GIL機(jī)械故障診斷與預(yù)警技術(shù)研究*

王立憲,馬宏忠,戴 鋒

(1.河海大學(xué) 能源與電氣學(xué)院，江蘇 南京 211100；2.國(guó)網(wǎng)江蘇省電力有限公司檢修分公司，江蘇 南京 211102)

0 引 言

隨著西電東送項(xiàng)目不斷推進(jìn)、區(qū)域電力能源互聯(lián)速度加快，氣體絕緣輸電線路(GIL)以其傳輸容量大、傳輸距離長(zhǎng)、環(huán)境兼容性好等優(yōu)點(diǎn)先后在中國(guó)天生橋水電站、溪洛渡水電站和蘇通GIL綜合管廊等重大電力輸送建設(shè)中投運(yùn)[1-3]。文獻(xiàn)[4]統(tǒng)計(jì)了GIL設(shè)備發(fā)生故障的原因，其中機(jī)械故障占比2/3。因?yàn)镚IL設(shè)備應(yīng)用場(chǎng)合多為特高壓且封閉結(jié)構(gòu)，一旦發(fā)生故障將造成巨大經(jīng)濟(jì)損失，所以對(duì)其進(jìn)行故障診斷對(duì)電能安全傳輸和電網(wǎng)穩(wěn)定運(yùn)行具有重大意義。

振動(dòng)信號(hào)是電力設(shè)備運(yùn)行時(shí)的典型表征[5]，并且具有不受電磁干擾等優(yōu)點(diǎn)。目前國(guó)內(nèi)外對(duì)于GIL設(shè)備機(jī)械故障的研究主要依靠在GIL設(shè)備外部設(shè)置加速度傳感器來(lái)分析正常運(yùn)行狀態(tài)時(shí)GIL設(shè)備的振動(dòng)特征，利用GIL外殼的振動(dòng)來(lái)檢測(cè)內(nèi)部的電磁與絕緣故障[6-7]，而對(duì)于GIL設(shè)備機(jī)械故障引起的異常振動(dòng)信息理論研究與機(jī)械故障模式診斷的研究尚不充分。文獻(xiàn)[8]結(jié)合機(jī)電融合技術(shù)，利用GIL設(shè)備異常振動(dòng)信號(hào)對(duì)內(nèi)部的絕緣故障進(jìn)行故障模式識(shí)別；文獻(xiàn)[9]以GIL低頻信號(hào)為研究對(duì)象，對(duì)GIL機(jī)械故障進(jìn)行診斷，但局限于是否對(duì)故障產(chǎn)生進(jìn)行判斷，并不能對(duì)機(jī)械故障類型進(jìn)行識(shí)別。

在信號(hào)分析方面，經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)在處理非平穩(wěn)、非線性信號(hào)方面比傳統(tǒng)的小波變換、傅里葉變換具有一定的優(yōu)越性，但是EMD也存在端點(diǎn)效應(yīng)、模式混疊等問(wèn)題[10-11]。文獻(xiàn)[12]在傳統(tǒng)EMD的方法上引入白噪聲進(jìn)行改進(jìn)，形成了新的集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)算法，解決了模式混疊效應(yīng)，但引入白噪聲帶來(lái)了噪聲集總不平均的問(wèn)題?；パa(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMD)總結(jié)了EMD和EEMD的優(yōu)勢(shì)，既可以在GIL振動(dòng)信號(hào)中分解出模態(tài)信號(hào)(IMF)，又避免了引入白噪聲的干擾。同時(shí)，樣本熵、能量熵等非線性動(dòng)力學(xué)方法有很多種，文獻(xiàn)[13-14]利用奇異熵值和能量熵對(duì)GIL設(shè)備局部放電故障信號(hào)進(jìn)行特征值提取，但以上方法對(duì)熵值的控制、樣本尺度劃分以及特征優(yōu)化仍有不足之處。

