风力发电机组发电机前轴承故障预警及辨识* .txt

摘要：为实现风电机组发电机前轴承故障预警及辨识,将监控和数据采集系统(SCADA)时间序列数据和状态监测系统振动数据相结合,提出了一种时频域建模方法。首先,利用SCADA数据建立基于门控循环单元神经网络的发电机前轴承温度模型,并计算其温度残差特征;其次,提取发电机前轴承振动信号时域特征和频域特征;最后,将温度残差特征和振动信号时频域特征相融合,建立基于极限梯度提升的前轴承故障辨识模型,从而辨识发电机前轴承正常、内圈损伤、外圈损伤、轴不平衡、滚动体损伤5类情况。实验研究表明,该方法比单独利用振动信号特征开展前轴承故障预警辨识的准确率高,其正常、内圈损伤、外圈损伤的平均辨识准确率从87%、585%、65%,分别提升到885%、675%和74%。 .txt     

基于SCADA温度数据的风电机组发电机驱动端轴承异常识别方法

为及时识别发电机驱动端轴承的异常运行状态，利用风电机组数据采集与监视控制(SCADA)系统参数序列之间存在的内在相关性，提出一种基于协整和向量误差修正模型的发电机驱动端轴承异常识别方法。首先，对所选温度SCADA参数序列的平稳性进行检验，分析各参数的单整阶数；然后，通过协整检验来确定所选参数之间的长期均衡关系；最后，在协整关系的基础上构建适用于温度SCADA参数的向量误差修正模型，计算模型预测残差的均方根误差，使用指数加权移动平均值设定阈值对发电机驱动端轴承的运行状态进行监测。利用内蒙古某风场的一组发电机驱动端轴承故障数据进行验证，结果表明该方法能有效识别发电机驱动端轴承的异常状态，及时发现早期故障。     

风力发电机组发电机前轴承故障预警及辨识

为实现风电机组发电机前轴承故障预警及辨识,将监控和数据采集系统(SCADA)时间序列数据和状态监测系统振动数据相结合,提出了一种时频域建模方法。首先,利用SCADA数据建立基于门控循环单元神经网络的发电机前轴承温度模型,并计算其温度残差特征;其次,提取发电机前轴承振动信号时域特征和频域特征;最后,将温度残差特征和振动信号时频域特征相融合,建立基于极限梯度提升的前轴承故障辨识模型,从而辨识发电机前轴承正常、内圈损伤、外圈损伤、轴不平衡、滚动体损伤5类情况。实验研究表明,该方法比单独利用振动信号特征开展前轴承故障预警辨识的准确率高,其正常、内圈损伤、外圈损伤的平均辨识准确率从87%、58.5%、65%,分别提升到88.5%、67.5%和74%。     

基于机器学习的轴承故障诊断研究

利用来自DC竞赛轴承故障检测数据集做了基于机器学习的轴承故障诊断研究。首先查看了轴承故障和正常状态的分布，然后利用XGBoost算法筛选出了20个核心建模特征，最后根据筛选出来的核心建模特征构建了随机森林、SVM和KNN3种机器学习模型，通过计算准确率、召回率、精确率、F1得分和ROC曲线下的面积（AUC）这5个性能指标来评估基于3种机器学习算法构建的预测模型在测试集上的预测效果。对比3个模型在测试集上表现的性能指标可以发现，基于随机森林算法构建的轴承故障诊断预测模型在AUC和准确率这两个核心指标上的评分都比其他两个模型高，它们的值都超过了90.00%，尤其是AUC达到了96.21%，效果最优。     

基于随机森林算法的改性水润滑轴承摩擦性能预测*

为验证随机森林算法在预测改性水润滑轴承摩擦学性能上的可行性,利用Python编写算法,并通过已知实验数据进行仿真建模。通过已知数据对算法的准确性进行验证,其接受者操作特征（ROC）曲线的均值为0.85,证明模型的准确性较高。在不同温度及载荷工况条件下通过实验对预测模型进行验证,实验结果与预测结果间的误差均在5%左右,表明构建的随机森林模型可以用于改性水润滑轴承的摩擦学性能预测。研究结果表明：温度对于该改性水润滑轴承的平均摩擦因数有较大的影响,而负载对平均摩擦因数的影响较小,但是对于轴承的运转稳定性影响较大。     

