基于残差神经网络的风机叶片结冰故障诊断

风力发电机叶片结冰故障直接影响风力发电机的运行安全和发电效率.针对这一问题,提出一种基于一维残差神经网络(1DRes-CNN)的叶片结冰诊断模型,该模型通过风机SCADA数据进行风机叶片结冰故障诊断.首先通过标记标签、数据分割、类间平衡和归一化对SCADA数据进行预处理;然后基于叶片结冰物理机制和XGBoost特征重要...     

基于深度学习模型的风机叶片结冰故障诊断

风力发电机叶片出现结冰现象时若照常工作，不仅会影响经济效益，严重时还会直接损坏叶片等设备引发安全事故。为此提出一种使用KmeansSMOTE的数据平衡方法与应用结冰相关的机理构建新特征和RFECV-DT特征筛选算法相结合的特征工程互补的数据处理方式，之后采用卷积神经网络模型进行训练与预测。实验结果表明，在卷积神经网络模型中采用KmeansSMOTE算法比SMOTE算法准确率提升2.78%。模型采用特征工程时比不采用特征工程相比准确率高出4.77%。与KNN、SVM、LR这些传统模型相比，所有衡量指标均有提升且不存在过拟合现象。所提出的方法，可解决应用SMOTE插值机制所带来的不足并且对特征工程进行精细化设计，也为风机叶片结冰故障诊断问题提供一种新的解决思路。     

基于SCADA数据的风机叶片结冰检测方法

针对工作在寒冷地区的风机易出现的叶片结冰现象,提出一种基于SCADA数据的风机叶片结冰检测方法。根据叶片结冰会增大发电机的功率损耗,选择风速与网侧有功功率2个变量,利用主成分分析技术构造对叶片结冰敏感的风速与网侧有功功率在非主成分方向投影特征,通过选择最优阈值使逻辑回归分类器适用于不平衡分类,可以实现风机叶片结冰检测自动化与智能化。通过中国工业大数据创新竞赛数据验证了该方法的有效性。     

基于数据挖掘的风电机组叶片结冰故障诊断

针对风电机组叶片结冰故障无法精确预测的问题,提出基于数据挖掘的故障诊断方法。该方法首先采用特征筛选算法从SCADA高维数据种提取故障模式最相关的特征,然后结合类别不平衡学习算法处理高度不平衡的SCADA数据集,最后利用四种分类算法建立风电机组叶片结冰故障诊断模型。结果表明,基于随机森林算法的故障诊断模型具有最好的诊断性能和泛化性能,该方法能够实现风电机组叶片结冰故障的有效诊断,对风电机组的维护具有参考指导意义。     

改进BiLSTM-GRU-DMD的风机叶片结冰故障检测与状态评估模型

针对风电机组运行监测数据的不平衡性与时序性，提出一种新的风机叶片结冰故障诊断与状态评估方法。首先，利用自适应过采样方法均衡风机结冰样本数据集的不平衡性；然后，改进堆叠双向长短时记忆网络和门控循环单元检测风机叶片结冰故障，利用焦点损失函数作为损失函数侧重于难分类样本优化模型，并结合改进非洲秃鹫优化算法优化超参数，从而提升检测准确性；最后，测度结冰样本与非结冰样本的动态马氏距离，并转换为结冰指数评估叶片结冰状态。真实风场数据验证表明：提出的风机结冰故障检测与状态评估方法，在结冰检测方面，其F1分数、精确率和召回率分别达到0.967 8、0.960 7和0.975 1，优于其他基线模型和优化算法，有效地减少了错报率和漏报率。同时，在定量化评估风机叶片不同阶段的结冰状态方面具有优势，可以为风电设备视情维修提供支持。     

基于无人机图像的风力发电机叶片缺陷识别

针对风力发电机叶片人工检测低效,缺陷诊断难的问题,提出一种基于无人机与图像处理的风力发电机叶片缺陷识别方法。通过Halcon 12与Visual Studio 2015的联合开发,实现图像处理流程、检测结果输出以及缺陷回放等功能,包括相机标定、通过快速自适应加权中值滤波处理图像、动态阈值分割叶片图像缺陷特征,利用区域处理识别裂纹和砂眼等缺陷,并对缺陷进行分类与测量以及输出对叶片质量的分析报告等,实现风力发电机叶片表面缺陷的自动检测功能。通过实例验证了该方法在风力发电机叶片表面缺陷检测中的较高精确性与算法稳定性。     

预应力装配式风机叶片连接段结构模拟分析

随着风力发电机功率提高,其叶片越来越长,叶片的运输难度和风险增大,成本增高,特别是在山区风场建设中愈发明显。将长叶片分段制造、运输并现场组装是解决此问题的有效途径。该文提出了一种全新的基于高强预应力螺栓连接的装配式风力发电机叶片结构方案。以某兆瓦级玻璃纤维叶片为对象,确定了在离叶根16 m处进行分段时的预应力连接结构方案,利用大型有限元分析软件ABAQUS建立了连接段的精细化有限元模型,对模型在预应力以及挥舞和摆振方向4种设计荷载作用下的应力进行了分析。结果表明:在4种工况下的叶片玻璃纤维材料以及预应力连接螺栓强度均满足要求,验证了该文所提出的基于高强预应力螺栓连接的装配式风机叶片结构方案可行,该研究为解决传统风力发电机叶片的运输难题提供具有应用前景的新方法。     

