改进小波结合BP网络的风力发电机故障诊断

针对风力发电机早期故障时定子电流特征量难以提取的问题,提出了单子带重构改进小波变换结合BP神经网络的风力发电机故障诊断新方法。通过对风力发电机的定子电流进行单子带重构改进小波变换,消除了传统小波变换中的频率混叠现象;从小波变换后的子带信号中选取特征域、提取特征量作为BP神经网络的输入;在此基础上,结合BP神经网络的输入输出非线性映射能力,完成对故障的诊断和定位。经过仿真实验证实,该方法准确地实现了对风力发电机故障的诊断。     

基于遗传算法与BP神经网的风力发电机齿轮箱故障诊断研究

为研究风力发电机组齿轮箱故障的诊断方法,提高其工作的可靠性,将BP算法寻优具有精确性与遗传算法全局寻优的优点相结合,提出一种新的BP神经网训练算法。通过算法比较和实例分析表明,该算法在风力发电机组齿轮箱故障诊断领域具有良好的实用性。     

风力发电机齿轮箱优化逐层故障诊断方法

风力发电机齿轮箱的故障诊断在风力发电机组正常运行中起着重要作用,除了识别故障类型外,故障的严重程度对风机的维护也具有指导意义,因此,一种优化堆叠诊断结构(OSDS)被提出以识别故障类型和严重性。首先对原始振动信号进行压缩采样,然后将压缩样本分别输入第1层和第2层深度信任网络(DBN),对故障类型和严重性进行识别,同时采用混沌量子粒子群优化算法(CQPSO)对每个DBN进行优化。通过两组实验得到的结果表明,故障类型诊断准确率分别达到99.24%和97.21%,故障严重程度诊断准确率达到99.06%,同时诊断时间仅为1.493和2.176 s。     

基于GA-BP神经网络的双馈风力发电机故障诊断

双馈风力发电机在风力发电系统中得到了广泛应用,但由于其工作条件及自身结构原因,导致故障发生率较高.BP神经网络作为一种多层前馈网络,在电机故障诊断分析领域应用成熟.为避免陷入极小值问题,利用GA遗传算法对其优化,建立GA-BP神经网络模型,对双馈风力发电机定子匝间短路特征进行分析,以定子电流为故障信号,经快速傅里叶分解...     

风力发电机传动系统故障诊断的机电仿真研究

为了研究风力发电机组传动系统齿轮故障在发电机电流信号中的响应过程,扩展电流信号诊断方法的应用范围。在考虑齿轮啮合刚度变化和模拟断齿故障变化特征的基础上,建立齿轮副动力学模型;以典型的双馈风力发电机为对象,建立双馈发电机及其控制系统模型。利用齿轮副和发电机的转速参数关联两个模型,构建机电联合仿真模型。在理论上研究齿轮正常或存在断齿时的电流故障特征,并与试验台模拟故障试验比较。仿真与试验结果表明,发电机定子电流可以准确反映齿轮的故障特征信息,且在离网状态下,主要会引起电流信号的频率调制特征。     

数字信号处理在风力发电机故障诊断中的应用

风力发电机工作在恶劣的自然环境下,极易出现故障,需要利用数据采集及监控系统对其运行状态进行实时监控,并对可能出现的故障进行诊断.介绍了风力发电机常见故障及常用的诊断方法.数字信号处理技术在其故障诊断中发挥了重要作用.     

基于神经网络的风力发电机变频器故障诊断研究

为了准确分辨风力发电机变频器故障类型,针对直驱式风力发电机变频器,给出了一种基于神经网络的风力发电机变频器故障诊断方法。分析了直驱式风力发电机变频器的结构、故障原理和故障类型,得到了一系列不同故障状态下直驱式风力发电机的输出电压波形变化情况,并对设计好的BP神经网络进行训练和测试,基于单纯神经网络训练时间长、预测结果不太理想等因素考虑,尝试采用遗传算法优化神经网络权值、阀值参数。仿真结果表明优化后的神经网络训练时间更短,且有更高的预测精度。     

