结合改进ResNet与迁移学习的风力机滚动轴承故障诊断方法

为解决实际应用中风力机滚动轴承故障训练样本严重不足的问题，提出一种基于改进残差神经网络与迁移学习的小样本滚动轴承故障诊断模型。首先，该模型将挤压与激励网络嵌入到一维残差神经网络中，增加了模型的特征提取能力；其次，使用源域数据对所搭建改进残差神经网络模型进行训练，确定结构和参数，并使用L2正则化和Dropout机制抑制过拟合；然后，引入迁移学习，冻结使用源域数据训练好的部分模型参数，使用少量目标域数据对模型的全连接层参数进行微调；最后，对不同故障的样本进行分类。该方法在凯斯西储大学轴承数据集和本实验室轴承数据集上进行实验验证，实验结果表明：在不同实验条件下，所提方法与其他方法的计算结果进行比较，其均有更高的故障诊断准确度和更强的泛化能力。     

无源数据约束下多源域自适应的风电齿轮箱故障诊断方法

针对在数据隐私和安全性的背景下,无法接触源域数据导致领域自适应方法不可用的问题,提出一种无源数据约束下多源域自适应的故障诊断方法。首先,通过信息最大化损失促使源域与目标域数据在特征空间进行对齐;然后利用自监督伪标签策略挖掘目标域数据的特征表征信息,并采用熵筛选策略抑制噪声伪标签的影响;最后通过自适应加权有效利用多个源域的知识并抑制负迁移影响,实现无源数据约束下的风电齿轮箱的故障诊断。通过动力传动综合实验台数据和某风场风电机组CMS数据对所提方法进行验证与应用。结果表明：所提方法仅利用预训练的源域模型和目标域无标签数据即可有效实现目标域风电齿轮箱故障诊断。     

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。     

基于深度卷积自编码器的风电机组故障预警方法研究

通过风电机组状态监测进行故障预警,可防止故障进一步发展,降低风场运维成本。为充分挖掘风电机组监控与数据采集（SCADA）各状态参数时序信息,以及不同参数之间的非线性关系,该文将深度学习中自动编码器（AE）与卷积神经网络（CNN）相结合,提出基于深度卷积自编码（DCAE）的风电机组状态监测故障预警方法。首先基于历史SCADA数据离线建立基于DCAE的机组正常运行状态模型,然后分析重构误差确定告警阈值,使用EMWA控制图对实时对机组状态监测并进行故障预警。以北方某风电场2 MW双馈型风电机组叶片故障为实例进行实验分析,结果表明该文提出DCAE状态监测故障预警方法,可有效对机组故障提前预警,且优于现有基于深度学习的风电机组故障预警方法,可显著提升重构精度、减少模型参数和训练时间。     

基于极限学习机的风电机组主轴承故障诊断方法

针对传统故障诊断方法在风电机组主轴承的故障诊断中诊断准确率不高的问题,引入了一种改进粒子群优化(PSO)算法,并结合交叉验证(CV)优化极限学习机(ELM)的方法。利用ELM建立故障诊断模型,采用主轴承振动信号的代表性时域特征参数作为模型输入,结合改进PSO算法和CV用于模型的参数优化,用于风电机组主轴承的故障诊断。实例分析表明,文章提出的方法可以快速、有效地诊断风电机组主轴承的故障,与LS-SVM,SVM和BPNN等方法相比,诊断准确率更高。     

基于改进深度森林算法的风电机组故障诊断技术研究

为了及时有效地检测出风电机组发生的具体故障,同时克服传统故障诊断方法的局限性,文章提出一种基于改进深度森林算法的风电机组故障诊断方法。首先,利用有效的数据预处理方法处理SCADA原始数据并提取故障特征;然后,基于深度森林算法对风电机组具体故障进行诊断,同时,针对深度森林算法在故障诊断领域存在的缺陷,对算法提出改进;最后,利用河北某风场1.5 MW风电机组实际运行数据对文章提出的故障诊断算法进行验证,通过正确率、AUC等指标验证了所提故障诊断算法相比传统机器学习算法的有效性和优越性。该研究为风电机组运行和维修提供了依据,同时也为故障诊断领域提供了新的方法和思路。     