針對(duì)現(xiàn)有GIL設(shè)備機(jī)械故障模式識(shí)別與診斷研究的空白與信號(hào)分析存在的問(wèn)題，文中以振動(dòng)信號(hào)為研究對(duì)象，對(duì)GIL機(jī)械故障診斷進(jìn)行研究。搭建110 kV GIL設(shè)備試驗(yàn)平臺(tái)，模擬螺絲松動(dòng)、外力沖擊和導(dǎo)電桿嵌入不完全3種機(jī)械故障，利用CEEMD算法對(duì)GIL振動(dòng)信號(hào)進(jìn)行分解，提取模態(tài)分量；利用模糊熵提取模態(tài)分量特征值，并通過(guò)鯨魚優(yōu)化極限學(xué)習(xí)機(jī)(WOA-ELM)對(duì)特征值向量展開聚類分析，結(jié)合自適應(yīng)閾值進(jìn)行故障預(yù)警，實(shí)現(xiàn)GIL機(jī)械故障有效診斷與預(yù)警。

1 試驗(yàn)平臺(tái)與方案

1.1 試驗(yàn)平臺(tái)

GIL試驗(yàn)平臺(tái)包含：GIL試驗(yàn)腔體，材料為鋁，導(dǎo)體外直徑80 mm，殼體內(nèi)直徑390 mm，殼體厚度15 mm，試驗(yàn)電壓由GDYT-5/100 無(wú)局放耐壓試驗(yàn)裝置進(jìn)行調(diào)節(jié)；GH-313A型振動(dòng)加速度傳感器，檢測(cè)范圍40 Hz～8 kHz(-3 dB)，靈敏度100 mV/g±10%；LC-01A型彈簧沖擊錘，靈敏度4.14 pC/N，測(cè)量范圍0～5 kN；Luomk 718 Series振動(dòng)信號(hào)采集儀，正負(fù)25 V寬電壓輸入，采樣頻率最高102.4 kHz。試驗(yàn)原理圖如圖1所示，現(xiàn)場(chǎng)試驗(yàn)平臺(tái)如圖2所示。

圖1 試驗(yàn)設(shè)置示意圖

圖2 試驗(yàn)現(xiàn)場(chǎng)圖

1.2 故障設(shè)計(jì)

(1)螺絲松動(dòng)。螺絲松動(dòng)是誘發(fā)GIL設(shè)備機(jī)械故障最普遍的原因，試驗(yàn)過(guò)程中通過(guò)將盆式絕緣子固定螺絲松旋40%來(lái)模擬故障。

(2)外力沖擊。由于GIL腔體在運(yùn)行時(shí)安裝支架松動(dòng)、以及其他腔體故障等原因會(huì)產(chǎn)生外力沖擊進(jìn)而引發(fā)振動(dòng)，試驗(yàn)采用LC-01A型彈簧沖擊錘模擬外力沖擊故障。

(3)導(dǎo)電桿嵌入未完全。在國(guó)內(nèi)外對(duì)于GIL機(jī)械振動(dòng)故障的研究之中對(duì)GIL導(dǎo)電桿嵌入未完全所引發(fā)的機(jī)械故障研究較少。而在實(shí)際工程中，由于安裝工藝以及導(dǎo)電桿的電-熱伸縮效應(yīng)，在GIL設(shè)備的端部會(huì)出現(xiàn)導(dǎo)電桿嵌入未完全的情況，這也是引起GIL設(shè)備出現(xiàn)機(jī)械故障的主要原因，如不及時(shí)進(jìn)行診斷與處理，在長(zhǎng)期的振動(dòng)下還會(huì)導(dǎo)致絕緣子的裂解。為模擬此故障，將端部導(dǎo)電桿向遠(yuǎn)離盆式絕緣子方向抽離3 cm，形成導(dǎo)電桿嵌入欠完全的情況。

1.3 試驗(yàn)方法

(1)在每個(gè)測(cè)量點(diǎn)測(cè)量正常運(yùn)行狀態(tài)下GIL設(shè)備運(yùn)行的振動(dòng)信號(hào)，作為對(duì)比樣本。

(2)依次設(shè)置3種典型故障，并測(cè)取3種故障狀態(tài)下的GIL設(shè)備異常振動(dòng)信號(hào)。

(3)將正常振動(dòng)信號(hào)與故障振動(dòng)信號(hào)進(jìn)行對(duì)比，并對(duì)故障振動(dòng)信號(hào)進(jìn)行特征提取與分析，實(shí)現(xiàn)GIL設(shè)備機(jī)械故障模式識(shí)別與診斷。

為避免試驗(yàn)的偶然性，試驗(yàn)時(shí)間統(tǒng)一測(cè)取8 s，每種故障類型測(cè)試12組，單組試驗(yàn)重復(fù)5次。