航空发电机综合故障诊断技术研究

针对航空发电机的故障难以准确诊断的问题,提出了一种基于BP神经网络的航空发电机综合故障诊断方法,通过对BP神经网络数学原理及算法的深入分析与研究,构建基于BP神经网络的航空发电机故障诊断模型。结合某型航空发电机的真实试验数据,对所构建故障诊断模型的正确性进行了试验验证。在试验验证过程中,利用航空发电机真实试验数据的前60组对神经网络进行训练,后40组数据对神经网络进行测试,最终验证了所构建的故障诊断模型能够较好实现对航空发电机故障进行准确诊断的效能,且所采用的BP神经网络方法具有收敛速度快、识别能力强、精度高以及准确性高等优点。     

基于EEMD-RVM风力发电机故障诊断方法研究

针对风力发电机早期故障表征不明显、能采集有效数据量较少、诊断结果精度较低等问题,文中提出一种运用综合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)结合相关向量机的方法对风力发电机多类故障进行早期诊断。首先,利用EEMD结合灰色关联度的方法对风机各类故障的振动信号进行预处理,提取最优故障特征;再通过相关向量机(Relevance Vector Machine,RVM)对提取的故障特征训练,并建立相应的故障诊断模型进行诊断。在实例中将文中所提方法 EEMD-RVM与小波包分解(Wavelet Packet Decomposition,WPD)结合RVM以及EEMD结合最小二乘支持向量机LS-SVM(Least Square Support Vector Machine,LS-SVM)方法的诊断结果作对比,结果表明,EEMD-RVM方法具有可行性,且具有耗时短、精度高等优点。     

基于小波神经网络的风力发电机故障诊断

针对风力发电机是一个复杂的时变非线性系统难以提取有效故障特征的问题,首次提出一种优化的局部判别基(LDB)算法结合SOM-BP混合网络进行故障诊断与定位的新方法.首先利用改进的LDB算法提取初始的故障特征,为进一步提高类间可分离度,将这个初始的故障特征通过自组织特征映射(SOM)网络映射到一个类别可分性更高的特征空间,最后利用反向传播(BP)网络根据映射后的特征实现非线性分类,完成故障诊断与定位.     

适用于弱电网的双馈风电机组新型故障穿越控制方法

弱电网下系统的电压稳定裕度较低,而风电场的故障穿越性能对系统的暂态电压稳定性有显著影响。传统的双馈风电机组故障穿越控制方法都是基于适用于强电网的定功率控制,不利于维持弱电网下的电压稳定性。提出一种适用于弱电网中双馈风电机组的新型故障穿越控制方法。这种新型控制方法基于同步控制,通过有功电流和无功电流下垂控制风电机组出口电压的角度和幅值,使双馈风电机组以可控电压源的外特性运行。该控制方法能使双馈风电机组在弱电网的对称故障和不对称故障中均提供无功和有功电流,并且能在故障清除后的重励磁暂态过程中提高系统的电压稳定性。该方法同样适用于需要在联网和孤网运行之间进行无缝切换的双馈风电机组。最后,通过双馈风电机组接入无穷大电网实际电网、孤网的仿真算例验证了该故障穿越控制方法的有效性及优越性。     

风力发电机组在线故障预警与诊断一体化系统设计与应用

目前,风力发电机组缺乏一个面向整机所有重要部件关键参数的综合性监测系统,且现有系统的分析和诊断功能较薄弱.因此,设计了一种风力发电机组在线故障预警和诊断一体化系统,分别从系统的结构、功能和特点3个方面阐述了整个系统的硬件和软件实现.在对现有故障诊断方法和振动信号特点分析的基础上,阐述和论证了故障预警系统的工作原理和故障诊断方法的步骤,并重点对故障诊断系统自学习能力的具体功能和实现方法进行了说明.实际风电场运行情况表明,该一体化系统稳定、可靠、高效,完全能够满足实际的需要.     

