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%。     

极端条件下基于改进深度森林的行星齿轮箱故障诊断方法

齿轮箱是风电机组重要且易出现故障的设备,早期故障威胁系统运行安全。在极端条件中高效、准确的齿轮箱故障诊断对风电机组的安全稳定运行至关重要,因此提出了基于改进深度森林的行星齿轮箱故障诊断方法。为了实现不平衡小样本与强噪声的极端条件下行星齿轮箱故障的高效诊断,首先针对旋转机械振动数据样本较少与不平衡的情况,在Wasserstein生成对抗网络中引入梯度惩罚,生成样本补充原始数据集。然后利用多粒度扫描处理振动信号数据点之间的联系,增强数据中的故障特征。最后在级联森林内部引入新的基学习器并运用量子粒子群算法优化参数,获得具有高诊断精度的模型结构进行故障分类,输出诊断结果。经与其他智能诊断方法在多场景下进行的对比实验,证实了所提方法在极端条件下的分类效果较好,能有效提高齿轮箱故障诊断的准确性。     

基于RF特征优选和WOA-ELM的风电齿轮箱故障诊断

针对风电机组齿轮箱故障特征提取不足，故障诊断率低问题，提出了一种基于RF特征优选，结合WOA-ELM特征识别的风电齿轮箱故障诊断方法。首先，提取风电齿轮箱时域、频域、时频域特征，构建多域高维特征集；其次，利用RF进行特征重要度排序并提取10维优选特征；最后，利用WOA优化调整ELM模型的输入权值和隐含层阈值，实现风电齿轮箱故障分类识别。将本文方法应用于风电齿轮箱故障诊断，实验结果表明，本文方法平均诊断率能达到99.81%，诊断准确率均高于对比方法且诊断用时最少，能够有效地进行风电齿轮箱故障诊断。     

基于特征融合与 ResNet 的行星齿轮箱故障诊断

针对行星齿轮箱振动信号相互耦合和故障诊断不准确等问题,提出一种基于特征融合与深度残差网络(ResNet)的行星齿轮箱故障诊断方法。首先,对采集到的行星轮裂纹、磨损,太阳轮断齿及复合故障等模拟故障振动信号应用多维集成经验模态分解(MEEMD)和VMD进行分解,分别筛选确定有效分量。然后,将筛选出的有效特征进行融合,分别应用传统卷积神经网络(CNN)和深度残差网络对其进行分类识别。结果发现,深度残差网络,分类准确度更高,可达95%以上。最后,应用深度残差对特征融合前后数据的分类准确度进行了比较。融合前准确度最高只达91.16%,低于融合的97.18%。可见,该方法对行星齿轮箱耦合振动信号的处理和故障诊断非常有效。     

基于改进VMD-MCKD和深度残差网络的风机齿轮箱故障诊断

行星齿轮箱是风电机组传动系统中的重要部件,其运行工况复杂,背景噪声大,导致齿轮早期故障信号微弱且极易受背景噪声的影响。针对风电机组齿轮箱早期故障特征难以有效提取,齿轮故障难以识别的问题,提出一种风机齿轮箱故障诊断方法。首先,通过变分模态分解算法（variational mode decomposition,VMD）分解风机齿轮箱原始振动信号,获得振动信号故障的最优模态分量;接着,利用最大相关峭度解卷积算法（maximum correlated kurtosis decnvolution,MCKD）通过解卷积重构最优模态分量,削弱背景噪声增强故障冲击成分,获得故障特征;同时利用麻雀搜索算法（sparrow search algorithm,SSA）优化惩罚因子α、模态分解个数K、滤波器阶数L和反褶积周期T等参数,提升振动信号故障特征提取的准确度;最后,构建基于深度残差网络（deep residual network,ResNet）的齿轮箱故障诊断模型,建立齿轮箱故障特征与类别的非线性映射关系,实现风机齿轮箱故障分类识别。实验结果表明,所提风机齿轮箱故障诊断方法的准确率达到97.48%,相...     

基于转速估计的阶次分析风电齿轮箱故障诊断

风电齿轮箱工作在变转速工况条件下,齿轮箱的振动信号具有受多分量调制以及故障特征频率遭受转频调制的特点。针对该特点导致的齿轮箱故障特征识别困难的问题,提出了一种基于转速估计阶次分析的风电机组行星齿轮箱故障诊断方法。通过分析风电机组齿轮箱的结构和故障特点选择传感器测点,并根据齿轮箱振动频率范围完成传感器的选型工作,在上述工作的基础上搭建监测系统,采集齿轮箱工作状态下的振动信息,并对实际现场采集的振动数据进行转速估计和阶次分析,以提取齿轮箱的故障特征阶次,完成故障诊断。该方法经过风场实际验证可知故障诊断准确率达到84%,比传统快速傅里叶变换（Fast Fourier Transform,FFT)分析方法提高了8%,可以满足现场实际工程需要。     

