基于GMM工况辨识和DAE的风机齿轮箱状态监测

针对大型风电机组运行工况多变、数据量大的特点,提出一种将高斯混合模型(GMM)与深度自编码网络(DAE)相结合的风电机组齿轮箱状态监测方法。首先,基于GMM对风电机组运行工况进行辨识;然后,在各个子工况空间下,基于DAE建立正常运行状态下的齿轮箱油池温度模型,得到多工况阈值;最后,对DAE模型的重构误差进行分析,结合多工况阈值构建健康指数,实现风电机组齿轮箱的状态监测。以某台2 MW风电机组为实例进行验证,结果表明,该方法能够提前7天预警齿轮箱油池温度过高的故障;相对于基于DAE状态监测方法,在不影响在线监测时效性的情况下,该文所提方法能够提前约8 h预警潜在故障。     

基于油液在线监测的齿轮箱磨损趋势分析与研究

齿轮箱润滑油液中的磨粒携带了大量磨损状态的信息,通过在线监测传感器能监测出油液中磨粒的相关参数(尺寸、数量、生成率等),可判断或推测出齿轮箱的磨损状态。然而,目前在线监测的磨粒相关特征参数与齿轮箱磨损状态的准确对应关系还未得到深入研究。本研究首先采用离线检测的方法验证了在线监测传感器的可靠性,然后通过自主研制的试验台进行了齿轮箱全寿命加速试验,根据不同尺寸磨粒数量、磨粒生成率等的变化趋势对齿轮箱磨损程度做出了预判;最后采用铁谱分析法进一步验证了在线监测齿轮箱故障的准确性。结果表明:基于油液在线监测的磨粒信息(尺寸、数量、生成率)能很好地对齿轮箱磨损状态进行判定和预测。     

齿轮箱状态识别与剩余寿命预测的MoG-BBN法

基于混合高斯输出贝叶斯信念网络模型的齿轮箱退化状态识别与剩余寿命预测新方法,应用聚类评价指标对全寿命过程退化状态数进行优化,通过计算待识别故障特征向量的概率值来确定齿轮箱退化状态,在退化状态识别的基础上,提出了剩余寿命计算方法。再利用齿轮箱全寿命实验数据对此进行验证。结果表明,该方法可以有效地识别齿轮箱故障状态并实现剩余寿命预测,平均预测正确率为96.47 %,为齿轮箱的健康管理提供参考。     

基于相关主成分分析和极限学习机的风电机组主轴承状态监测研究

提出了一种基于相关系数法和主成分分析法以及极限学习机相结合的主轴承状态监测方法。该方法利用相关系数法选取数据采集与监视控制系统中与主轴承温度相关的变量作为初始输入变量;再用主成分分析法对所选变量进行降维处理,以消除变量之间的相关性和冗余性;进一步利用极限学习机建立主轴承正常运行时的温度模型并用其进行温度预测;最后利用滑动窗和核密度估计方法对残差进行分析,并基于实测的数据进行主轴承故障模拟。结果表明,该方法可有效地实现主轴承潜在故障的预测。     

BP神经网络在齿轮箱故障诊断中的应用

针对齿轮箱进行神经网络故障诊断研究。齿轮传动是机械传动中最重要的传动之一,它的损伤和失效常常导致机械设备的故障,从而导致重大安全事故。因此,齿轮箱装置的状态监测与故障诊断受到越来越多的关注和研究。本文简要介绍齿轮振动机理和BP神经网络的原理与结构,并将神经网络应用于齿轮箱故障检测和诊断。利用matlab语言建立神经网络模型,通过对振动信号提取的特征向量对已建立的神经网络模型进行训练。利用训练好的BP神经网络模型对齿轮箱进行故障检测,取得了较好的效果。     

基于神经网络的故障检测方法研究

研究了神经网络在状态监测技术中的应用,通过对神经网络故障诊断技术和系统辨识技术的分析,在非线性系统辨识技术基础上,提出了一种基于神经网络非线性辨识技术的故障检测方法.给出了神经网络的有效训练算法,利用神经网络辨识系统模型,作为残差产生器,实时计算残差并进行逻辑判断,从而监测系统的工作行为是否异常.仿真结果表明这种故障检测方法是有效的,实时性强,鲁棒性好.并且神经网络的训练不需要故障模式数据,适用性好.     

