基于XGBoost建模和Change-Point残差处理的风电机组齿轮箱温度预警

风电机组具有单机容量小,台数多,状态信息复杂的特点;基于SCADA数据的风电机组齿轮箱预警普遍存在预测精度和计算效率低,资源占用高的问题,选取有效方法以克服上述问题成为齿轮箱预警的关键。极限梯度提升(eXtreme Gradient Boosting,XGBoost)算法本身结合多线程、数据压缩、分片的形式,其在处理大数据量样本时仍具有较高的通用性。采用XGBoost算法建立齿轮箱正常工作状态的温度模型,使用XGBoost模型与其它4类回归预测模型分别进行齿轮箱温度预测模型实验,结果表明XGBoost模型在齿轮箱温度预测中综合性能要优于其它4类模型。当齿轮箱发生故障时,模型的样本特性会发生异常变化,导致模型的预测残差发生明显改变。为提高齿轮箱故障预警的可靠性,构建了新的Change-Point算法,利用Change-Point技术进行XGBoost模型预测残差序列分析,可定位齿轮箱状态劣化时间点,回溯状态劣化原因。     

风机齿轮箱轴承状态评估与剩余寿命预测

为了提高风机运行的可靠性和经济性,提出一种基于马尔科夫链的风机齿轮箱轴承状态评估和剩余寿命预测方法。首先,建立风机齿轮箱轴承磨损状态的Gamma分布模型,并利用最大似然法对模型参数进行估计;其次,划分风机齿轮箱轴承磨损状态等级,并确定各状态等级区间限值;再次,计算齿轮箱轴承磨损状态转移概率,并构造马尔科夫过程的状态转移矩阵;最后,应用该方法对风机齿轮箱轴承进行算例仿真。算例仿真结果验证了该方法在确定风机齿轮箱轴承磨损状态和剩余寿命方面的有效性。     

风电机组齿轮箱温度趋势状态监测及分析方法

风电机组状态监测对于风电场特别是海上风电场降低维护成本,提高运行水平具有重要的实用价值。采用温度趋势分析的方法对风电机组齿轮箱的运行状态进行监测。利用非线性状态估计（nonlinear state estimate technology,NSET）方法建立齿轮箱正常工作状态下的温度模型并用其进行温度预测。通过合理构造过程记忆矩阵,使模型覆盖齿轮箱的正常工作空间。当齿轮箱工作异常时,其动态特性偏离正常工作空间,NSET温度模型预测残差的分布特性发生改变。采用滑动窗口方法实时计算残差的统计分布特性,当残差的均值或标准差的置信区间超出预先设定的阈值时,发出报警信息,提示运行人员检查设备状态。为模拟齿轮箱的故障情况,在机组数据采集与监视控制系统（supervisory control anddata acquisition,SCADA）数据中加入人为温度偏移。通过对该模拟故障的分析,新的状态监测方法能够及时发现齿轮箱的异常状态,达到实时在线状态监测的目的。     

应用Adabelief优化器的MSDNet在多工况下滚动轴承的故障诊断

针对滚动轴承在多工况条件下故障特征难以识别的问题,从数据驱动的角度出发应用一维多尺度密集网络(MSDNet)对轴承进行故障诊断。首先,将时域信号作为MSDNet的直接输入,保持了信号本有的固有特性;其次采用3个并行卷积操作来提取轴承故障信号内部的多尺度信息,密集网络的加入防止了信息传递过程中的特征丢失,适当缓解了模型中的梯度消失问题;然后训练过程中采用Adabelief优化算法优化模型参数,使得模型在快速收敛的同时又提高了其泛化性能;最后通过混淆矩阵和特征可视化图展示出模型的分类性能,在凯斯西储大学轴承实验数据集和西安交通大学数据集上进行了多次实验,应用该算法故障识别率可达到98%以上,证明了该方法的有效性。     