2 基于CEEMD與模糊熵的信號(hào)特征提取

2.1 CEEMD信號(hào)分析法

EMD方法實(shí)際上是通過(guò)選取原始信號(hào)的極大值和極小值點(diǎn)進(jìn)行3次插值求出上下包絡(luò)線，并通過(guò)求平均的方法得到模態(tài)函數(shù)與余量，但其本身存在端點(diǎn)效應(yīng)與模式混疊的問(wèn)題。文獻(xiàn)[15]提出了一種EEMD分解方法，即在原始信號(hào)中加入白噪聲信號(hào)，解除端點(diǎn)效應(yīng)與模式混疊。EEMD算法在對(duì)IMF信號(hào)逐次平均的過(guò)程中可以減小白噪聲信號(hào)，但卻不能消除白噪聲對(duì)原始信號(hào)的影響，在某些情況下，剩余的白噪聲信號(hào)還可能產(chǎn)生偽分量影響分解效果。針對(duì)EMD方法與EEMD方法的不足，文中提出了一種以EMD原理為基礎(chǔ)，以白噪聲信號(hào)數(shù)據(jù)分析方法為輔助的CEEMD方法，該方法在原始信號(hào)中加入符號(hào)相反的白噪聲組，平衡EEMD方法中造成白噪聲信號(hào)殘余的問(wèn)題，過(guò)程如下：

步驟(1)對(duì)于原始信號(hào)尋求極大值與極小值點(diǎn),擬合出包絡(luò)線，并求出上下包絡(luò)線的均值n(t)。

步驟(2)向原始信號(hào)中加入一定對(duì)數(shù)的白噪聲輔助信號(hào)組s(t)，得到重組信號(hào)：

(1)

步驟(3)利用重組信號(hào)減去n(t)，得到初始模態(tài)分量IMF1，令I(lǐng)MF1=n(t)，重復(fù)步驟(3)。

步驟(4)直到原始函數(shù)不能繼續(xù)分解，最終得到m階模態(tài)函數(shù)IMF和一個(gè)殘差，即：

(2)

2.2 模糊熵

熵常用來(lái)描述一個(gè)數(shù)據(jù)集的復(fù)雜程度，作為一種特征數(shù)據(jù)提取的非線性分析方法，模糊熵這一概念由De Luca等[16]提出，其核心思想是通過(guò)模糊熵值的大小來(lái)反映數(shù)據(jù)序列集的混亂程度。由于GIL振動(dòng)信號(hào)的非平穩(wěn)、非線性的特性，并考慮相鄰尺度因子個(gè)元素關(guān)系，文中利用模糊熵對(duì)其進(jìn)行分析與特征值提取，過(guò)程如下：

步驟(1)定義時(shí)間序列[Xi](i=1,2,…,n)維數(shù)(窗)為l(l≤n-2)，將時(shí)間序列劃分為k=n-l+1個(gè)序列，得到相空間：

Xl(i)=[x(i),x(i+1),…,x(i+l-1)]-x0(i)

(3)

(4)

步驟(3)引入隸屬度函數(shù)，令相似容忍限度為r：

(5)

步驟(4)對(duì)所有隸屬度求平均：

(6)

步驟(5)定義函數(shù)：

(7)

步驟(6)擴(kuò)展窗l(fā)至l+1，重復(fù)步驟(2)至步驟(4)，得到對(duì)于有限數(shù)據(jù)集的模糊熵為

FuzzyEn(l,r,n)=lnCm(r)-lnCm+1(r)

(8)

2.3 振動(dòng)信號(hào)的時(shí)頻特征提取

通過(guò)模擬試驗(yàn)測(cè)取的正常運(yùn)行和3種GIL機(jī)械故障時(shí)域圖譜如圖3所示，橫坐標(biāo)為試驗(yàn)時(shí)間，縱坐標(biāo)為振動(dòng)加速度。

圖3 不同工況下GIL時(shí)域信號(hào)圖譜

由圖3可以看出，發(fā)生機(jī)械故障時(shí)的時(shí)域圖與GIL正常運(yùn)行時(shí)的時(shí)域圖存在明顯區(qū)別，證明通過(guò)振動(dòng)特征對(duì)機(jī)械故障進(jìn)行判斷具有可行性，但3種故障模式難以通過(guò)時(shí)域信號(hào)進(jìn)行判別，需進(jìn)行信號(hào)的處理與進(jìn)一步分析。由文獻(xiàn)[17]可知，故障信息多集中于振動(dòng)能量分布集中的位置，故利用CEEMD分解法，以導(dǎo)電桿嵌入未完全故障為例在3.3～5.1 s范圍內(nèi)進(jìn)行信號(hào)分解，引入原信號(hào)0.15倍標(biāo)準(zhǔn)差正負(fù)白噪聲信號(hào)20組，集總平均200次，并與EEMD分解方法進(jìn)行對(duì)比，結(jié)果如圖4所示。

