风力发电机组故障诊断专家系统研究

随着风力发电行业的不断发展,风力发电机的装机数量不断增加。由于其结构复杂和工作环境恶劣,极易发生各种故障。文章通过对风力发电机组故障诊断专家知识进行总结,使用ASP.NET平台开发和SQL Server 2008数据库,利用产生式规则和主观贝叶斯方法相结合实现推理,构建了风力发电机组故障诊断专家系统,通过人机交互实现对风力发电机组故障的在线诊断,并通过其知识库的不断维护更新来提高系统故障诊断的能力。     

风力发电机组状态监测和故障诊断系统

介绍了风电机组状态监测与故障诊断系统的软硬件构成、振动信号的特征提取以及常用的故障诊断方法.     

风力发电机组故障诊断与预测技术研究综述

随着风力发电机组装机容量的快速发展,累计运行时间的持续增长,风电机组的维护问题日益突出,迫切需要研发有效的风电机组故障诊断与预测系统。从故障诊断和故障预测两个方面,归纳风力发电机组的主要故障特点;针对故障诊断难点问题,分析和总结基于振动、电气信号分析和模式识别算法的故障诊断方法的研究现状,指出各种方法的技术特点、局限性和今后的发展趋势;针对风电机组中机械结构和电子系统性能退化的各自特点,归纳当前的研究进展,提出物理失效模型和数据驱动模型融合的故障预测方法;最后,归纳了利用风力发电机组数据采集与监控系统(SCADA)数据进行故障诊断与预测的最新进展及需要进一步研究的问题。     

粒子群优化的神经网络在故障诊断中的应用

为提高齿轮箱故障诊断性能，建立了以齿轮箱振动信号的时频域特征为输入，以齿轮箱的主要故障形式为输出的神经网络。采用粒子群优化算法代替反向传播算法来训练神经网络的权重和阈值，利用训练后的神经网络对齿轮箱进行了故障诊断，并比较了基于粒子群优化算法与BP算法的诊断结果。结论是基于粒子群优化算法神经网络具有较好训练性能，收敛速度快，迭代步数少，诊断精度高，具有良好的故障识别率。     

基于形态分量分析的希尔伯特变换在滚动轴承故障诊断中的应用

形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号处理方法。滚动轴承故障信号具有振幅呈指数衰减与环境噪声大的特点。通过构建一个对冲击信号敏感的字典,利用形态分量分析对轴承故障信号的时域形态特征进行最优化稀疏表示,得到滚动轴承冲击信号。并对形态分量分析后的冲击信号进行希尔伯特变换,得到明确的故障特征频率及其倍频。仿真分析与实验结果表明：该方法具有良好的降噪功能,能够准确地提取滚动轴承故障信号中的早期冲击特征。     

优化支持向量机及其在智能故障诊断中的应用

单一支持向量机在轴承齿轮故障诊断中精度较低,为了提高支持向量机在轴承齿轮故障诊断中的精度,对支持向量机的样本特征提取方法以及支持向量机参数优化的方法进行了研究。首先,通过核主成分分析方法构造支持向量机的输入样本,可以减少数据间的冗余,提取数据的高维信息;其次,通过粒子群优化算法优化支持向量机核函数参数和惩罚因子;最后,使用优化后的支持向量机模型进行故障诊断。通过实际轴承齿轮故障诊断对比实验,结果表明,所提方法相比一般的支持向量机诊断方法诊断精度大幅提高,验证了该混合智能诊断方法的有效性和优势。     

关于风力发电机组状态监测的思考

风力发电机组是风电场的关键设备。本文通过几个实例说明了对风力发电机组实施状态监测的必要性以及实际工作中的经验教训。     

风力发电机组的结构简介

主要介绍了水平轴风力发电机组的基本结构、传动装置及自动控制原理。     

风电机组轴承的状态监测和故障诊断与运行维护

对风电机组轴承的故障原因,已实际应用的轴承运行状态监测系统与方法进行了综述,并提出了维护的建议,预测了风电机组轴承故障诊断研究的方向和前景。     

汽轮机故障诊断的粒子群优化加权模糊聚类法

针对模糊C-均值算法在汽轮机故障诊断中的不足,提出了粒子群优化加权模糊聚类分析的方法.首先,采用基于样本相似度的特征加权方法对样本特征及样本进行加权,以适应各种复杂分布的样本;然后,利用粒子群算法优化加权模糊聚类的特征权值和聚类目标函数,并依据聚类有效性指标自适应确定最佳聚类数及聚类结果.试验结果表明,该方法具有收敛速度快和全局收敛的特点,有效降低了汽轮机故障诊断的误分类率,诊断结果可靠.     

基于模糊理论的风力机故障诊断专家系统构建

目前,对风力机的故障进行诊断仅停留在人工现场诊断的层面上,使得故障难以及时发现并排除。该文以模糊数学理论和故障诊断技术为基础,建立一个用于风力机故障诊断的专家系统。文中首先介绍了模糊综合评判方法;然后给出了诊断专家系统的结构,其中重点论述了如何根据经验数据和专家优先系数法共同确定模糊关系矩阵的元素、模糊诊断原则的确定及推理流程。最后用一个具体的故障诊断实例进行分析,验证了应用模糊理论,可以提高风力机故障诊断专家系统的运行速度、准确性、可靠性。     

风力机液压系统故障诊断与结构改进研究

兆瓦级风力机的液压系统一旦发生故障,维修难度较大。了解大功率风力机的常见故障及其原因,具有十分重要的意义。重视小故障、故障早期阶段的发现和排除,故障诊断和排除时注意对预兆、运行记录的分析。介绍了一种典型的1MW风力机型号的液压系统维护常见故障实例,并提出其液压系统结构的改进方案。     

基于最大重加权峭度盲解卷积的风电故障诊断

受噪声以及复杂传递路径等影响,风电机组齿轮故障特征信号通常比较微弱。为有效诊断齿轮故障,提出一种新的盲解卷积方法——最大重加权峭度盲解卷积方法。重加权峭度对故障信号中单个或少量强冲击干扰具有很好的鲁棒性,且无需待恢复故障冲击序列先验知识。最大重加权峭度盲解卷积方法能有效地解决经典的基于峭度最大化方法倾向于恢复单个主导冲击而非齿轮故障冲击序列的问题,同时相较于常见非全“盲”(依赖故障特征频率先验)方法在工业装备齿轮故障诊断方面具有更强的适用性。仿真信号分析结果表明所提方法在恢复故障冲击序列方面效果显著,在风电机组故障诊断中的应用案例证实了所提方法对齿轮故障诊断的有效性。     

基于Hilbert空间熵的风力发电机轴承故障诊断

风速的不断变化往往会给风力发电机的故障诊断造成干扰,为此,提出Hilbert空间熵方法。通过建立基于HHT时频变换的信息熵,描述不同风速条件下风力发电机轴承振动信号,将其应用于D70型风力发电机轴承故障分析,证明在不同风速条件下,该方法均能有效识别轴承故障,可作为风力发电机轴承故障诊断的指标和依据。     

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。