基于改进辅助分类生成对抗网络的风机主轴承故障诊断

基于振动信号的风电机组故障诊断方法是风电安全运维领域研究的重点之一.风电机组主轴承较少发生故障,给运用数据挖掘方法判断故障类型带来很大困难.针对该问题,文中提出了一种用于风电机组主轴承故障诊断的数据增强方法.通过对辅助分类生成对抗网络(ACGAN)的适应性进行改进,引入梯度惩罚,构建了改进ACGAN框架,以提高其学习稳...     

基于灰色粗糙集理论的风电机组传动链智能故障诊断方法

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。风电机组传动链系统的故障种类繁多,原因复杂,其故障征兆、故障原因和故障机理之间存在着极大的不确定性。文中在其故障诊断过程中,首先利用粗糙集原理对其特征参数进行约简,去除冗余参数,再利用粗糙集理论定量确定各特征参数的重要程度;根据约简的特征参数和各参数的重要程度,利用灰色关联度分析方法确定标准故障状态与目前机组状态的关联度,从而找到其故障之处。实例计算表明：在风电机组的故障诊断中将灰色系统理论和粗糙集理论结合是一种有效的方法,为其今后开展智能故障诊断提供了理论基础。     

基于SCADA运行数据的风电机组塔架振动建模与监测

振动信号是风电机组数据采集与监视控制(supervisory control and data acquisition,SCADA)系统中的一类重要变量.对振动信号的建模和分析可以实现对机组重要部件如塔架、传动链、叶轮等的状态监测工作.采用非线性状态估计技术(nonlinear state estimate technique,NSET)作为建模方法,在对风电机组塔架振动特性及其影响因素进行细致分析的基础上,建立了塔架振动模型.该模型由额定风速以下和额定风速以上两部分子模型构成.同时,对非线性状态估计技术的物理意义及特点进行了深入的分析和探讨.在某风电机组2006年4至6月份SCADA数据的基础上,建立了覆盖其正常工作状态的塔架振动模型,并对该模型进行了验证.研究表明,基于NSET的塔架振动建模方法具有方法简单、物理意义明确和建模精度高等优点,为后续拟开展的风电机组振动状态监测和早期故障诊断打下了良好的基础,同时为风电机组振动分析提供了新的思路.     

风电机组风速仪故障诊断

首先利用风电场的监控数据和粒子群优化算法建立风电机组的基准模型,然后通过基准模型推测风速,并将其与风速仪实际测得的风速进行对比,最后根据残差分析确定风速仪的运行状态,诊断风速仪的故障。     

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。     

面向风电机组维护的改进FMECA

维护水平是影响风电机组维护成本的重要因素之一。故障模式、影响及危害性分析根据危害度对故障模式进行分级,找出危害度较高的故障模式并给予较多的维护资源,有助于提升风电机组的维护水平。然而,在目前的风电机组FMECA中,监测控制与数据采集系统的存在、处理故障的过程以及故障发生及其影响的真实情况等特征未被充分利用。文中结合传统FMECA与以上特征,提出了一种面向风电机组维护的改进FMECA。为更接近故障处理过程,将风电机组分为机组层,SCADA层及部件层。分别将SCADA系统的报警内容、部件的故障模式及机组停机视为SCADA层的故障模式、原因及对高层级的影响。同时,根据机组各故障的发生概率及影响的真实情况重新定义其等级。最后给出了改进FMECA在某型号风电机组中的应用实例。     

基于MMS的风电设备信息模型获取方法

风电机组与数据采集与监控(SCADA)系统之间数据不兼容将影响风电场的扩容和技术升级,需构建统一的数据模型.以一种基于IEC 61400-25协议和制造报文规范(MMS)通信协议的风电场通信软件开发为背景,介绍了风电场SCADA系统中对风电设备信息模型的获取方法.设计了风电场通信软件的体系结构和交互流程,构建了IEC 61400-25协议的风电机组信息模型,从业务逻辑控制模式、抽象通信服务接口(ACSI)服务到MMS服务的映射以及MMS报文生成等3个方面,阐述了风电设备信息模型在SCADA系统中重构的实现方法.     