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,以提高其学习稳定性;在判别器网络中引入池化层,以提升其在多分类场景下提取数据特征的能力。仿真结果表明,所提出的改进ACGAN框架能够实现对原始数据分布特征的有效学习,抗噪声干扰性强,相对于原框架训练过程更稳定,生成数据的质量更高;能够有效平衡风电机组主轴承故障振动数据,进一步提升了风电机组主轴承故障诊断的正确率。     

基于 GA－SVＲ 数据融合的风机噪声预测述

研究风电机组振动噪声特性对机组工况判别及故障诊断的意义,以永磁同步风电机组为例,建立基于遗传算法的支 持向量回归( GA － SVＲ) 的多源数据融合振动噪声预测模型。采集机组空载、负载及变化风速不同运行工况下的振动、噪声 数据,基于信息熵理论处理后建立样本数据,并选择发电机主轴纵横两个方位、齿轮箱高速轴和低速轴纵横两个方位的振动 数据为模型输入变量,机组的噪声数据为模型输出变量,建立 GA － SVＲ 特征级融合预测模型,以实测数据验证预测模型。 结果表明,该预测模型在机组噪声预测应用中,能得到较精确的噪声波动趋势及预测值,具有实际应用可行性。     

基于GA-SVR数据融合的风机噪声预测述

研究风电机组振动噪声特性对机组工况判别及故障诊断的意义,以永磁同步风电机组为例,建立基于遗传算法的支持向量回归(GA-SVR)的多源数据融合振动噪声预测模型。采集机组空载、负载及变化风速不同运行工况下的振动、噪声数据,基于信息熵理论处理后建立样本数据,并选择发电机主轴纵横两个方位、齿轮箱高速轴和低速轴纵横两个方位的振动数据为模型输入变量,机组的噪声数据为模型输出变量,建立GA-SVR特征级融合预测模型,以实测数据验证预测模型。结果表明,该预测模型在机组噪声预测应用中,能得到较精确的噪声波动趋势及预测值,具有实际应用可行性。     

基于改进深度学习的海上风电机组齿轮故障预测方法

针对海上风电机组齿轮故障率高、故障类型复杂的问题,提出了一种基于改进深度学习的海上风电机组齿轮故障预测方法。基于迁移学习在故障诊断中应用的特点,通过长短期记忆方法对转导迁移学习(transductive transfer learning,TTL)模型进行改进,添加辅助分类标记并结合Wasserstein距离对生成对抗网络进行改进,解决了神经网络梯度爆炸及无法对输出结果进行分类标记的问题。以改进后的转导迁移学习方法和改进辅助分类生成对抗网络模型为基础,结合Stacking融合算法对海上风电机组监测控制系统的齿轮源数据进行分类和训练,得到预测对象的预测结果。以实际风电机组的监测数据为依据对提出的故障预测方法进行了验证。结果表明,所提方法有更高的准确率且受噪声的影响更小。     

Wind Turbine Gearbox Fault Diagnosis Based on Multi-Sensor Signals Fusion

This paper proposes a novel fault diagnosis method by fusing the information from multi-sensor signals to improve the reliability of the conventional vibration-based wind turbine drivetrain gearbox fault diagnosis methods. The method fully extracts fault features for variable speed, insufficient samples, and strong noise scenarios that may occur in the actual operation of a wind turbine planetary gearbox. First, multiple sensor signals are added to the diagnostic model, and multiple stacked denoising auto-encoders are designed and improved to extract the fault information. Then, a cycle reservoir with regular jumps is introduced to fuse multidimensional fault information and output diagnostic results in response to the insufficient ability to process fused information by the conventional Softmax classifier. In addition, the competitive swarm optimizer algorithm is introduced to address the challenge of obtaining the optimal combination of parameters in the network. Finally, the validation results show that the proposed method can increase fault diagnostic accuracy and improve robustness.     

改进卷积 Lenet-5 神经网络的轴承故障诊断方法

针对滚动轴承微弱信号在强噪声、变工况复杂环境下,难以实现有效的故障诊断问题,提出了一种改进卷积 Lenet-5 神 经网络的轴承故障诊断方法。 首先,对采集的一维时域轴承振动信号进行预处理转化成便于卷积操作的二维灰度图;其次,将 最基本的 Lenet-5 模型中的连续单向的传统卷积层改进为 Block1 模块、Block2 模块、Block3 模块,提取到更完整、更精准的特征 信息;最后,为了防止网络出现过拟合现象,采用 L2 正则化和 Dropout 优化网络。 为了验证本文所提方法在复杂工况环境的鲁 棒和泛化性能,利用滚动轴承数据集和变速箱实验数据集进行实验验证。 轴承数据集实验结果表明,本文所提出的方法在变噪 声实验中准确率平均值都在 99. 3%;在变负荷实验中,故障诊断准确率都高于 90. 26%;在变工况实验中,故障诊断准确率平均 值都高于 89. 01%;在变速箱数据集实验中,抗噪性故障诊断准确率高达 96. 3%。 采用改进的 Lenet-5 方法对滚动轴承 12 种故 障类型具有更好的分辨能力,在变工况下具有更好的抗干扰性和泛化性能。     