神经网络结冰检测技术研究

冰层在飞机表面积聚,改变飞机的气动外形,从而影响飞机气动参数。本文采用线性化小扰动方程建立飞机动力学模型,基于该模型进行H∞参数识别;利用飞机平尾结冰数据,结合结冰严重程度经验模型训练结冰检测神经网络。对H∞参数识别结果通过神经网络检测飞机结冰严重程度。计算机仿真结果表明该方法能准确检测飞机结冰严重程度。     

基于非线性本构关系的复合材料风机叶片有限元极限分析与设计

为了研究具有三维复杂构形的复合材料风机叶片的逐次破坏过程和极限承载能力, 将复合材料细观力学非线性本构理论桥联模型与有限元软件ABAQUS通过用户子程序UGENS结合起来对风力发电机叶片结构进行极限强度分析。只需提供纤维和基体的材料性能参数、 纤维体积含量以及蒙皮和增强筋的铺层数据包括铺设角、 层厚和铺层数, 就可预报出复合材料复杂叶片结构的整体承载能力以及叶片破坏所处的位置, 为正确评估和合理设计风机叶片结构提供了一种简便有效的分析方法。以一种20kW风机叶片为例, 用此方法实现了新型复合材料叶片结构的极限分析和合理设计, 提高了叶片的强度和刚度, 有效降低了叶片的重量。本文中的方法同样适用于其它复合材料复杂结构的极限分析与强度设计。      

风电机组防雷问题初探

首先介绍风力发电机叶片的结构,从构筑物的角度进行考虑,风力发电机可以进行防雷分区,按照这种分区方式可以确定风机的不同位置需要采取怎样的防护措施。按照危险程度进行划分:处于LPZ0区的部分包括叶片、风速仪;LPZ1区包括:风机(机舱)罩、塔桶电缆;LPZ2区包括:变浆柜、控制柜等。其次,结合风电机组防雷的研究成果,对风电机组叶片、机舱、电控系统(包括配电变压器、电源、信号电路、通讯接口)的防雷措施和接地技术进行较初步的阐述。     

基于机器学习的风机叶片开裂预测研究

为了预测风机叶片开裂的状态,使用机器学习的方法对风机叶片状态进行分类预测.首先对SCADA采集的原始数据进行预处理,然后采用逻辑回归与XGBoost集成学习算法对预处理后的数据进行建模,并通过性能度量的评价指标比较两种算法的效果与泛化能力.结果表明,XGBoost在风机叶片开裂的分类预测上有更好的效果,其预测准确率达到了97.31％,而逻辑回归预测的准确率只为69.05％,从而将XG-Boost集成学习算法用于精准预测风机叶片开裂的状态,为风电场对风机叶片状态检测提供了参考依据.另外为了提高模型训练的效率,使用嵌入式特征选择方法将430维数据降到100维,训练时间从67.06s降到13.50s,准确度从97.04％提升到97.65％.     

基于EEMD和能量分离的风电机组传动系统的故障诊断方法

摘 要：针对风力发电机传动系统故障发生时难以有效提取识别问题，提出基于EEMD分解和能量分离算法的故障诊断方法。首先，对采集到的振动信号进行EEMD分解；然后，根据峭度和相关系数选取包含故障最多且与原信号相关性较大的IMF分量；最后，通过能量分离算法来估计选定的IMF分量的幅值包络和瞬时频率，用来进一步解调分析，实现故障的诊断与定位。通过对风电传动系统的实验数据和风场现场实际运行数据证实了提出方法的准确性和有效性。该方法在风电场的实际工程当中具有良好的应用价值。     

基于应变模态的风机塔筒根部疲劳裂纹损伤检测研究

风力发电机塔筒根部所受弯矩大易产生疲劳裂纹，及早地检测发现裂纹有利于防止风机倒塌破坏。研究一种基于应变模态的塔筒根部疲劳裂纹损伤识别方法。首先建立塔筒的振动微分方程和应变模态；然后构建风机模型并进行模态分析，研究塔筒损伤前后固有频率、位移和应变模态振型的差异；最后建立应变模态变化率的疲劳裂纹识别指标，并基于最小二乘法拟合应变模态变化率与损伤程度的数学关系。结果表明：塔筒受损前后固有频率和位移模态振型无显著改变，无法进行损伤定位；应变模态振型在受损处出现峰值突变，且损伤程度越高突变越明显；应变模态变化率与损伤程度呈正相关，采用六次多项式可拟合出两者的关系。     