大功率风电机组变桨系统故障诊断方法与技术研究进展

变桨系统是大功率风电机组重要的子系统,其主要功能是使桨叶快速高效地捕捉风能,最大限度地利用风能。作为故障频发的子系统,变桨系统能否正常运行直接影响机组的安全稳定运行。综述风电机组变桨系统故障诊断方法和技术的研究进展。首先,介绍变桨系统故障诊断的背景及意义;然后阐述变桨系统主要的故障类型、故障机理及相应的敏感参数,变桨系统故障诊断常用的三种方法,即基于解析模型、基于信号分析以及基于人工智能的诊断方法;最后,介绍基于SCADA系统数据的混合智能诊断技术的发展情况,对本领域未来的发展趋势进行了展望。     

一种变工况下风电机组行星齿轮箱的故障诊断方法

针对现有的大多数深度迁移学习方法只能在目标转速下工作,而且在模型的训练中总是需要目标域样本的问题,研究风电机组行星齿轮箱在变工况下的故障诊断方法,设计了应用于变工况下行星齿轮箱故障诊断的深度残差半监督域泛化网络,将诊断模型推广到未知转速的故障诊断任务中。首先对振动信号进行Fast Kurtogram时频变换,生成图像并构造样本集;其次模拟实际情况,以含标签源域样本集和无标签源域样本集为输入,使用深度残差网络提取深层故障特征,并引入对抗博弈机制和基于伪标签的半监督学习方法对网络进行训练;最后根据训练后的网络搭建了域泛化故障诊断模型,利用行星齿轮箱故障诊断实验进行评估。实验结果表明,所设计的网络可以有效利用定速样本实现对未知转速样本和变速样本的故障识别,对目标域的平均识别率达到95.24%。     

基于SCADA和支持向量回归的风电机组状态在线评估方法

为提高风电机组并网运行的实时可靠性、优化机组维修策略、降低风力发电成本,有必要充分考虑风电机组各部件或子系统之间的相互作用和耦合关系。利用数据挖掘技术,建立了一个针对风电机组整体运行状态的在线评估模型。首先,分析了数据采集与监控(SCADA)报警系统的不足,提出了基于回归预测模型和SCADA报警系统相配合的鲁棒性更强的在线评估方案;其次,对评估方案中的回归预测模型进行了详细说明,建立了以SCADA系统的部分监测项目为输入量、以风电机组有功功率为输出量的基于支持向量回归(SVR)算法的回归预测模型。最后,利用某风电场的实测数据对所提出的在线评估模型进行了验证,结果证明了此方法的可行性。     

应用深度自编码网络和XGBoost的风电机组发电机故障诊断

针对风电机组现场故障样本难获取的问题,为实现风电机组发电机部件的故障诊断,通过分析风机监控与采集(SCADA)数据,设计了基于深度自编码(DAE)网络和XGBoost的故障诊断算法。该算法包含两部分:第一部分是DAE故障检测算法,通过DAE获取SCADA数据的重构值,分析重构误差的变化趋势与其超越阈值的情况以预测风机故障和提取故障样本;第二部分是XGBoost故障识别算法,用贝叶斯优化搜索XGBoost的最优超参数,建立XGBoost多分类故障识别模型。算例结果表明,DAE算法能够捕获风电机组发电机早期故障,XGBoost比其他算法更精确地识别不同故障类型。     

基于支持向量机和多源信息的直驱风力发电机组故障诊断

提出了一种综合考虑风速、转速以及主轴水平方向和垂直方向振动的时域特征参数、频域特征参数等多源信息的基于支持向量机(support vector machine,SVM)的直驱风力发电机组故障诊断方法。对直驱风电机组正常状态、风轮质量不平衡、风轮气动不平衡、偏航和断叶片等5种状态进行实验分析,研究不同状态下的机组特征。根据实验分析结论,将风电机组主轴水平方向、垂直方向振动的时域参数、频域参数以及风速、转速选为描述机组运行状态的特征参数,对机组进行故障识别。将风电机组5种状态下的特征参数作为学习样本,在SVM中训练,建立不同特征的参数向量和故障类型的映射关系,从而达到故障诊断的目的。根据风电机组不同故障的实验数据,对考虑多源信息的故障模型进行应用检验。结果表明,该方法简单有效,具有很好的故障识别能力和良好的鲁棒性,适合直驱风电机组故障诊断,同时可以满足在线故障诊断的要求。     