基于子空间方法的风机齿轮箱故障预测算法

为了减少风机齿轮箱严重故障的发生,提出了一种基于随机子空间识别方法的齿轮箱故障预测算法。该算法首先建立齿轮箱的随机状态空间模型,并利用正常运行时的振动监测数据计算模型的参数矩阵的特征值,并将其作为参考特征值;然后将由实际振动数据所求得的特征值与参考特征值进行比较,如果两者误差很小,则说明齿轮箱正常,反之则异常。为了减少计算量,引入均方根误差(RMSE)作为齿轮箱故障判别指标,并利用统计过程控制(SPC)原理定义该指标的阈值。最后,对一台实际风机的振动监测数据进行仿真,结果表明了所提出算法的有效性。     

基于深度自编码网络模型的风电机组齿轮箱故障检测

为了实现风机齿轮箱的故障检测分析,提出一种基于风电机组齿轮箱的数据采集与监视控制(SCADA)数据和振动信号的深度自编码网络模型。该模型作为一种典型的深度学习方法,通过逐层智能学习初始样本特征,可以获取数据蕴含的规则与分布特征形成更加抽象的高层表示。首先,利用限制性玻尔兹曼机对网络参数进行预训练和反向传播算法对参数进行调优,建立深度自编码网络模型。然后,通过对齿轮箱的状态变量进行编码和解码,计算重构误差并将其作为齿轮箱的状态检测量。为了有效检测重构误差的趋势变化,选用自适应阈值作为风机齿轮箱故障检测的决策准则。最后,利用对齿轮箱故障前、后记录的数据进行仿真分析,结果验证了深度自编码网络学习方法对齿轮箱故障检测的有效性。     

基于改进AAKR的风电机组齿轮箱状态监测

针对自联想核回归(AAKR)算法在计算相似度时未考虑状态向量中各元素对欧氏距离贡献程度不一、模型参数常依据主观经验进行标定而导致模型精度较低的问题,提出基于旗鱼优化（SFO）的改进AAKR算法建立齿轮箱正常行为模型的非参数建模方法。首先,以全参数等间隔划分方法构建记忆矩阵;其次,在AAKR模型中引入距离权重系数并通过SFO算法对AAKR模型中的宽度系数和距离权重系数进行优化;最后基于滑动窗口和残差数据构造健康指数实现风电机组齿轮箱的状态监测。以某台2MW风电机组实测数据为例进行验证,结果表明,相比于传统AAKR、加权AAKR和稳健状态估计模型,所提算法平均精度分别提高了1.55%、0.6%、0.76%,在故障预警时通过所构造的健康指数能够更灵敏、准确的反映齿轮箱的早期故障及其发展趋势。     

基于统计过程控制的风机齿轮箱故障预测

为了减少风力发电机组齿轮箱故障,确保风电机组持续安全运行,对风电机组运行监控数据在线分析,提出一种结合最小二乘支持向量机（LSSVM）的风机齿轮箱统计过程控制故障预测方法。该方法以支持向量机学习风电机组的正常状态运行模式,利用风电机组实时运行数据来估计正常状态下该时刻齿轮箱油温度和齿轮箱轴承温度,并与实际温度测量值进行比较。随后利用统计过程控制技术分析齿轮箱油温和轴承温度的实际值与估计值的残差,以实现齿轮箱异常状态的预测。     

基于比例失效模型的风机齿轮箱轴承检修

提出一种基于故障数据和状态监测数据的风力发电机齿轮箱轴承的新型检修策略.分析了比例失效模型中各参数的意义.利用最小维修成本法确定最优维修决策阈值,绘制最优维修阈值曲线,进而制定出最优维修策略.通过某型风力发电机齿轮箱轴承的实例分析,证明了此方法在风力发电机齿轮箱轴承维修决策中的使用价值.     