圖4 EEMD與CEEMD分解對(duì)比圖

由圖4可以看出利用EEMD法分解得到的模態(tài)分量雖然可以體現(xiàn)部分原始信號(hào)的特征，但引入的白噪聲信號(hào)不能很好地消除，導(dǎo)致在IMF4～I(xiàn)MF7模態(tài)分量中出現(xiàn)了偽分量，造成了部分無(wú)序信號(hào)，此類可視為虛假模態(tài)不能用做故障分析；利用文中CEEMD方法分解得到的信號(hào)，比CEEMD分解方法更具有規(guī)律性和有效性，能夠反映異常振動(dòng)信號(hào)的特征，由于引入了符號(hào)相反的白噪聲信號(hào)，在分解過(guò)程中也不會(huì)出現(xiàn)偽分量的情況，證明了文中CEEMD分解方法的有效性，圖5利用Teager-Kaiser能量算子計(jì)算CEEMD分解下導(dǎo)電桿嵌入未完全故障6階模態(tài)分量能量變化率。

圖5 能量變化率圖譜

由能量變化率圖譜可以看出，隨著模態(tài)分解階數(shù)的增加，其模態(tài)分量包含的振動(dòng)能量逐漸降低，為選取特征熵值時(shí)提供參考，對(duì)于階數(shù)較大的模態(tài)函數(shù)特征熵值，需考慮其包含的振動(dòng)特征信息是否豐富再將其作為識(shí)別依據(jù)。對(duì)GIL設(shè)備振動(dòng)信號(hào)進(jìn)行模態(tài)分解后，并不能直觀得出不同故障下的特征，因此文中利用模糊熵對(duì)包含正常運(yùn)行和3種故障狀態(tài)的CEEMD模態(tài)函數(shù)進(jìn)行計(jì)算，分別得出含剩余分量在內(nèi)的7階模態(tài)函數(shù)的模糊熵值，如圖6所示。

圖6 不同狀態(tài)下7階IMF模糊熵值

進(jìn)行模態(tài)分解之后，信號(hào)的無(wú)序程度依次降低，模糊熵值呈下降趨勢(shì)。由于不同運(yùn)行狀態(tài)的模態(tài)函數(shù)無(wú)序度不相同，故模糊熵值也存在差異。在圖6所示的7階模態(tài)函數(shù)模糊熵值中，2、5、6、7階4種模態(tài)函數(shù)的模糊熵值較為接近，且5、6、7階均為階數(shù)較大的模態(tài)函數(shù)，不適合設(shè)為特征量進(jìn)行聚類分析，文中選擇差異較為明顯，且階數(shù)靠前的1、3、4階模態(tài)函數(shù)模糊熵值作為不同運(yùn)行狀態(tài)下的特征值，進(jìn)行故障模式識(shí)別與分類診斷。

3 基于WOA-ELM的GIL機(jī)械故障診斷

3.1 極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)(ELM)作為一種改進(jìn)的單隱含層前饋神經(jīng)網(wǎng)絡(luò)算法[18-19]，優(yōu)勢(shì)在于其中唯一需要設(shè)定的只有隱藏層節(jié)點(diǎn)個(gè)數(shù)，在運(yùn)行過(guò)程中網(wǎng)絡(luò)的輸入權(quán)值以及隱元偏置無(wú)需人為調(diào)整，并且產(chǎn)生的最優(yōu)解有且僅有一個(gè)。因而比BP神經(jīng)網(wǎng)絡(luò)必須反向處理權(quán)值和閾值，ELM的訓(xùn)練參數(shù)更少、學(xué)習(xí)速度更快、泛化性能更好，其結(jié)構(gòu)圖如7所示。

圖7 ELM結(jié)構(gòu)圖

ELM的反向傳播過(guò)程如下：

T=Hβ

(9)