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。     

D-S证据理论及其在燃气轮机系统诊断中的应用研究

针对燃气轮机轴承监测诊断中存在的多源监测数据利用不足、传感器信号不确定性难以消除、诊断精度待提高等问题,D-S证据理论（Dempster-Shafer Evidence Theory）作为一种简洁、高效的决策层多源信息融合方法,在燃气轮机状态监测与故障诊断中具有应用潜力。本文引入传统的D-S证据理论,并针对其存在的缺陷,系统总结了证据理论在燃气轮机轴承故障诊断领域的研究现状,围绕燃气轮机实际的工业应用场景,分析归纳了D-S证据理论的特点,并指出了未来D-S证据理论与燃气轮机轴承故障诊断的发展趋势。     

基于EEMD峭度-相关系数准则的多特征量风电机组轴承故障诊断

针对风力发电机组轴承故障振动信号具有高噪声、非线性、非平稳的特性,提出了一种集成经验模态分解与峭度-相关系数准则和多特征量提取的风电机组轴承故障程度的诊断方法。利用集成经验模态将振动信号分解成若干个本征模态分量,采用峭度和相关系数准则选取一组包含信息量最丰富的分量,对该组分量从时域指标、自回归模型参数矩阵的奇异值和能量熵3个角度的变化中提取和构造多特征量矩阵,输入支持向量机建立故障程度不同的多分类预测模型,优化核参数和惩罚参数取得轴承故障程度最佳预测精度。通过实验室数据验证了该方法是一种可行的风电机组轴承故障诊断方法,可实现对风电机组轴承故障早期处于的轻度、中度和重度等3种相对故障程度的准确分类和识别。     

基于深度学习网络的风电机组主轴承故障检测

针对风电机组数据采集与监视控制(supervisory control and data acquisition,SCADA)变量间存在的长期动态平衡关系,提出一种基于风电机组主轴承SCADA状态监测数据逐层编码网络的深度学习方法。首先利用受限玻尔兹曼机逐层智能学习主轴承样本数据蕴含的特定规则形成抽象的表示,构建深度学习网络模型。然后将主轴承SCADA数据输入网络,并计算反映主轴承整体状态的重构误差。根据故障状态下主轴承数据内部规则被破坏,选用指数加权移动平均值(exponentially weighted moving average,EWMA)阈值检测重构误差的趋势变化,并作为判定风电机组主轴承故障的决策准则。通过对主轴承故障前后记录数据进行仿真分析,仿真结果验证逐层编码网络深度学习方法对主轴承故障检测的有效性。     

基于深度学习的齿轮箱故障模糊诊断方法

风电机组齿轮箱作为传动系统重要组成部分,其运行状态关乎整个风电机组的健康运行。由于齿轮箱振动信号具有非线性、非平稳等特性,传统时频分析方法分解故障信号和提取故障特征的能力有限。因此,文章提出将深度学习应用于齿轮箱故障诊断中,通过构建一维卷积神经网络模型对齿轮箱不同状态下的特征向量进行高效提取、重构。同时,将模糊理论应用于分类器,构建一个模糊多分类器(FMC)对故障进行识别,提出了以平均隶属度作为故障等级判断标准。实验结果表明,文章所提方法在确保齿轮箱故障诊断高准确率的同时,提升了故障分类的精度。     

基于支持向量机的风电机组变桨系统故障诊断

风电机组变桨系统是风电机组发生故障最频繁的部件之一,对其故障类型的精确诊断能够提高风电机组维护计划的效率.针对异步电机和行星齿轮箱的各种故障类型,提出了一项以风电机组三相电流数据为基础的多分量故障诊断方法.该方法通过深度自动编码器从三相电流数据中提取特征向量,并采用支持向量机进行故障分类.上述方法以风电机组变桨驱动器为...     

