和偏置b是满足终止条件更新ELM网络的权值w和偏置b特征编码特征参数C11桨据角a/()C12轮毂温度T/C13前轴承温度Tq/C14后轴承温度Thz/C15叶片A变浆柜温度T/C16叶片B变浆柜温度TB/C17叶片C变浆柜温度Tc/C18控制柜温度T/C19机舱温度T/C20机舱环境温度Teh/特征编号C20.038 00.040 52000.591 610.288920.291 32000.142 910.2541状态320.259 6(S3)2000.904210.395 2状态420.402.7(S4)2000.165 73.2模型的参数设置为体现模型的故障识别与分类能力，文中分别使用遗传算法、粒子群算法和秃鹰搜索算法来优化ELM的参数,相关参数设置值如表5所示.表5GA-ELM,PSO-ELM,BES-ELM模型的参数设置表Tab.5Parameter settings of GA-ELM,PSO-ELM and BES-ELM models模型参数名称GA-ELM送代次数种群数量P交叉概率P。变异概率PmELM隐藏层节点数LELM权值和偏置取值范围SPSO-ELM选代次数N种群数量P粒子速度C1粒子速度C2粒子的惯性权重WELM隐藏层节点数LELM权值和偏置取值范围SBES-ELM选代次数N种群数量P秃鹰个体位置变化控制参数ELM权值和偏置取值范围SELM隐藏层节点数L3.3模型性能比较文中 BES-ELM 与 GA-ELM,PSO-ELM 模型C190.328 90.682.60.324 20.689 5.0.496 00.521 60.674.90.596 20.235 00.523.00.58700.22880.517 7，0.59050.04820.44250.622.80.22850.464.90.62520.231 3 0.459 70.449 00.846 20.105 30.781 40.327 70.570 50.801 00.326 8 0.562.20.93280.153 80.528 7参数设置值60200.60.00756(0,1)5020440.956(0,1)50202(0,1)56C201028排灌机械工程学报第41卷进行寻优适应度值比较，其结果如图3所示，图中1为模型的运行次数,A为准确率.BES-ELM模型第6次运行时搜索到最优值（9 8.7 5%）;PSO-ELM模型第14次运行时基本达到最优值（9 6.2 5%），而GA-ELM模型到达最优值（9 2.0 8%）需要运行到第2 6次.采用BES算法对ELM参数优化后寻优速度最快且诊断准确率最高,PSO-ELM算法次之,而 GA-ELM算法最低.为了进一步直观地体现BES-ELM模型在风电机组故障诊断的优势,用标准 ELM,GA-ELM,PSO-ELMS143S20S317S40S1(a)ELM模型标准ELM模型能准确分类状态S2和S4,原属于状态S1的17 个样本错判为状态S3.在2 40 个测试样本中，标准ELM模型能准确分类2 13个.BES-ELM模型能准确分类状态S1,S2和S4,只有原属于状态 S3的3个样本误判为状态 S4.BES-ELM模型能准确分类2 37 个,在所用的分类模型中它准确分类的样本数量最多.表6 为故障诊断模型的性能指标.表6 故障诊断模型的性能指标Tab.6 Performance metrics of fault diagnostic models%故障类别诊断模型评价指标Prec100.00Rec71.19ELMF1AccPrecRecGA-ELMF1AccPrecRecPSO-ELMF1AccPrecRecBES-ELMF1Acc等模型分别计算并绘制了混淆矩阵，即如图4所示.100.0096.0092.0088.0084.0001020304050601图33种模型送代次数与适应度关系Fig.3Relationship between iteration and fitness ofthree models00600050010S2S3预测值183.1788.72100.0079.6688.6892.08100.0093.2296.4996.25100.00100.00100.0098.75-GA-ELM-PSO-ELM-BES-ELML0S1480S200S31260S40S4S1(b)GA-ELM模型图44种模型的混淆矩阵Fig.4Confusion matrices of four models为进一步显示这些模型的诊断性能,分别计算精度（Prec）召回率（Rec）、F1值和准确率Acc等分类性能指标,其计算结果如表6 所示.当使用BES-ELM模型进行故障诊断时，诊断准确率达到98.75%，优于其他3种诊断模型，能够较好地完成对风电机组故障诊断的任务。4结论作为一种前馈神经网络,ELM具有学习速度快、泛化能力强等优点.但是相关参数设置不当易导23100.0074.63100.0083.33100.0078.74100.0081.54100.0088.33100.0084.80100.0093.22100.0091.67100.0092.44100.00100.00100.0095.00100.0097.4406000S2S3预测值485.71100.0092.3189.55100.0094.4992.31100.0096.0095.24100.0097.560053760S4000S156S20S34S40S1(c)PSO-ELM模型致ELM分类准确率较低.针对该问题,文中采用秃鹰搜索算法对ELM相关参数的选取进行优化,提出了BES-ELM模型，可较大程度上弥补ELM模型的不足.1）采用BES算法优化ELM的权值w和偏置b的参数,有效提高了ELM模型分类的准确率.用秃鹰搜索算法优化后的极限学习机在风电机组故障诊断试验中表现较好，它的分类性能指标均优于标准ELM,GA-ELM和PSO-ELM,在测试集上的分类准确率也达到了9 8.7 5%.2）在风电机组的典型故障诊断中,虽然BES-ELM的分类准确率已经很高,但仍有一些困难问题需要解决，比如难以区分一些复杂的故障情况，分0600550560S2S3预测值00000S4S160S20S30S40S1(d)BES-ELM模型06000S2S3预测值0057360S4000第10 期王俊，等基于BES-ELM的风电机组故障诊断1029类的准确率仍需要进一步提高等.探索其他更适合的故障特征提取和特征选择方法有助于提高该模型的分类精度,提高故障数据集的质量将有助于模型的强化训练，这些都是下一步的研究方向.