基于高斯基函数CMAC神经网络的发电机故障诊断方法

提出一种基于高斯基函数小脑模型神经网络(CMAC)的汽轮发电机故障诊断新方法,为了达到更高的精度和更好的泛化能力,该方法以高斯函数作为CMAC神经网络的基函数,针对发电机的机电耦合特性,将发电机机电综合特征作为神经网络的训练样本输入,经MATLAB仿真得到了完全正确的诊断结果,收敛速度快,精度高,可以满足在线监控的要求。通过比较学习率和泛化常数取值不同时CMAC网络的训练结果,分析了学习率和泛化常数对该网络的影响。     

基于功率曲线分析与神经网络的风电机组故障预警方法

为尽早发现风电机组早期故障,减少风电场的运维成本,提出一种基于功率曲线分析与神经网络的故障预警方法。首先,依据功率特性曲线,使用最小二乘与离散度分析结合的算法对SCADA数据进行筛选,以保留符合机组正常工况的数据作为建模的训练数据,从而提高模型的精度。然后,使用随机森林算法筛选模型的输入参数以简化模型结构,并通过对比隐含层的数目建立风电机组的神经网络模型。最后,结合滑动窗口模型,提出一种能反映机组实时运行状态的指标,并通过非参数估计法确定该指标的阈值,以实现状态预警及在线监测。该方法充分利用SCADA数据,且不需要对风电机组复杂的物理特性进行分析。将该方法分别用于某风电场的变桨系统和偏航系统的故障预警,实验结果是分别提前18.5 h和28.4 h出现预警信号,进一步证明方法的有效性。     

基于分布式深度神经网络的刮板输送机启停工况故障诊断方法

针对目前基于集中式云计算的深度学习模型在刮板输送机启停工况故障诊断中，因通讯量过大而难以满足实时性需求的问题，提出了一种基于分布式深度神经网络的刮板输送机启停工况故障诊断方法。采用深度神经网络对数据融合、数图转化后的刮板输送机监测数据进行特征自提取；在深度神经网络模型上添加引进卷积特征袋的分支结构，利用分支点将深度神经网络分为可以部署在边缘端的浅层部分和云端的深层部分；通过云边协同的推理方式，实现刮板输送机启停工况故障诊断。选用某矿刮板输送机真实运行数据进行了验证，结果表明，与经典的集中式云计算深度学习模型相比，该方法在保持99.5%最高精度的同时，通讯成本降低85.3%。     

ABC-BP风力发电机组短期功率预测方法

稳定可控的风力发电系统是风力资源开发利用的核心,提出一种基于人工蜂群-神经网络算法（artificial bee colony-back propagation, ABC-BP）的风力发电机短期功率预测方法,进一步提高短期风电功率预测的准确性。针对现有短期功率预测方法中遇到的收敛速度慢、局部最优等缺陷,结合ABC人工蜂群算法,提出改进ABC-BP算法。在对其数学模型收敛性证明的基础上,采用实际风电数据进行仿真验证,并通过模拟风力发电平台,进行实验,实验结果表明,预测数据达到实验要求,所提出的改进算法模型是可行的。改进ABC-BP算法应用于风力发电机监测系统中,为降低风电系统运维成本、提高监测效率提供一种有效解决方案。     

碳纤维及其复合材料在风电机组全生命周期中的应用

1 风电的发展风能是一种清洁的能源,人类使用风能的历史很早,例如发明帆船利用风能进行水上航行,以及比较有名的荷兰人利用风能改造低洼地的例子,而风车因此也成了荷兰的象征.最早的工业风力发电机由美国人查尔斯·布鲁斯在1888年发明,该风机仅高17m,有144个叶片,发电能力仅为12k W.叶片多,发电强是人们自然而然的观念.但丹麦物理学家保罗·拉·库尔在1890年代证明,即使叶片少,但只要转速快,风机效率就高,应用该原理,他制造了一个只有4个叶片,发电能力却达25k W的风机,这成为现代风机的雏形.随着气动理论及相关技术发展,也促进和推动风电的发展.     

风力发电机组机舱底部打开系统设计

针对风力发电机组后期维护和保养的吊车使用费用过高,以及机舱内小吊只能吊装部分小件的问题,本文在介绍风力发电机机舱底部打开系统的设计的基础上,通过对其整个过程的了解和对风机主机架、发电机支架结构的描述,进而证明该风机底部打开系统方法是可行的且可以使用的。     

小型风力发电机叶片的红外无损检测研究

为获得风力发电机叶片现场红外无损检测的最佳光照条件,该文以赋有不同损伤类型及不同损伤程度的2 kW小型风力发电机叶片为研究对象,利用被动式红外热成像检测方式,在夏季光照充足的室外条件下对损伤叶片进行自然激励,采集红外热像图。研究结果表明光照强度对损伤检测有着极大的影响,并且得到风机叶片三种典型损伤的最佳检测光照条件,其中异物附着和面部损伤在午间光照强度达到1 000 W/m²及以上检测效果最佳,而裂纹损伤在晴朗的午后光照强度为900 W/m²左右检测效果佳,从而证明利用太阳辐射作为发射源的被动式红外热成像检测技术来检测风机叶片损伤的方法在一定光照强度范围之内是可行的。