基于协整分析的风电机组状态监测方法

针对风力发电机组SCADA系统受到环境及运行等因素影响[1],常常发生故障漏报和误报等问题,提出一种基于协整计算的风力发电机SCADA非平稳数据分析方法。风力发电机SCADA数据经协整计算可以获得附带风力发电机状态信息的残差,通过分析该协整残差可实现风力发电机的状态监测。取内蒙古包头市固阳县某风场1.5 MW双馈风电机组所采集的SCADA数据为研究对象,利用部分非平稳数据建立协整模型,并用一组正常运行数据以及一组已知齿轮箱故障数据对模型进行验证,结果表明,所提方法可有效抑制SCADA数据中由环境和运行引起的响应,准确识别风力发电机的运行状态,简单有效的实现风力发电机的状态监测.     

基于深度信念网络的风机主轴承状态监测方法

提出了一种基于深度信念网络（DBN）的风电机组主轴承状态监测方法。为了降低建模难度并减少训练时间,首先利用相关系数法选取建模变量,进而建立主轴承正常行为的DBN温度模型并用于主轴承温度预测。该模型克服了传统神经网络随机初始化网络权重、易陷入局部最小值等缺点,能有效提高主轴承温度的预测精度。然后采用指数加权移动平均法（EWMA）对主轴承温度残差序列进行分析,并利用核密度估计方法确定故障阈值。最后基于实测的数据采集与监视控制（SCADA）系统数据对主轴承故障进行模拟。结果表明,与传统预测方法相比,该方法能有效地实现主轴承的异常状态监测。     

特征矢量优化的滚动轴承故障诊断

为提取小波包频带中的有效故障信息,基于Fisher线性测度提出一种新的特征矢量优化方法。轴承振动信号经小波包分解后,各子频带数据片段的能量值作为参数构建特征矢量。使用差异性和相似性优化相结合方法,分别选出不同轴承状态下Fisher距离较大的小波包频带,以及同种轴承状态下Fisher距离最小的频带,提取出易于区分不同轴承状态的故障信息。故障辨识使用连续型隐马尔可夫模型,在3种故障程度下实现了轴承正常状态、滚动体故障、内圈和外圈故障的有效判别,辨识精度大于94%。比较实验表明文中方法的辨识精度优于文献方法。     

基于ICEEMDAN与支持向量机的轴承故障诊断方法

针对DF4型机车轮对轴承不同健康状态的辨识问题，提出改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与灰狼寻优算法优化支持向量机(GWO-SVM)结合的故障识别方法。对机车轮对轴承不同故障信号利用ICEEMDAN方法分解为若干模态分量(IMF);根据相关系数准则将IMFs重构出典型的特征信号，并计算不同状态的特征信号在多尺度上的样本熵值，构成多尺度样本熵MSE特征向量；通过灰狼算法对SVM的核参数c和g进行全局寻优，增强SVM模型的分类性能，实现对轴承故障状态的准确识别。采用某局机务段JL-501机车轴承试验台数据验证所提模型的有效性，结果表明：ICEEMDAN-MSE与GWO-SVM结合的机车轮对轴承故障诊断方法能够准确地对轴承健康状态进行识别，准确率达96.86%;与参数自选的SVM模型和CEEMDAN-MSE+GWO-SVM等模型相比，文中所提方法的故障识别率分别提高了23.57%和3.48%。     

基于熵值比-DTW度量奇异值相似度指标的滚动轴承退化历程辨识

针对滚动轴承健康状态监测现有退化指标单调性及鲁棒性差，且数据波动造成不同退化状态区分度低等问题，提出了一种基于熵值比-动态时间规整(DTW)度量的奇异值相似度指标并用于辨识滚动轴承不同退化历程。首先，利用奇异值分解(SVD)算法对不同时刻采集的轴承信号矩阵进行分解，将奇异值作为轴承退化特征；其次，基于DTW算法计算轴承连续退化奇异值时间序列的相似度，表征轴承的全寿命周期历程；最后，考虑到轴承不同退化状态的差异性，将熵值比作为权值对相似度指标进行优化，提高相似度退化指标的单调性及对早期异常点的敏感性。对IMS轴承全寿命周期数据的研究结果表明：奇异值相似度指标的单调性、鲁棒性及敏感性较好，可有效避免数据波动对轴承健康状态带来的干扰，能更准确地反映轴承全寿命退化历程。     

