基于状态切分与时间卷积网络的风电齿轮箱系统温度异常故障预警

由于风电齿轮箱结构复杂、运行工况多变，采用监控与数据采集系统（SCADA）数据对齿轮箱早期故障预警的精度不足。本文提出考虑风电齿轮箱润滑冷却状态及运行工况的状态切分方法，基于齿轮箱润滑冷却系统运行原理，从原始运行数据中选取相关参数，采用统计分析和聚类方法将齿轮箱系统时间序列数据进行运行策略分类切分，构建齿轮箱运行状态判断模型；提出采用时间卷积神经网络训练不同运行策略下的齿轮箱温度预测模型，并实时判断运行状态，选取对应运行策略温度预测模型，估计齿轮箱温度，通过与实际值之间的残差实现齿轮箱故障预警。实际案例表明，本文所提出的方法可以提高模型精度，能够有效预警风电齿轮箱系统的早期故障。     

基于变分模态分解的齿轮箱状态监测

针对传动系统振动信号可能存在的故障特征不明显造成的故障识别困难问题,提出了一种基于变分模态分解和奇异值分解的特征提取方法,并采用模糊C均值聚类进行状态识别与监测。首先将齿轮箱各状态数据进行变分模态分解,并将各模态奇异值作为特征值,通过模糊聚类进行状态识别,最后应用于齿轮箱状态监测。结果表明,对于人工无法识别的齿轮箱故障,该方法故障识别率在86%以上,基于该方法的状态监测可为齿轮故障预警及严重程度提供参考。     

GTM算法在齿轮箱状态监测中的应用

介绍了一种新的无监督聚类算法GTM,研究了该算法在齿轮箱状态监测中的应用。结果表明,通过对齿轮箱振动信号时域特征的聚类训练,GTM能把正常、裂纹和断齿状态特征数据映射到二维平面的不同输出区域,较好地区分开不同的状态;特征数据映像点在平面上的轨迹变化趋势正确而直观地反映了齿轮箱工作状态的变化,便于及时监测到齿轮箱故障的发生。该方法可用于机械故障识别和状态监测。     

基于核函数的SOM网络在齿轮箱状态监测中的应用

基于支持向量机用内积运算实现非线性变换的思想，提出基于核函数的自组织映射方法。该方法借助于核函数在原输入空间构造非线性映像空间的自组织竞争评价函数及权值调整方法，从而更好地解决输入向量的聚类问题。研究该方法在齿轮箱状态监测中的应用，分析表明，它可以清楚地将齿轮箱不同状态区分开，并且特征数据映象点在网络输出层的轨迹变化趋势直观反映齿轮箱工作状态的变化，便于及时监测到齿轮箱早期故障及变化趋势，与标准self-or-ganizing maps(SOM)相比，该方法性能更稳定，效果更好。     

流域梯级水电站集控中心在线自诊断系统

介绍了流域梯级水电站集控中心在线自诊断系统的结构、功能和数据治理方法。系统以生产实际需求出发，实现了状态监测、能效分析、故障诊断、运行优化、检修决策等关键功能模块，构建人机友好界面，易于使用。系统采用B/S模式架构，构建KDP平台实现与梯级电站在线监测、监控系统的数据同步及统一数据访问服务。系统对数据统一编码，建立基于冗余校验、状态关联、延时聚类的数据清洗策略，构建基于工况和事件牵引的多层次、多来源数据集成，最终实现水电多系统全景状态数据集成与治理方法。通过大数据技术、神经网络算法深入分析不同工况下水电机组部件运行数据，构建数据模型并提取特征数据作为故障判断依据，简洁易用、分析迅速，便于及时发出风险报警，实现多工况、多参数、多尺度故障在线自诊断和状态预警。该系统能有效反映机组劣化趋势，为水电企业状态检修决策、生产运行管理提供数据支持。     