基于改进KNN回归算法的风电机组齿轮箱状态监测

针对风电机组齿轮箱的状态监测问题,提出使用改进KNN回归算法建立齿轮箱的正常行为模型。首先,对经典KNN回归算法的距离度量公式进行改进,实验证明预测精度提高约60%;其次,基于改进的离群点和相似点剪辑算法优化KNN回归算法的训练集以提升运算效率,优化后计算时间缩短约20%,预测精度基本保持不变。最后,针对某风电场一台2 MW风电机组的齿轮箱实际故障数据,应用提出的改进KNN回归算法并结合统计过程控制相关理论,实现对齿轮箱故障的预警。结果表明:较经典KNN算法,提出的改进算法故障预警能力显著增强。     

基于MoG-HMM的齿轮箱状态识别与剩余使用寿命预测研究

提出了基于混合高斯隐马尔可夫模型的齿轮箱状态识别与剩余使用寿命预测新方法。建立了基于聚类评价指标的状态数优化方法,通过计算待识别特征向量的概率值来识别齿轮箱当前状态。在状态识别的基础上,提出了剩余使用寿命计算方法。最后,利用齿轮箱全寿命实验数据进行验证,结果表明,该方法可以有效的识别齿轮箱状态并实现了剩余使用寿命预测,平均预测正确率为90.94%,为齿轮箱的健康管理提供了科学依据。     

加筋复合材料结构分层损伤的贝叶斯诊断及预测

针对复合材料结构疲劳损伤的在线监测和预测问题,提出了一种基于结构健康监测 (Structural health monitoring, SHM) 和贝叶斯理论的结构分层损伤诊断及结构剩余使用寿命预测方法。在贝叶斯概率理论框架下,采用指数模型描述复合材料结构疲劳分层损伤面积的先验演化规律,融合在线SHM数据对结构分层损伤状态,以及损伤面积演化模型的参数进行联合后验估计,即为损伤诊断结果。进一步通过后验估计得到的损伤状态和模型参数预测未来时刻结构分层损伤面积的演化,从而得到当前复合材料结构的剩余使用寿命预测结果。通过有限元仿真的加筋复合材料结构疲劳分层扩展对所提出的方法进行了验证。结果表明,方法可以在线准确地诊断结构分层损伤状态以及预测结构的剩余使用寿命。      

基于ARM的风电齿轮箱振动监测系统设计

提出一种基于ARM的风电机组齿轮箱振动监测系统,采用ARM微控制器为核心器件,通过对外围设备的控制,完成模拟信号的AD采样、数据传输、数据显示以及数据存储管理等功能,能够实现对风电机组齿轮箱系统进行状态预测,提前预知齿轮箱设备故障,减少故障停机所造成的经济损失。     

基于MOMEDA和增强倒频谱的风电机组齿轮箱多故障诊断方法

风电机组齿轮箱结构复杂,当齿轮、轴承存在多故障时,由于各故障强弱不同、故障间相互耦合及噪声干扰,造成故障诊断准确率低及漏诊问题。提出了一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和增强倒频谱的风电机组齿轮箱多故障诊断方法。依据齿轮和轴承不同部位的故障特征频率设置合理的解卷积周期,利用MOMEDA对原始信号进行预处理;再通过增强倒频谱进一步抑制噪声干扰和增强故障特征;将增强倒频谱中的突出成分与齿轮箱故障特征频率对比,判断故障类型。实际风电机组齿轮箱多故障振动试验数据分析结果表明,该方法可以有效地提取出齿轮箱多故障特征信息。     

Early stage white etching crack identification using artificial neural networks

White Etching Cracks (WEC) in gearbox bearings is a major concern in the wind turbine industry, which can lead to a premature failure of the gearbox. Though many hypotheses regarding the generation of WEC have been proposed over the decades, the answer is still disputable. To trace back the failures to earlier stages before they occur, an innovative sensor-set has been utilized on a test rig to monitor the influencing factors that lead to WEC. This paperwork seeks to recognize abnormal patterns from recorded sensor data and derive statements of sensible sensor combinations in WEC early detection. A Long Short Term Memory (LSTM) network-based autoencoder is proposed for the anomaly detection (AD) task. Employing an auto-associative sequence-to-sequence predictor, a model is trained to reconstruct the normal time series data without WEC. The reconstruction error of testing time series data is evaluated for the determination of its anomaly. The results show that the specified LSTM autoencoder framework can qualitatively distinguish anomalies from collected multivariate time series data. Moreover, the anomaly score evaluated via reconstruction-error-based metrics can discriminate normal and abnormal behaviors in the study. This investigation’s results entail a significant step towards early WEC risk detection and more cost-efficient wind turbine technology if this approach can be further applied on stream data with plausible thresholds in monitoring system.