基于时间延迟的风机齿轮箱状态优化维修

风电机组运行环境恶劣,故障频发,尤其以齿轮箱的故障居多,造成风机整体维修成本偏高。针对以上问题,提出了一种基于时间延迟的状态优化维修策略,在时间延迟模型的基础上考虑振动监测信号,先结合故障数据和状态监测数据求得齿轮箱的比例危险函数和可靠度函数,再采用单位运行时间内平均维修费用最小的方法优化得到最优状态维修阈值,最后依据该阈值实施风机齿轮箱的优化状态维修。通过对某风电场仿真分析,求得了最优状态维修阈值,并制定了维修策略。仿真结果证实了该策略在避免过度维修和维修不足问题以及节约维修成本方面的有效性。     

基于GRU和注意力机制的海上风机齿轮箱状态监测

海上风电机组齿轮箱运行状态的有效监测和及时预警对海上风机运维工作具有重要意义。为此,提出一种基于门控循环单元(Gated Recurrent Unit, GRU)和注意力机制的海上风电机组齿轮箱状态监测方法。在训练阶段,通过注意力机制自动提取海上风电SCADA数据集输入参量与目标建模参量间的关联关系,同时采用GRU网络提取数据间的时序依赖关系,进而建立风电机组齿轮箱的正常行为模型。在测试阶段,采用指数加权移动平均值(Exponentially Weighted Moving-Average,EWMA)控制图对目标建模参量实际值和模型预测值间的输出残差进行监控,实现海上风机齿轮箱运行状态的实时监测和预警。最后基于东海大桥海上风电场真实数据对所提方法的有效性和优越性进行了验证。结果表明：所提方法对故障和正常运行条件下的海上风电机组齿轮箱状态均可进行有效监测,且相比现有陆上风机状态监测方法具有更高的精度和可解释性,并能更早地揭示故障趋势。     

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 HHO参数优化的SVM 变压器故障诊断方法研究∗

为了提高变电信息系统中变压器故障诊断的准确率,针对变压器故障样本较少,采用类内类间距离的可分性测度和相关性分析法确定关键特征向量,将特征向量作为支持向量机的输入样本,建立 SVM 故障分类模型.分析了哈里斯鹰优化算法 (HHO)和粒子群算法 (PSO)的优缺点,提出了基于哈里斯鹰优化算法 HHO 优化支持向量机 SVM 模型的参数.最后,通过真实变压器故障数据进行实验仿真,结果表明所提出的变电站故障诊断方法能够有效识别故障类型,具有较高的准确率和收敛速度.     

风力发电机轴承振动监测故障诊断分析

为提高风力发电机轴承状态异常判别和故障诊断能力,保证机组可靠稳定运行,降低机组维护成本,发电机轴承采用了振动在线状态监测频谱信号的判别方法,即利用振动数据样本及特征频率分析,监测轴承运行状态。通过对轴承振动数据的分析来评定其运行状态,为轴承故障预判提供依据。     

考虑不完全维修的风机齿轮箱优化检修策略

齿轮箱是风电机组中维修费用最高的部件之一,针对齿轮箱的状态检修策略研究对降低设备维修费用、提高可靠度具有关键作用。针对风机齿轮箱不完全维修这一现状,提出了一种基于比例强度模型的优化检修策略。该方法利用监测到的齿轮箱振动数据、温度数据及历史维修数据建立比例强度模型,确定齿轮箱的强度函数;然后采用物理规划方法权衡最小维修费用和最大可靠度两个优化目标函数,确定最优维修阈值,并制定最优维修策略。结合实际风电场故障数据和在线监测数据,对考虑不完全检修的优化检修策略进行仿真分析,结果验证了所提优化策略的有效性和合理性。     

基于实时信号的水电机组轴承运行分析与诊断

轴承作为水电机组的接触和承力部件,其运行状态变化对机组安全稳定运行至关重要。为准确分析轴承运行状态,提出一种水电机组轴承状态实时监测分析新思路,通过建立轴承状态监测相应在线存储数据库,运用时域、频域和希尔伯特黄变换(Hilbert-Huang Transform,HHT)时频分析方法提取轴承异常数据的故障特征,结合诊断知识搭建轴承状态实时跟踪分析评价模型,实现对机组轴承状态的实时评价,形成机组连续运行轴承状态跟踪分析样本。最后在相关电厂的应用表明,该方法能够实现对轴承运行状态实时分析诊断,大大提高机组的安全、经济运行。     