基于时间序列统计语言分析的齿轮箱状态监测

齿轮箱故障信号通常具有非平稳和非线性特性,基于平稳线性理论的时域统计参数方法难以有效地监测齿轮箱的运行状态。为了解决这个问题,采用时间序列统计语言分析方法来处理齿轮箱振动信号,提出了基于时间序列统计语言分析的齿轮箱状态监测方法。该方法首先将原始序列映射为一个单词频次序列,接着利用单词频次序列之间的相关系数来检测齿轮箱运行状态的变化。利用一组包含不同齿轮箱状态的振动数据对该方法的性能进行了验证,结果表明,提出的方法不但能够有效地区分不同的齿轮箱状态,而且能够准确反映齿轮箱运行状态的自然演化过程,与传统的时域统计参数方法相比具有明显的优势。     

基于自适应模糊神经网络推理系统的齿轮箱故障诊断方法

研究利用从机械控制过程中获得的运行参数开发一种齿轮箱监测方法,而非振动与声音的传统测量方法。为了检测齿轮箱状态,采用一种自适应模糊神经推理系统来获取电机电流和控制参数之间的非线性相关性。比较自适应模糊神经推理系统模型产生的预测值和实测值来预测齿轮箱异常状态。试验结果表明,自适应模糊神经推理系统模型能够作为齿轮箱状态监测与故障检测的一种有效工具。     

改进灰狼优化模糊核聚类在风电齿轮箱故障诊断中的应用

为准确地辨识已知、未知故障类别,提出一种基于模糊核聚类模型的风电齿轮箱故障诊断新方法。首先,将模型初始聚类中心和核参数作为优化变量,采用改进型灰狼优化算法寻优求解。改进型灰狼优化算法中引入莱维飞行策略和非线性收敛向量,能够提高算法的收敛速度与精度,从而获得最佳分类结果下的各聚类中心和核参数;然后,根据待测样本与各聚类中心之间的核空间样本相似度,先判断样本是否属于已知故障,再诊断故障类别;最后,通过模拟风电齿轮箱的故障实验验证了该方法的有效性。     

基于近似熵的齿轮箱状态监测与故障诊断

针对齿轮箱故障诊断缺乏有效的快速算法的问题,提出了基于近似熵(Approximate Entropy,ApEn)参数的齿轮箱故障诊断方法。首先介绍了近似熵的概念和计算方法,然后利用近似熵对轻度磨损、中度磨损和断齿故障状态下的齿轮箱进行故障诊断。结果表明,近似熵参数不但能有效地对齿轮箱的故障状态进行区分,而且可以清楚地刻画齿轮箱故障状态的演变过程,因而适于作为齿轮箱故障诊断的特征参数。为齿轮箱的状态监测与故障诊断提供了一种新的方法。     

基于K-means和高斯混合模型聚类的齿轮箱故障识别研究

针对传统的基于振动信号的机械故障诊断技术过于复杂、诊断时间过长等问题,提出了结合K-means和高斯混合模型聚类方法的齿轮箱轴承和齿轮故障快速识别方法。首先,通过经验模态分解方法分解振动信号,利用相关分析选取了对振动信号局部特征表达最佳的IMF分量,IMF分量的均方根值和原始振动信号的均方根值,共同构成了振动信号特征集;然后,利用K-means算法确定了振动信号特征集的可分类别数;最后,基于振动信号特征集及其可分类别数,利用高斯混合模型聚类构造了齿轮箱运行状态的多维高斯分布函数,建立了齿轮箱在各运行状态下的从属概率模型,并根据从属概率大小,实现了齿轮箱故障的快速识别。实验和研究结果表明:针对实验环境下齿轮箱轴承和齿轮典型故障识别,基于K-means和高斯混合模型聚类的齿轮箱故障识别方法平均识别准确率为94.3%,高于基于模糊c均值聚类方法的故障识别平均准确率(84.5%)。     