基于多维度信息融合评判方式的滚动轴承故障特征选择方法

针对多传感数据流及故障特征构建所带来的高维数据的时间复杂度高与数据冗杂问题，提出了一种基于多维度信息融合评判方式的轴承故障特征选择方法。首先，以随机森林、Spearman相关性分析作为基点，并结合门控循环单元(GRU)、差分整合移动平均自回归模型(ARIMA)对各特征做出了初步评价；其次，引入了新评价函数，融合了各部分初步评价信息，剔除了尾部特征并逐次迭代，选择了低冗余且具有较好分类效果的特征子集；最后，以美国凯斯西储大学轴承数据为例，对基于多维度信息融合评判方法与基于随机森林估计器的递归特征消除(RFE-RF)、最大相关最小冗余(mRMR)相比较，以分类准确率作为评估指标，验证了模型的效果。研究结果表明：该方法能在保持97.5%准确率的情况下，得到较少的特征子集，提升了计算效率；该模型能够为滚动轴承故障特征的选取提供借鉴。     

基于融合特征与数模联动的轴承寿命预测方法

针对现有数模联动剩余使用寿命（remaining useful life， 简称RUL）预测方法易受随机噪声干扰、没有考虑轴承的退化特性等问题，提出了一种基于融合指标与数模联动的轴承RUL预测方法，以提高原始数模联动RUL预测方法的准确性。首先，利用主成分分析及指数加权移动平均算法融合表征轴承退化状态的多种特征，构建单调趋势良好的性能退化融合指标；其次，基于3σ准则建立一种首次预测时间确定方案，以触发RUL预测模型的启动，避免RUL预测的无效性；最后，考虑轴承的退化特性，嵌入Rauch-Tung-Striebel平滑滤波算法，以减小退化模型的随机波动，实现轴承RUL的可靠预测。仿真数据和试验信号分析结果证明了所提方法的有效性，相较于现有数模联动方法，显著提高了轴承RUL的预测精度。     

基于假设检验法的风力发电机轴承健康系数研究

针对在役风力发电机运行维护困难的情况,基于数据采集与监测系统(SCADA)的数据,从数理统计的角度出发,以概率为基础,在设定的统计模型下运用假设检验方法进行整理与分析,计算出健康系数值,从而依据量化值对风力发电机轴承的健康状态做出合理、科学的推断。     

基于多参数融合的风机健康状态评估

风电场中风机在运行过程中会产生海量数据,这些数据蕴含着大量风机关键部件的运行状态信息,通过对这些数据进行融合并采用科学比对分析能有效评估风机健康状态,提高风机的运行效率。通过CMS系统获取某双馈机组发电机非驱动端轴承振动数据,结合专家经验对数据进行分析并与理论值进行对比,判定轴承存在外圈故障;通过SCADA系统获得风机的状态数据,对状态数据进行分析获得一种基于SCADA数据的模糊综合判定模型;提出一种将CMS数据与SCADA数据相融合的风机健康状态综合评估方法,为提高风机健康评估准确性提供有效参考。     

风电机组变桨轴承的磨损预警方法研究

针对风电机组变桨轴承磨损情况严重、经济损失大等问题,提出了一种基于数据采集与监视控制(SCADA)数据的风电机组变桨轴承磨损预警的建模方法。以变桨电机电流、桨距角、风速、功率等风机运行参数为基础,利用滑动窗口统计的方法构造了新的特征变量,将特征变量和标签数据导入随机森林算法,进行了模型的训练和验证;然后,建立了一种监测变桨轴承磨损的预警模型;最后,以某风场20台机组历史数据为输入,以机组故障记录为输出标记,在设定了合理的预警规则基础上,建立了变桨轴承的预警模型,并对此进行了实测验证。测试结果表明:该变桨轴承磨损预警模型能提前5 d～30 d发出预警信息,预警准确率平均能达到87.9%;试运行结果表明:该模型具有成本低、效率高、解释性强的特点,在提高机组的安全运行时长,以及降低机组的运维成本方面具有重要意义。     