基于Hilbert边际谱和IPSO-SVDD的滚动轴承故障诊断

滚动轴承是旋转机械状态监控及故障诊断的重要研究内容。为了更加高效的对轴承故障位置及故障程度进行诊断,提出了一种基于Hilbert边际谱和改进粒子群算法(IPSO)优化支持向量数据描述(SVDD)相结合的滚动轴承故障诊断方法。该方法首先求取轴承振动信号的本征模态函数,在此基础上得到信号的边际谱以及信号的AR模型参数,积分求取边际谱的能量特征函数和AR模型参数相结合构成系统特征向量。然后针对传统网格搜索法或凭经验确定SVDD核心参数的缺点,提出利用基于动态因子的粒子群算法对SVDD的核心参数惩罚常数C及核函数宽度σ进行优化,利用优化后的SVDD模型对滚动轴承各状态信号进行智能诊断。人工数据集及真实数据集实验结果表明,该方法可以有效识别各故障状态信号,并且优化后模型的诊断效率及诊断精度高于传统网格搜索法确定的模型。     

基于主成分分析——支持向量机优化模型的断路器故障诊断方法研究

为了准确实现电磁斥力机构真空断路器的故障诊断,针对电磁斥力机构真空断路器分闸振动信号,在正常状态、单一故障状态、多个故障共存状态下,通过小波包分解、希尔伯特-黄变换(HHT)提取振动信号能量熵向量,结合特征提取方法原理分析了两种方法提取特征量的有效性,提出了主成分分析(PCA)—支持向量机(SVM)优化模型进行故障诊断,并验证了网格搜索算法(GSA)、粒子群算法(PSO)、遗传算法(GA)3种参数寻优算法的性能。经实验测试,PCA-SVM优化模型解决了因样本特征信息存在噪声和冗余而引起的SVM识别准确率下降的问题,有效提升了测试样本的识别准确率和模型效率,具有较好的诊断效果。     

基于KELM和多传感器信息融合的风电齿轮箱故障诊断

为提高风电齿轮箱的运行效率,降低风电场的运行维护成本,结合时域统计特征分析和多传感器信息融合技术,提出了一种基于灰狼优化核极限学习机(GWO-KELM)的风电齿轮箱状态监测新方法。首先,计算原始振动信号不同的时域统计特征参数,并采用并行叠加的方式对特征级和数据级进行信息融合以得到融合数据集。其次,利用融合数据集,建立了基于GWO-KELM的故障分类识别模型。最后,运用所提方法对QPZZ-Ⅱ旋转机械振动试验台齿轮箱实测数据进行状态监测,实例结果表明了该方法的有效性和可行性,与其他同类方法相比,所提方法具有最佳分类性能。     

基于 LS 和 MTS 的两阶段滚动轴承故障特征选择方法

滚动轴承故障预测和健康管理(PHM)方法可以提取大量的故障特征数据,这些数据虽然有很大的潜在价值,但也存在高维、高冗余性的特点,难以直接分析和利用。因此,针对轴承故障特征数据的特点,以去除数据冗余性、筛选敏感特征为目的,提出两阶段特征选择算法。该方法的第1阶段采用拉普拉斯得分(LS)对原始特征按局部保持能力进行排序,利用互信息聚类算法删除特征集中的冗余特征。第2阶段采用多变量模式识别中的马田系统(MTS)方法对剩余特征进行综合评价,挖掘对故障分类更有效的特征。轴承退化仿真试验数据验证结果表明,提出的两阶段特征选择算法可以有效地去除冗余度、提高故障监测准确率,可以有效的运用到滚动轴承的初期故障检测中。