式中:H是隱藏層輸出矩陣,

在算法初始化過(guò)程中隨機(jī)給定輸入權(quán)值與偏置，矩陣H即為確定矩陣。訓(xùn)練過(guò)程就是利用目標(biāo)函數(shù)，不斷迭代求解非線性最小二乘解的過(guò)程，最終結(jié)果即為ELM的最優(yōu)權(quán)值。

3.2 鯨魚優(yōu)化算法

鯨魚優(yōu)化算法(WOA)是一種啟發(fā)式優(yōu)化算法[20]，WOA采用隨機(jī)或最佳搜索代理來(lái)模擬搜捕獵物(最優(yōu)解)行為，并使用螺旋模擬座頭鯨的泡泡網(wǎng)攻擊機(jī)制，與其他群優(yōu)化算法相比，WOA具有操作簡(jiǎn)便、參數(shù)調(diào)整少、優(yōu)化速度快等優(yōu)點(diǎn)。WOA優(yōu)化行為可以表述如下：

(1)搜尋獵物。因?yàn)閮?yōu)化算法在搜索范圍的位置是未知的，所以WOA假設(shè)當(dāng)前候選位置是目標(biāo)獵物(最優(yōu)解)，在定義了當(dāng)前搜索個(gè)體之后，接下來(lái)的搜索行為已該獵物為基準(zhǔn)調(diào)整搜索位置。

D=|CXBest(n)-X(n)|

(10)

X(n+1)=XBest(n)-AD

(11)

式中：n為當(dāng)前迭代值;A與C為系數(shù)向量;XBest(n)和X(n)分別是最優(yōu)解位置和當(dāng)前解的位置。

(2)氣泡網(wǎng)攻擊方式。此階段為利用階段，包含包圍行為和螺旋更新行為。

收縮包圍機(jī)制。當(dāng)?shù)螖?shù)不斷增加時(shí)，A的波動(dòng)范圍不斷降低，A∈[-a,a]，當(dāng)a→0時(shí)，A∈[-1,1]，即新的代理位置處于原位置與最優(yōu)位置之間，經(jīng)過(guò)不斷迭代達(dá)到縮小獵物范圍的目的:

(12)

(13)

式中：Nmax為最大迭代次數(shù)。

螺旋更新位置。設(shè)鯨魚位置為(X,Y)，獵物位置為(X′,Y′)，在兩者之間建立螺旋等式，模擬鯨魚的螺旋狀移動(dòng)：

X(N+1)=

(14)

式中：D′表示鯨魚與獵物之間的距離；b為定義對(duì)數(shù)螺線形狀的常數(shù)，l∈[-1,1]，p∈[0,1]。

3.3 WOA-ELM模型

為了降低ELM權(quán)值與閾值等參數(shù)選取的隨機(jī)性，文中利用WOA進(jìn)行優(yōu)化，適應(yīng)度函數(shù)如下：

(15)

WOA-ELM模型優(yōu)化流程如下所示：

(1)設(shè)置WOA-ELM模型參數(shù),初始化ELM可調(diào)參數(shù)，并設(shè)置為WOA初始位置向量，設(shè)置種群規(guī)模30，迭代100，利用式(15)計(jì)算模型預(yù)測(cè)與實(shí)際之間的均方根誤差。

(2)設(shè)置初始參數(shù)后，計(jì)算適應(yīng)度值并作為WOA第1次循環(huán)最佳結(jié)果，大于最小適應(yīng)度值則進(jìn)行下一次循環(huán)，記錄每次循環(huán)中的最優(yōu)適應(yīng)度位置，在每次循環(huán)中將此位置作為最優(yōu)個(gè)體位置。

(3)利用式(14)更新鯨魚與獵物之間的位置和個(gè)體位置，并重新進(jìn)入下一次迭代。

(4)保留鯨魚的最優(yōu)位置，在滿足最大位置與誤差精度要求后終止循環(huán)，將最優(yōu)參數(shù)賦值ELM。

整體故障診斷與預(yù)警流程如圖8所示。

圖8 故障診斷流程圖

3.4 診斷結(jié)果分析

文中采集正常運(yùn)行狀態(tài)與3種不同機(jī)械故障下GIL的振動(dòng)信號(hào)各60組，共240組數(shù)據(jù)，將所有數(shù)據(jù)利用CEEMD方法分解并計(jì)算模糊熵值，將240組數(shù)據(jù)得到的1、3、4階模態(tài)的模糊熵值按訓(xùn)練與檢驗(yàn)比4…1的比例作為特征輸入WOA-ELM模型進(jìn)行故障診斷與預(yù)警分析，結(jié)果如圖9所示。