随机森林在群控电梯交通模式识别中的应用

运用随机森林算法设计一种电梯模式识别系统。通过采集当前电梯运行中的有效数据,组成训练数据,用随机森林法建立模式识别模型,基于该模型设计模式识别系统。将电梯的运行参数带入基于随机森林建立的模式识别模型,得出群控电梯的交通模式,实验结果与预期相同。理论分析与实验结果表明,把随机森林算法运用到电梯交通模式识别中,既可以有效地识别出电梯当前的交通模式,又可以提高分析速度。该算法适用于辨识各种群控电梯交通模式,具有灵活性。     

基于时间子序列的轴承特征提取方法

尽管纯粹的时域等特征有着提取速度快和物理意义明确的优点，但诊断准确性却略逊于其他方法。针对这一问题，提出了一种将词包模型和时间子序列（Based On the Time Subsequence,BOTS）相结合的轴承特征提取方法。首先，用滑动窗口在振动信号中滑动，得到多段连续的、非平稳的时间序列，并将其看作一篇篇文档。针对每一个时间序列，随机截取多个固定长度的连续子序列，求取子序列的时域或者频域特征；然后，用随机森林算法统计每一个时间序列中所有子序列的类别票数情况，基于类别票数情况构建词典；最后，将词典作为新特征，输入随机森林分类器进行训练学习，并利用西门子中国研究院无锡创新中心SQI-MFS实验平台、东南大学以及机械故障预防技术学会提供的轴承数据进行了多种实验。实验表明，BOTS+小波包能量方法提取的特征具有更高的识别度。     

基于孤立森林-控制图与多特征联合的滚动轴承异常状态检测

为保证滚动轴承异常状态检测的及时性并降低虚警率，提出了一种基于孤立森林的多指标改进CUSUM异常检测方法(IF-CUSUM)。首先，对轴承原始振动序列进行小波去噪；然后，基于孤立森林算法去除振动序列的离群点；最后，结合RMS和峭度等指标设计阈值分配方案，给出异常状态检测判定依据。通过60组不同振动演化规律、脉冲强度和噪声等级的滚动轴承故障仿真数据以及FEMTO-ST轴承数据集进行算法验证，结果表明，与基于单一RMS指标、峭度指标的异常检测算法相比，IF-CUSUM算法能较早地检测出滚动轴承运行过程中的异常点，虚警率较低，整体性能和鲁棒性较好。     

基于IFOA-TCA的跨工况轴承故障诊断

为解决不同工况下轴承振动数据分布不一致且目标工况轴承诊断数据不足的难题，提出一种采用改进果蝇优化算法(IFOA)优化主题相关性分析(TCA)的跨工况轴承故障诊断方法。首先，通过联合混合模型挖掘源域与目标域轴承故障样本数据中的共有主题与领域独有主题；其次，以共有主题为桥梁，映射领域独有主题并共同构建一个新的特征空间；然后，选用逻辑回归模型，在新的特征空间里利用源域轴承故障样本数据训练模型，并通过训练好的模型输出对目标轴承的故障诊断结果；最后，调整果蝇优化算法中味道浓度判定值的取值方式并采用多种策略改进果蝇优化算法，将改进果蝇优化算法用于优化主题相关性分析中的超参数，提高对目标工况轴承的故障诊断精度。     

基于状态切分与时间卷积网络的风电齿轮箱系统温度异常故障预警

由于风电齿轮箱结构复杂、运行工况多变，采用监控与数据采集系统（SCADA）数据对齿轮箱早期故障预警的精度不足。本文提出考虑风电齿轮箱润滑冷却状态及运行工况的状态切分方法，基于齿轮箱润滑冷却系统运行原理，从原始运行数据中选取相关参数，采用统计分析和聚类方法将齿轮箱系统时间序列数据进行运行策略分类切分，构建齿轮箱运行状态判断模型；提出采用时间卷积神经网络训练不同运行策略下的齿轮箱温度预测模型，并实时判断运行状态，选取对应运行策略温度预测模型，估计齿轮箱温度，通过与实际值之间的残差实现齿轮箱故障预警。实际案例表明，本文所提出的方法可以提高模型精度，能够有效预警风电齿轮箱系统的早期故障。