基于一维卷积神经网络和SoftMax分类器的风电机组行星齿轮箱故障检测

将卷积神经网络引入风机故障检测领域,设计了一种一维卷积神经网络的结构,并和Soft-Max分类器相结合构造了一种双层智能诊断架构。一维卷积神经网络用于行星齿轮箱数据的特征提取,Soft-Max分类器对提取的特征进行分类。与传统智能算法相比,该方法具有训练样本少,可直接使用原始数据训练网络;计算效率高,可以适应实时诊断的需要。试验结果证明,该方法可以有效地诊断出不同工况下的行星齿轮箱中的齿轮故障。     

A dynamic-model-based fault diagnosis method for a wind turbine planetary gearbox using a deep learning network

The planetary gearbox is a critical part of wind turbines, and has great significance for their safety and reliability. Intelligent fault diagnosis methods for these gearboxes have made some achievements based on the availability of large quantities of labeled data. However, the data collected from the diagnosed devices are always unlabeled, and the acquisition of fault data from real gearboxes is time-consuming and laborious. As some gearbox faults can be conveniently simulated by a relatively precise dynamic model, the data from dynamic simulation containing some features are related to those from the actual machines. As a potential tool, transfer learning adapts a network trained in a source domain to its application in a target domain. Therefore, a novel fault diagnosis method combining transfer learning with dynamic model is proposed to identify the health conditions of planetary gearboxes. In the method, a modified lumped-parameter dynamic model of a planetary gear train is established to simulate the resultant vibration signal, while an optimized deep transfer learning network based on a one-dimensional convolutional neural network is built to extract domain-invariant features from different domains to achieve fault classification. Various groups of transfer diagnosis experiments of planetary gearboxes are carried out, and the experimental results demonstrate the effectiveness and the reliability of both the dynamic model and the proposed method.     

多小波系数增强动态聚合联邦深度网络的多工况故障诊断

针对分布式场景下单节点样本有限、多节点间工况分布不平衡等导致的深度学习故障诊断精度低的问题,提出一种多小波系数增强动态聚合联邦深度网络用于分布式小样本下的多工况机械故障诊断。提出多小波系数增强动态聚合联邦深度网络的诊断框架,单终端节点从本地样本中提取小波系数特征,提出多小波系数深度网络融合的特征增强方法,局部模型从多样性小波系数集合中提取更具判别性故障特征;聚合节点通过对多终端节点局部模型的聚合以构建全局联邦深度网络模型,并用于多工况故障诊断;为降低多节点间数据非独立同分布的影响,提出平衡模型贡献度的联邦动态加权聚合算法。轴承振动数据分析结果表明,所提方法能在分布式小样本条件下实现高精度的多工况故障诊断。     

基于编码器信号的低转速行星齿轮箱故障诊断技术

行星齿轮箱广泛应用于低速重载的大型机电设备中,其故障检测尤为重要。当前行星齿轮箱的故障检测主要依靠振动信号分析,然而低转速工况导致的冲击微弱以及故障冲击难以分离等问题,使得行星齿轮箱故障冲击难以发掘。针对上述瓶颈,提出一种基于编码器信号的低转速行星齿轮箱故障诊断方法。该方法首先通过内置编码器获取故障信息,避免了冗长的振动传递路径带来的不利影响。在此基础上,建立稀疏低秩分解模型,引入快速主成分追踪算法(fast principal component pursuit,FPCP)进行求解,实现低转速下行星齿轮箱故障冲击的提取。行星齿轮箱故障实验结果表明,该方法不仅能获取输入轴转速为30r/min下的故障信息,而且有效地实现故障冲击的分离。研究工作可为低转速旋转机械的故障诊断提供有效的工具。     

小样本下时序注意力边界增强原型网络的 齿轮箱故障诊断方法

针对小样本条件下原型网络在提取特征过程中会丢失振动数据的时序特征,且未修正样本在度量空间中的分布导致模 型精度低的问题,提出一种时序注意力边界增强原型网络的齿轮箱故障诊断方法。 首先,通过构建时间序列注意力模块,建立 通道间的时序特征依赖,获得通道时序融合特征;然后,在计算类原型之后,增加邻边界损失以修正度量空间中的故障特征类内 和类间分布,明确类原型的表征边界。 最后,通过计算测试样本与类原型的欧氏距离,输出故障诊断结果。 实验表明,在小样本 条件下本文所提方法相比其他方法具有更高的故障诊断精度。     

基于数据特征增强和残差收缩网络的变压器故障识别方法

为增强深度残差收缩网络对变压器故障特征的学习能力从而提高故障识别精度,文中研究构建了故障特征气体向量配合改进的深度残差收缩网络来识别变压器故障.首先,构建可变软阈值函数消除恒定偏差的影响,利用快速回溯算法加快阈值确定速度的同时确保输出结果的完整性.然后,提出带可变权重的交叉熵函数降低误识别对网络精度的影响,并将构建的特...