基于CLSSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱传统故障诊断方法以全局误诊断率最小化为目标,忽略了误分类型之间的差别的问题,提出基于代价敏感最小二乘支持向量机(Cost-sensitive Least Squares Support Vector Machine,CLSSVM)的风电机组齿轮箱故障诊断方法。该方法在最小二乘支持向量机原始最优化问题中二次损失函数中嵌入不同样本的误分类代价,建立以误分类代价最小化为目标的CLSSVM故障诊断模型,并同最小二乘支持向量机和代价敏感支持向量机比较。实验结果表明,该方法能提高误分类代价高的故障类样本的诊断正确率,具有代价敏感性,其训练速度也足以满足风电机组齿轮箱故障诊断实时性的需求。     

基于HMM的风电机组齿轮箱故障诊断研究

应用隐马尔科夫模型识别风电机组齿轮箱故障模式,研究振动信号特征提取方法,并根据特征值的敏感程度进行优化选择;应用两种隐马尔科夫模型(HMM)对齿轮箱在不同运行状态下的振动信号进行分析识别,并且对识别结果进行对比。结果表明:隐马尔可夫模型能快速有效地识别齿轮箱中磨损、断齿等故障模式,适用性良好,可应用于实际齿轮箱系统的故障诊断。     

基于模型融合的风电机组齿轮箱故障诊断

针对单视角特征及单一模型对齿轮箱复合故障的诊断准确率较低的问题,提出基于比例冲突分配规则的模型融合故障诊断方法.首先,对齿轮箱振动信号进行特征提取,针对复杂复合故障,从时域及时频域角度构造特征;然后,将多视角特征送入多个子模型中进行初步诊断,得到互补性强的诊断结果;最后,模型输出的分类概率由第6类比例冲突分配规则(PC...     

基于S-SLLE的风电机组齿轮箱故障诊断方法研究

针对风电机组齿轮箱结构复杂、受交变载荷和恶劣工作环境影响容易出现故障导致停机的问题,提出基于统计学K-均值聚类理论的统计型监督式局部线性嵌入流形学习(S-SLLE)特征维数约简方法,首先通过对齿轮箱振动信号时频域故障特征提取,剔除冗余特征向量,减少诊断模型的复杂度和计算量,再利用RBF核支持向量机分类器建立诊断模型,对...     

基于无迹卡尔曼方法的风电机组齿轮箱故障诊断

在对风电机组的运行特性和齿轮箱温升机理的研究基础上,提出一种基于无迹卡尔曼方法(UKF)的风电机组故障诊断策略。该模型实现了对齿轮箱温升的有效预测,并在风电机组故障的情况下实现有效检测。对不同故障类型的诊断测试结果可显示机组局部故障对风电机组各关键参量的动态影响,同时表明UKF方法对不同故障条件下输入参数的变化有特殊响应。因而根据风电机组不同的故障模式,通过有针对性的算法输入参量设计可实现风电机组多种故障的有效诊断,为分析SCADA数据隐含的故障信息提供了一种有效手段。     

基于Hilbert解调法的风电机组齿轮箱故障诊断

对某台运行中的风电机组存在异响的齿轮箱的振动数据进行采集后,采用Hilbert解调法分析出了齿轮箱内部高速轴存在断齿现象,并通过现场检查齿轮箱内部部件发现了断齿。Hilbert解调法能有效提取风电机组齿轮箱振动信号的故障信息,可有效应用于风电机组齿轮箱的振动数据分析及故障诊断工作中。     

结合C-均值聚类的自适应共振神经网络在风电机组齿轮箱故障诊断中的应用

提出了一种结合C-均值聚类的自适应共振(Adaptive Resonance Theory 2,ART2)神经网络无监督学习分类方法,用于风电机组齿轮箱设备群的故障诊断.利用某风电场齿轮箱运行数据,采用ART2神经网络对样本数据进行初步分类,再采用C-均值聚类算法对神经网络分类结果进行修正,得到最终诊断结果,并与ART2神经网络分类结果进行了比较.结果表明:所提出的方法解决了原始神经网络算法存在"硬竞争"导致分类精度下降的问题,准确度高于传统的ART2神经网络,可以准确识别出故障齿轮箱.     

基于深度信念网络的风电机组齿轮箱故障诊断方法

针对风电机组故障诊断中存在的数据量大,提取故障特征困难等问题,结合深度学习理论的强大感知与自我学习能力,提出一种基于深度信念网络的风电机组齿轮箱故障诊断方法。将原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对深度信念网络进行整体微调,提高分类准确性;同时,在训练过程加入Batch Normalization,减少过拟合几率,提高网络的收敛速度。将该方法用于风电机组行星齿轮箱的故障诊断,比DBN和BPNN算法及传统故障诊断方法的准确率更高。     

风电机组齿轮箱市场调研分析

本文介绍了目前风电机组齿轮箱的市场情况。外资品牌市场占有率较高的原因是整机厂商对齿轮箱产品可靠性考虑。随着生产成本的增加和产品价格的进一步压低,产品可靠性成为齿轮箱生产企业降本增效中不可忽视的问题。     

主成分-灰色关联分析方法的风电机组齿轮箱故障诊断

针对风电机组变工况运行造成设备故障诊断困难的问题,提出了主成分-灰色关联分析方法,解决风电机组齿轮箱故障诊断问题。通过阶比重采样方法对信号进行预处理,消除原始数据非线性带来的不良影响;考虑到信号能量变化会对分析带来误差,用无量纲参数作为故障诊断的特征数据;应用主成分-灰色关联分析法,对各特征参数赋予权重,增强了分析数据与故障特征间的关联性,提高了故障诊断精度。试验及实际应用结果分析表明,文章所提出的方法能够较准确地对风电机组齿轮箱故障进行诊断。     

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...     