基于PSO-SVM算法的风电机组结冰故障诊断

针对不平衡数据进行处理,结合自适应邻近的混合重取样的方法处理原始数据中小类数据,增加小类数据的有效实例;设计了一种基于相似函数的欠采样算法处理,减少大类数据的重复性数据,在不改变数据高信息性的情况下对数据降维,最后将特征数据导入到支持向量机中采用粒子群算法对参数进行优化。实验结果表明,特征量的提取在该模型中预测性能达到79.21%,在极限学习与随机森林（RF）算法中提升度为22.93%与48.83%,均有显著的提升,为风力机叶片结冰故障诊断提供了新的思路。     

风电机组故障智能诊断技术及系统研究

风电机组的状态监测和故障诊断是保证机组长期稳定运行和安全发电的关键。基于风电机组的基本结构,介绍了机组的故障类型和机理,论述了实际应用中机组的状态监测和故障诊断技术;基于BP神经网络的原理和优点,深入讨论了如何应用人工神经网络构建风电机组智能诊断系统,并给出了可行的系统设计方案和软件实现流程图。     

状态监测与故障诊断在风电机组上的应用

当前世界上风力发电发展迅速,状态监测和故障诊断技术在风电场运行中的作用越来越重要.回顾了状态监测与故障诊断技术的历史与现状,介绍了状态监测与故障诊断系统的基本结构和支撑技术.结合风力发电技术,对现有的风电机组状态监测与故障诊断技术进行了介绍,并指出了其发展方向.     

基于相对主元分析的风电机组塔架振动状态监测与故障诊断

振动信号是风电机组数据采集与监控系统（supervisory control and data acquisition system, SCADA）中一类重要变量。以风电机组SCADA运行数据为基础,首先结合风机运行原理详细分析了导致塔架振动的主要因素。进而采用相对主元分析（relative principal component analysis,RPCA）和某风电机组2011年3~5月份的SCADA运行数据,建立了覆盖塔架正常工作状态的RPCA振动模型,计算得出监控统计量Hotelling T2（简称T2）和平方预测误差（squared prediction error,SPE）。采用塔架振动RPCA模型,准确检测出风电机组变桨系统故障,验证了所研究方法的有效性。     

集成人工智能技术诊断电力变压器故障

提出了一种基于变压器油中溶解气体成分及其含量的变压器故障诊断方法 ,该法综合了进化算化、模糊理论、人工神经网络及范例推理 4种智能技术的优点并克服了其不足。实例分析表明该法诊断准确率较高 ,可用于工程诊断。     

基于MATLAB的风电机组故障诊断方法研究

为有效诊断风电机组主要部件的振动故障,分析了倒谱分析、包络谱分析2种分析方法的原理和优势,以及两者在MATLAB算法中的实现方法。并以现实风机振动故障提取的信号为例进行分析,分析结果表明算法可行。     

燃气轮发电机组多故障诊断的物元分析方法

以振动特征频谱为依据，提出了一种定性与定量相结合的多故障的可拓诊断方法。基于可拓学中的物元理论，建立定性地描述燃气轮机故障诊断问题的物元模型；引入可拓集合中的关联函数及关联度，提出了多故障诊断准则，根据故障特征定量地确定燃气轮发电机组故障症状隶属于特定故障的程度。用接近阈值确定可能同时发生的故障类型，用类别阈值确定不能同时发生的故障类型。以燃气轮机组实际故障为例验证了该方法的合理性、有效性。结果表明多维物元模型能较好地表征燃气轮机的多故障问题，并能解决燃气轮发电机组的多故障诊断问题。     

基于定子电流特征分析的双馈风电机组叶轮不平衡故障诊断

针对双馈风电机组叶轮不平衡故障诊断,提出一种基于导数分析的定子单相电流故障特征分析方法。首先,基于双馈感应发电机以及风力机传动链模型,详细推导了叶轮不平衡故障下双馈感应发电机定子电流的表达式,并获得其对应的故障特征频率。其次,为了凸显定子电流故障特征频率,基于导数分析思路,引入叶轮不平衡下定子电流故障特征定义及其表达式,提出基于定子单相电流的叶轮不平衡故障诊断方法。最后,建立考虑叶轮不平衡故障的双馈风电机组仿真模型,对机组在不同风速和不平衡度下的故障特征进行仿真分析。结果表明与直接对定子电流、叶轮转速进行频谱分析相比,所述方法能够有效地提取出叶轮不平衡故障特征,且通过监测特征频率幅值的变化情况,可以有效地判断出不平衡故障严重程度。