基于堆叠自编码网络的风电机组发电机状态监测与故障诊断

为实现风力发电机的异常检测分析,提出了一种基于风电机组发电机正常状态下数据采集与监控(SCADA)样本数据的堆叠自编码网络深度学习方法。首先将多个自编码网络连接构成深度堆叠自编码网络,选取发电机SCADA状态变量数据作为网络的训练输入,使网络逐层智能提取数据间的分布式规则,从而构建发电机的堆叠自编码学习模型。依据故障状态下发电机SCADA数据内部动态平衡规则被破坏,利用发电机深度学习网络的输入与重构值计算重构误差,并作为整体状态的观测量。通过采用自适应阈值检测重构误差的状态趋势变化,并作为异常预警判定准则,从而实现对发电机故障的判定。当发电机发生异常时,变量的实际值与对应模型的重构值发生较大偏差,表现为状态变量的残差趋势将会偏离原有的动态稳定状态。因此利用状态变量的残差趋势变化对异常变量进行隔离,判定可能的故障原因达到故障诊断的目的。通过对发电机故障前后记录数据进行仿真分析,结果验证了堆叠自编码网络深度学习方法对发电机状态监测与故障诊断的有效性。     

基于PCA-KNN融合算法的风力机变桨角度故障诊断方法

针对风力机变桨系统变桨角度4种主要故障类型,基于机组SCADA数据分析,提出一种基于非参数核密度估计和Relief-F特征参数提取数据处理,以及PCA-KNN融合算法故障诊断的风力机变桨角度异常状态识别方法。首先,对风力机SCADA数据进行非参数核密度估计预处理,运用Relief-F算法提取变桨角度故障的7类（13个）特征参数;然后,通过PCA-KNN融合算法对变桨角度故障状态进行识别,结果表明：该方法能够准确识别变桨角度4种主要的故障类型。最后,将改进的PCA-KNN融合算法与常用的KNN算法、PCA-KNN算法和BP神经网络进行对比,结果表明：改进的PCA-KNN融合算法具有更为准确的识别率。     

基于MISG算法的风力发电机液压变桨系统故障诊断

针对受状态延时影响的风机变桨系统故障诊断,提出了一种基于多新息随机梯度(MISG)的故障诊断方法。该方法将复杂系统转化为状态空间模型,并建立系统辨识模型。将新息标量扩展成新息向量改善算法精度,利用系统发生故障引起参数改变的特征,算法对风机状态延时变桨系统完成参数估计,将系统故障诊断问题转换为系统辨识问题。仿真所得结果验证该方法可以达到诊断风机状态延时变桨系统故障的目的。     

非并网风电SCADA系统设计

设计了一种适用于非并网风电场的数据采集与监控（SCADA）系统。该系统将传统的风电场监控、电网监控和配电站合而为一。系统以传统SCADA为基础,结合非并网监控的特点和需求,实现了对风电场、电网和用电企业的监控及数据传输,并实现了整个非并网风电系统从发电侧到用电侧的一体化监控。文中对整个系统的结构、功能进行了分析研究。     

基于随机集含糊证据的风力发电机故障诊断方法

针对大型风力发电机故障信息的复杂性和不确定性,提出了基于随机集信任测度和似真测度的含糊化方法。该方法将故障样本模式和故障待检模式进行含糊化,利用随机集的信任测度和似真测度对待检模式和样本模式进行匹配,实现数据级融合;然后将匹配的结果作为证据理论的信任函数和似真函数,进行特征级融合;最后将融合结果作为决策级证据理论的证据进行最终融合,从而得出诊断结果。风力发电机的算例验证了该方法的合理性和有效性。