圖9 診斷結(jié)果聚類

由圖9可以看出，在經(jīng)過(guò)CEEMD分解與模糊熵值計(jì)算之后，GIL 4種運(yùn)行模式下的特征值在WOA-ELM模型中得到了較好的分類效果，各特征向量之間聚集性較強(qiáng)，只有少量特征數(shù)據(jù)出現(xiàn)偏移聚類中心的現(xiàn)象，但各聚類簇之間未出現(xiàn)交叉混疊現(xiàn)象，說(shuō)明CEEMD與模糊熵結(jié)合能夠準(zhǔn)確地計(jì)算不同故障信號(hào)的特征值，且此特征值可以作為GIL設(shè)備機(jī)械故障模式識(shí)別的依據(jù)；利用WOA-ELM模型可以很好地反映GIL機(jī)械故障的狀態(tài)，并對(duì)狀態(tài)進(jìn)行分類診斷，參數(shù)尋優(yōu)適應(yīng)度曲線如圖10所示。

3.5 實(shí)際應(yīng)用預(yù)警分析

分別測(cè)取南京220 kV變電站GIL設(shè)備4種工況下的現(xiàn)場(chǎng)數(shù)據(jù)，計(jì)算得到的故障監(jiān)測(cè)指標(biāo)和自適應(yīng)閾值如圖11所示。

圖11 故障監(jiān)測(cè)指標(biāo)及自適應(yīng)閾值

由圖11可以看出：(1)在正常工況下，GIL設(shè)備的故障監(jiān)測(cè)指標(biāo)較小且分布均在自適應(yīng)閾值之下，未出現(xiàn)故障誤預(yù)警的情況；(2)在螺絲松動(dòng)工況下，GIL故障監(jiān)測(cè)指標(biāo)波動(dòng)明顯，這是由于在螺絲松動(dòng)故障狀態(tài)下GIL設(shè)備的振動(dòng)具有一定的規(guī)律性，在振幅較大處，故障監(jiān)測(cè)指標(biāo)已越過(guò)自適應(yīng)閾值，模型提出預(yù)警信息；(3)在外力沖擊工況下，故障監(jiān)測(cè)指標(biāo)出現(xiàn)了高峰值，此后伴隨余振出現(xiàn)幾處指標(biāo)次峰值，在故障監(jiān)測(cè)指標(biāo)高峰值突破自適應(yīng)閾值后，模型進(jìn)行反向?qū)?yōu)下調(diào)自適應(yīng)閾值，對(duì)外力沖擊后的余振監(jiān)測(cè)指標(biāo)也起到了預(yù)警效果；(4)在導(dǎo)電桿嵌入未完全工況下，伴隨GIL固有機(jī)械振動(dòng)，其故障監(jiān)測(cè)指標(biāo)逐漸增大，突破自適應(yīng)閾值，模型亦提出故障預(yù)警。結(jié)合實(shí)際應(yīng)用與以上分析，WOA-ELM可以有效實(shí)現(xiàn)GIL設(shè)備的故障診斷與預(yù)警。

4 結(jié) 語(yǔ)

文中建立試驗(yàn)平臺(tái)對(duì)3種典型GIL機(jī)械故障進(jìn)行模擬，并利用CEEMD模糊熵對(duì)故障振動(dòng)信號(hào)進(jìn)行分解與特征提取，結(jié)合WOA-ELM模型對(duì)GIL機(jī)械故障進(jìn)行分類診斷與預(yù)警，最后通過(guò)GIL實(shí)際運(yùn)行數(shù)據(jù)驗(yàn)證了文中方法，得到以下結(jié)論：

(1)利用CEEMD方法可以實(shí)現(xiàn)對(duì)振動(dòng)信號(hào)的有效分解，避免了EMD和EEMD方法造成的端點(diǎn)效應(yīng)與模態(tài)混疊等弊端。

(2)利用信號(hào)模態(tài)模糊熵值作為特征值代入WOA-ELM模型可以有效對(duì)故障類型進(jìn)行診斷。

(3)通過(guò)實(shí)測(cè)證明WOA-ELM方法可以有效實(shí)現(xiàn)GIL設(shè)備機(jī)械故障預(yù)警，為GIL機(jī)械故障診斷與預(yù)警提供了新方法。