参考文献(References)1REN D D.Effects of global warming on wind energyavailability J.Journal of renewable and sustainableenergy,2010(2):052301.2WWEA.Worldwide wind capacity reaches 744 Gigawatts-An Unprecedented 93 Gigawatts added in 2020 EB/OL.2021-03-24.https:/wwindea.org/worldwide-wind-capacity-reaches-744-gigawatts/.3SANTOLAMAZZA A,DADI D,INTRONA V.A Data-mining approach for wind turbine fault detection basedon SCADA data analysis using artificial neural networksJ.Energies,2021,14:1845.4HAHN B,DURSTEWITZ M,ROHRIG K.Reliability ofwind turbines M .Berlin Heidelberg:Springer-Verlag,2007:200-332.5YANG W X,COURT R,JIANG J S.Wind turbine con-dition monitoring by the approach of SCADA dataanalysisJ.Renewable Energy,2013,53:365-376.6 龙泉,刘永前,杨勇平.基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法 J.太阳能学报，2012,33(1):120125.LONG Quan,LIU Yongqian,YANG Yongping.Faultdiagnosis method of wind turbine gearbox based on BPneural network trained by particle swarm optimization al-gorithm J.Acta energiae solaris sinica,2012,33(1):120-125.(in Chinese)7 TUERXUN W,XU C,GUO HY,et al.Fault diagnosisof wind turbines based on a support vector machine opti-mized by the sparrow search algorithm J.Ieee access,2021,9:69307-69315.8 卢锦玲，绳菲菲，赵洪山.基于极限学习机的风电机组主轴承故障诊断方法J.可再生能源，2 0 16,34(11):1588-1594.LU Jinling,SHEN Feifei,ZHAO Hongshan.Fault diag-nosis method of wind turbine main bearing based on ex-treme learning machine J.Renewable energy resour-ces,2016,34(11):1588-1594.(in Chinese)9A LSA T T A R H A,Z A ID A N A A,Z A ID A N BB.No v e lmeta-heuristic bald eagle search optimisation algorithmJ.Arificial intelligence review,2020,53:2237-2264.10贾鹤鸣,姜子超,李瑶.基于改进秃鹰搜索算法的同步优化特征选择J.控制与决策，2 0 2 2,37（2)：445-454.JIA Heming,JIANG Zichao,LI Yao.Simultaneous fea-ture selection optimization based on improved bald eaglesearch algorithm J.Control and decision,2022,37(2):445-454.(in Chinese)11黄太安，生佳根，徐红洋，等.一种改进的简化粒子群算法 J.计算机仿真,2 0 13,30(2）：32 7-330,335.HUANG Taian,SHENG Jiagen,XU Hongyang,et al.Improved simplified particle swarm optimization J.Computer simulation,2013,30(2):327-330,335.(inChinese)12 郭振洲,刘然，拱长青，等.基于灰狼算法的改进研究J.计算机应用研究，2 0 17，34（12）：36 0 3-3606,3610.GUO Zhenzhou,LIU Ran,CONG Changqing,et al.Study on improvement of gray wolf algorithm J.Appli-cation research of computers,2017,34(12):3603-3606,3610.(in Chinese)13张永,陈锋.一种改进的鲸鱼优化算法 J.计算机工程,2 0 18,44(3):2 0 8-2 13,2 19.ZHANG Yong,CHEN Feng.A modified whale optimiza-tion algorithm J.Computer engineering,2018,44(3):208-213,219.(in Chinese)14徐睿，梁循，齐金山，等.极限学习机前沿进展与趋势J.计算机学报,2 0 19,42(7)：16 40-16 7 0.XU R,LIANG X,QI J S,et al.Advances and trends inextreme learning machine J.Chinese journal of com-puters,2019,42(7):1640-1670.(in Chinese)15王杰，毕浩洋.一种基于粒子群优化的极限学习机J.郑州大学学报（理学版），2 0 13,45（1）：10 0-10 4.WANG Jie,BI Haoyang.A new extreme learning ma-chine optimized by PSOJ.Journal of Zhengzhou Uni-versity(natural science edition),2013,45(1):100-104.(in Chinese)朱漪云）（责任编辑