基于SHSVD-AS的风电齿轮箱故障诊断

针对传统的硬阈值奇异值分解降噪法（HSVD）阈值选取主观性较强、自适应性较弱、易丢失信号特征的问题,首先提出一种自适应的硬阈值选取算法;其次,利用一种非等量最优权值收缩的软阈值奇异值分解降噪（SSVD）方法,并结合HSVD,形成一种混合阈值的奇异值分解（SHSVD）降噪方法;最后再结合所提出的一种幅值抑制（AS）算法用于突出信号的故障冲击特征SHSVD-AS。利用该方法对风电传动系统齿轮箱故障信号进行分析,仿真、实测信号的结果均表明,在强噪声环境下,相较于传统的HSVD、VMD-HSVD方法,SHSVD-AS在风电齿轮故障诊断上性能较好。     

风电机组齿轮箱润滑油清洁度控制

1引言主齿轮箱是双馈型风电机组的核心部件,其基本功能就是将风力推动叶片所产生的低转速高扭矩功率,转化为发电机所需的高转速低扭矩功率。因此齿轮箱的可靠性往     

基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法

提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法。粒子群算法不需要计算梯度,可以兼顾全局寻优和局部寻优。利用粒子群算法对BP网络权值和偏置进行优化,减少了BP神经网络算法陷入局部最优解的风险,提高了神经网络的训练效率,加快了网络的收敛速度。考虑风电齿轮箱振动信号的不确定性、非平稳性和复杂性,提取功率谱熵、小波熵、峭度、偏度、关联维数和盒维数作为故障特征。经测试,算法诊断结果正确,表明了PSO优化BP神经网络用于风电机组齿轮箱故障诊断的有效性和实用性。     

基于多模态时频图融合的风电机组齿轮箱故障诊断方法

特征提取是故障诊断问题的关键,风电机组齿轮箱负载多变,振动数据量大、信息密度低,导致多模态融合诊断方法的特征学习性能和计算成本难以兼顾。为此,提出了基于多模态时频图融合的风电机组齿轮箱故障诊断方法。首先,使用小波包分解算法对齿轮箱振动数据集进行故障特征分析;然后,将所得分解子信号和原始信号分别转化为二维时频图像,形成体现小波域和时频域的互补故障特征;最后,利用卷积神经网络(convolutional neural networks, CNN)分别学习图像纹理的深层特征并进行特征融合,训练基于CNN-ViT(vision transformer)的多模态故障诊断模型。以凯斯西储大学齿轮箱轴承数据进行验证,所提模型在变负载和未知故障下,相比其他单模态和多模态方法具有较高的准确率,时频图融合方法能够以较低计算成本实现小波域和时频域双模态的故障特征学习。     

基于全矢频带能量谱的风电机组齿轮箱故障诊断方法研究

针对风电机组齿轮箱局部微弱故障难于诊断的问题,提出全矢频带能量谱故障诊断方法。采用全矢理论对同源信号进行信息融合,获得相位不变、信息更完善的全矢信号,利用FIR滤波器对全矢信号进行分解,计算各频带能量作为识别工作状态的特征向量。分析风电机组齿轮箱的正常、齿根裂纹及均匀磨损信号的各频带能量,发现转频和啮合频率处的频带能量变化率能准确判别各类故障。通过对不同工况下50组信号的识别,证明该方法可有效区分风电机组齿轮箱的早期局部微弱故障。     

基于SCADA数据特征提取的风电机组偏航齿轮箱故障诊断方法研究

针对风力发电机组偏航系统故障处理难度大和危害严重等问题,开发出基于数据采集与监视控制(SCADA)数据的偏航齿轮箱神经网络诊断模型.利用ReliefF算法和核密度-均值法提取能反映出偏航齿轮箱运行工况的7个SCADA参数,并提取出6种故障特征指标作为神经网络诊断模型输入量,来诊断偏航齿轮箱的正常状态、磨损故障以及断齿故...     

小波包分析和神经网络在风电机组变频器故障诊断中的应用

由非线性电力电子装置组成的风力机变频器一旦发生故障,其故障特征信息不容易被提取和识别。为此,提出了一种基于小波包分析和Elman神经网络的电力电子装置故障诊断的方法,先运用小波包分析法提取电力电子装置电路在不同故障状态下电压及电流信号的特征信息,然后对数据进行归一化处理并作为Elman神经网络的输入,由具有智能学习功能的神经元故障分类器完成故障识别和定位。以典型的风力机交—直—交变频器为例,在Matlab软件下建立电路模型对一次侧故障进行仿真实验,结果表明采用该方法可以快速、准确地完成故障诊断。     

风电机组齿轮箱故障分析及改进措施

本文总结了风电齿轮箱在运行、维护过程中的常见问题,并对其主要影响因素进行了分析,提出齿轮箱在设计、生产、运行维护时需要采取的措施及相关建议,以提高风电齿轮箱的可靠性。     

基于优化的VMD融合信息熵和FA_PNN的风电机组齿轮箱故障诊断

针对风电机组齿轮箱在故障信号处理、特征提取和故障诊断存在的问题,提出一种基于优化的变分模态分解(VMD)融合信息熵和萤火虫优化的概率神经网络(FA_PNN)的风电机组齿轮箱故障诊断方法.首先利用皮尔逊相关系数法来确定VMD的分解数量和惩罚因子,并利用VMD分解齿轮箱振动信号获取多个固有模态分量,在此基础上融合时域、频域...