基于深度残差收缩网络的风力发电机齿轮箱故障诊断

提出了一种基于深度残差收缩网络的风力发电机齿轮箱故障诊断方法。首先，通过齿轮箱动力学模拟实验平台采集9种工况下的8种故障的振动信号；其次，对所采集的信号进行数据预处理，将其输入至深度残差收缩网络中训练；最后，利用反向传播算法不断优化网络参数，实现变工况下风力发电机齿轮箱故障的识别与分类。实验结果表明，所提方法在变工况场景下，可有效提取齿轮箱的故障特征并具有较高的识别准确率，证明了其在风力发电机齿轮箱故障诊断方面的可行性及有效性。     

基于协整分析的风电机组状态监测方法

针对风力发电机组SCADA系统受到环境及运行等因素影响[1],常常发生故障漏报和误报等问题,提出一种基于协整计算的风力发电机SCADA非平稳数据分析方法。风力发电机SCADA数据经协整计算可以获得附带风力发电机状态信息的残差,通过分析该协整残差可实现风力发电机的状态监测。取内蒙古包头市固阳县某风场1.5 MW双馈风电机组所采集的SCADA数据为研究对象,利用部分非平稳数据建立协整模型,并用一组正常运行数据以及一组已知齿轮箱故障数据对模型进行验证,结果表明,所提方法可有效抑制SCADA数据中由环境和运行引起的响应,准确识别风力发电机的运行状态,简单有效的实现风力发电机的状态监测.     

基于孤立森林算法的风电齿轮箱轴承故障检测方法

为精准检测齿轮箱轴承故障,实时进行有效监测以保证风电齿轮箱健康运行,提出一种基于孤立森林算法的风电齿轮箱轴承故障检测方法.首先,以齿轮箱轴承温度为故障检测模型的输出变量,采用多尺度图相关算法选择输入变量;然后,提取输入变量的均方根和包络线进行自组织映射神经网络特征融合;最后,以融合值为模型输入量,使用孤立森林算法进行异...     

风电机组齿轮箱早期故障预警方法研究

为实现风力发电机组等变工况机电设备的早期故障预警,研发了变工况齿轮箱状态监测系统。在基于该系统的多种变工况行星齿轮磨损实验研究基础上,提出了一种基于流形学习的早期故障预警方法。该方法首先研究采用完全总体经验模态分解与改进快速独立成分分析盲源分离技术,有利于对复杂振动信号的滤波与盲源分离;然后研究改进了局部线性嵌入流形学习方法,基于时域、频域信息融合提取了早期故障敏感特征;最后应用k-近邻分类器实现变工况齿轮箱早期故障预警。实验研究表明,该方法提高了早期故障预警准确率,能够应用于风电机组等变工况机电设备的安全保障及科学维护,具有广泛工程实用前景。     

小样本下混合自注意力原型网络的风电齿轮箱故障诊断方法

针对部分风场因有标签故障样本数据稀少而导致风电齿轮箱故障诊断准确率不高的问题,提出了一种小样本下混合自注意力原型网络的故障诊断方法。首先,通过原型网络将振动信号映射到故障特征度量空间;然后采用位置自注意力机制和通道自注意力机制进行矩阵融合构建混合自注意力模块,建立原始振动信号的全局依赖关系,获取更具判别性的特征信息,学习风电齿轮箱各健康状态下的度量原型;最后通过度量分类器进行模式识别,实现小样本条件下风电齿轮箱的故障诊断。实验结果表明,所提出的混合自注意力原型网络故障诊断方法在不同小样本数据集上均能实现风电齿轮箱高精度故障诊断。     

A combined mono- and multi-turbine approach for fault indicator synthesis and wind turbine monitoring using SCADA data