     

基于多元角域指标离群检测的风电齿轮箱故障预警方法

针对风速和载荷随机波动造成的早期故障特征难以提取和量化的特点,提出基于多元角域指标离群检测的风电齿轮箱故障预警方法。首先利用阶比重采样技术将非平稳的时域振动信号转化为具有平稳或准平稳特性的角域信号,提取角域无量纲指标反映风电齿轮箱早期故障趋势;其次利用多元相关度测量建立风电齿轮箱早期故障识别模型;最后采用多元离群检测方法实现风电齿轮箱早期故障预警。实验表明,该方法能够实现较为准确地的风电齿轮箱早期故障预警,具有较好的工程实际意义。     

A prognostic method for fault detection in wind turbine drivetrains

In this paper, a prognostic method is presented for fault detection in gears and bearings in wind turbine drivetrains. This method is based on angular velocity measurements from the gearbox input shaft and the output to the generator, using two additional angular velocity sensors on the intermediate shafts inside the gearbox. An angular velocity error function is defined and compared in the faulty and fault-free conditions in frequency domain. Faults can be detected from the change in the energy level of the frequency spectrum of an error function. The method is demonstrated by detecting bearing faults in three locations: the high-speed shaft stage, the planetary stage and the intermediate-speed shaft stage. Simulations of the faulty and fault-free cases are performed on a gearbox model implemented in multibody dynamic simulation software. The global loads on the gearbox are obtained from a dynamometer test bench and applied to the numerical gearbox model. The method is exemplified using a 750 kW wind turbine gearbox. The case study results show that defects in the high- and intermediate-speed bearings can be detected using this method. It is shown that this procedure is relatively simple, yet accurate enough for early fault detection in wind turbine gearboxes.     

随机共振技术在齿轮箱故障检测中的应用

讨论了利用SR原理从强背景噪声中提取微弱周期特征信号的方法，给出了SR模型数值求解的新算法。在对齿轮箱故障进行数值仿真的基础上，将此方法用于某型直升机中间减速器齿轮点蚀故障的微弱特征信号提取，结果表明，该方法能有效提取出齿轮发生早期点蚀故障时的微弱特征信号，为直升机减速器齿轮箱的状态监测与早期故障检测提供了一条新途径。     

基于分形维数和GA-SVM的风电机组齿轮箱轴承故障诊断

对风机齿轮箱轴承故障诊断进行了研究,提出一种基于分形维数和遗传算法支持向量机(GA-SVM)相结合的故障诊断算法。基于常用的时域特征参数作为支持向量机的识别参数,引入分形维数特征参数来提升支持向量机的识别精度。提出了基于遗传算法(GA)的支持向量机参数优化的模型,通过GA的寻优自动获得最优的支持向量机参数。采用某风场的风电机组齿轮箱轴承数据进行故障诊断,实验表明,所提出的GA-SVM模型很好地解决了参数选择的问题,同时基于分形维数的特征参数也提高了风电机组轴承故障的识别准确率。     

风电齿轮箱磨损状态静电在线监测方法研究

风电齿轮箱的结构复杂且运行环境恶劣,是风电机组中故障率最高的部件,其性能直接影响风电机组的稳定性和安全性,严重时可能会造成财产损失甚至人员伤亡。为此,基于静电监测原理,采用多个静电传感器对风电齿轮箱摩擦磨损产生的二次效应同时进行监测;基于提取到的时域特征参数和复杂度度量参数,运用移动窗局部离群因子（moving window local outlier factor,MWLOF）算法分别对负荷试验和破坏试验中风电齿轮箱磨损状态的静电监测信号的变化趋势进行分析。结果表明：在负荷试验中,静电监测方法可在部分故障发生前提前监测到风电齿轮箱早期的性能退化;在破坏试验中,静电监测方法比振动监测方法提前200~1 000个样本点监测到风电齿轮箱的故障。研究表明,静电监测方法作为一种新型的状态监测技术,能够有效提高对风电齿轮箱磨损状态的监测能力,可对其早期故障的产生作出较准确的预警,这可为大型设备关键部件的状态监测提供参考。     

基于多种小波变换的一维卷积循环神经网络的风电机组轴承故障诊断

为解决在复杂工况下风力发电机组轴承故障诊断虚警率高的问题,提出一种端到端的混合深度学习框架--基于多种小波变换的一维卷积循环神经网络。首先,通过多种小波变换得到多个时-频矩阵,以充分提取信号特征;再通过一种扩展的LSTM,对多通道时-频矩阵不同时间步信息进行提取,捕获时-频数据时空特征;最后,通过全局池化层和分类层对故障状态进行分类。实验结果表明:在复杂工况下,多种小波变换的一维卷积循环神经网络对风力发电机组轴承故障识别率能够达到95%以上。