The monitoring of wind turbines using SCADA data has received lately a growing interest from the fault diagnosis community because of the very low cost of these data, which are available in number without the need for any additional sensor. Yet, these data are highly variable due to the turbine constantly changing its operating conditions and to the rapid fluctuations of the environmental conditions (wind speed and direction, air density, turbulence, …). This makes the occurrence of a fault difficult to detect. To address this problem, we propose a multi-level (turbine and farm level) strategy combining a mono- and a multi-turbine approach to create fault indicators insensitive to both operating and environmental conditions. At the turbine level, mono-turbine residuals (i.e. a difference between an actual monitored value and the predicted one) obtained with a normal behavior model expressing the causal relations between variables from the same single turbine and learnt during a normal condition period are calculated for each turbine, so as to get rid of the influence of the operating conditions. At the farm level, the residuals are then compared to a wind farm reference in a multi-turbine approach to obtain fault indicators insensitive to environmental conditions. Indicators for the objective performance evaluation are also proposed to compare wind turbine fault detection methods, which aim at evaluating the cost/benefit of the methods from a production manager’s point of view. The performance of the proposed combined mono- and multi-turbine method is evaluated and compared to more classical methods proposed in the literature on a large real data set made of SCADA data recorded on a French wind farm during four years : it is shown than it can improve the fault detection performance when compared to a residual analysis limited at the turbine level only.     

基于缺失数据填补的风电齿轮箱状态监测研究

风电机组监控和数据采集系统的现场数据普遍存在缺失问题,会对下游状态监测任务产生一定负面影响。 为此,提出 一种结合注意力机制的掩膜自编码网络,用于填补面板数据样本中的缺失值,增加可用样本数量,提升状态监测结果的准确性 与连续性。 该方法以降噪自编码网络为整体框架,在编码阶段通过注意力机制对缺失值进行掩膜处理,赋予缺失值更高的权重 以强化网络对其关注程度,在解码阶段将缺失值填补后输出完备数据样本。 随后,利用长短时记忆网络提取的样本特征对目标 变量参数进行预测,依据预测残差实现状态监测。 使用某风电齿轮箱运行数据验证,结果表明:提出方法的数据填补偏差相较 对比方法至少改善 17. 2% ;与数据填补前相比,数据填补后样本数量显著增加,使状态监测网络对正常数据的预测残差平均下 降 37. 4% ,对故障数据的检测率提升 6. 8% 。     

Mechatronic modeling of a 750 kW fixed-speed wind energy conversion system using the Bond Graph Approach

In this paper, we would like to focus on modeling main parts of the wind turbines (blades, gearbox, tower, generator and pitching system) from a mechatronics viewpoint using the Bond-Graph Approach (BGA). Then, these parts are combined together in order to simulate the complete system. Moreover, the real dynamic behavior of the wind turbine is taken into account and with the new model; final load simulation is more realistic offering benefits and reliable system performance. This model can be used to develop control algorithms to reduce fatigue loads and enhance power production. Different simulations are carried-out in order to validate the proposed wind turbine model, using real data provided in the open literature (blade profile and gearbox parameters for a 750 kW wind turbine).     

基于模糊核聚类和引力搜索的风电齿轮箱故障诊断

为了诊断风电齿轮箱已知类别和未知类别的故障,提出了基于模糊核聚类和引力搜索的故障诊断方法。首先建立以训练样本分类错误率为目标的聚类模型,利用模糊核聚类对训练样本进行分类;然后利用引力搜索算法求解聚类模型,获得最优分类结果下每个类的类心;最后根据新样本与各类心之间的核空间样本相似度判断属于已知故障或者未知故障。结果表明,该方法准确度高,可有效用于风电齿轮箱故障诊断。     

基于数据分类重建的风电机组故障预警方法

为预警风电机组潜在故障、增强机组出力安全性,基于监控和数据采集(SCADA)系统,提出一种异常数据重建的风电机组故障预警方法。首先,充分利用同风场风机SCADA数据,分别重建输入类与输出类目标机组数据,克服了部分数据信息丢失、数据异常问题;其次,使用提取的代表性数据建立故障预警模型,所得预警模型更贴近机组运行动态特性;最后,采用改进的衰退指标预警潜在故障,直观展示机组阶段性衰退程度。案例研究中使用某风电场SCADA故障数据,并使用3种标准确定所提策略参数设定值,结果表明可至少提前3周预警风电机组齿轮箱潜在故障,验证了所提故障预警方法的时效性。