风电机组的机舱振动位移极值模型与现场数据验证

针对风电机组的安全性评估，研究机舱振动位移极值模型和现场数据验证。基于某风电场1.5 MW风电机组的计算模型，仿真DLC1.1工况下的载荷数据，建立风电机组机舱振动位移外推极值模型，结合统计学原理和载荷统计外推原理，得到风电机组的机舱位移极值；同时，对该风场风电机组机舱振动实测数据进行特征极值分析，用这些特征极值拟合得到不同风速段的风速分布和机舱位移分布，建立风电机组机舱振动位移的联合分布极值模型，外推得到位移极值。提出利用李雅普诺夫稳定性理论，确定风电机组机舱振动安全阈值边界的方法，利用这些极值确定风电机组机舱振动安全阈值边界，并用实际运行时的机舱位移极值数据，对这几种极值模型进行现场数据验证，无论仿真数据的机舱振动极值，还是实际数据的振动极值，均未超出安全阈值边界。     

基于多尺度包络谱图的直驱式风电机组轴承故障特征提取

针对直驱式风电机组低速、重载的运行特点,提出将多尺度包络谱图应用于实际机组的故障诊断,以提取轴承的故障特征.对原始振动信号进行复小波变换,其变换结果的包络谱即为轴承振动信号的多尺度包络谱图.结果表明:因其所具有的同步多尺度分解和包络解调能力,多尺度包络谱图能够提取出隐藏在噪声中的低频微弱轴承故障特征,与传统包络解调方法相比具有较好的智能性和准确性,适用于实际风电机组的状态监测.     

基于CBAM-InceptionV2-双流CNN的风电机组轴承故障诊断

针对风电机组轴承故障诊断中经典一维卷积神经网络和二维卷积神经网络准确率低的问题,将一维原始振动信号和二维时频图相融合,构建基于CBAM-InceptionV2-双流CNN的滚动轴承故障诊断方法。首先,通过快速傅里叶变换和小波变换,将原始振动信号转化为一维数据和二维时频图;其次,构建基于CBAMInceptionV2-双流CNN模型;最后,将提取到的双层特征信息进行融合,并输入到Softmax完成故障分类。实验结果表明,所提模型能够显著地提升轴承故障诊断的准确性。     

基于分层对齐迁移学习的锂离子电池容量估计北大核心CSCD

精准的容量估计对锂离子电池健康管理和预测性维护具有重要意义。近年来,数据驱动的方法被广泛应用于锂离子电池容量估计,然而现有的数据驱动方法大多假设训练和测试数据服从相同分布,当此假设不满足时,模型的预测精度快速下降。现有的基于迁移学习的锂离子电池容量估计方法旨在对齐源域和目标域的整体分布,而忽略了不同层内的特征的可迁移性。针对以上问题,研究了深度迁移学习方法不同层之间的特征可迁移属性,提出了基于分层对齐迁移学习(hierarchical alignment transfer learning,HATL)的锂离子电池容量估计方法。首先,构建了一个基于卷积神经网络的特征提取器,考虑不同层特征的可迁移性,对不同层特征施加最大均值差异约束和通道注意力一致性约束,使得特征提取器从源域和目标域提取到的特征相似且模型更加关注域不变特征;然后,特征经过一个预测器得到容量估计值。在公开的锂电池数据集上进行充分验证,并与其他方法进行对比,结果表明,本文所提的HATL方法具有更高的估计精度,明显优于其他方法。证明了迁移学习方法在跨工况容量估计任务中的有效性和优越性。     

基于AVMD和WDK的风电齿轮箱轴承复合故障诊断方法研究

针对强背景噪声下轴承微弱复合故障特征提取困难的问题,提出一种基于自适应变分模态分解（AVMD）和优化的Wasserstein距离指标（WDK）的风电齿轮箱轴承复合故障诊断方法。首先,引入自适应学习粒子群优化算法（ALPSO）,以平均包络熵作为ALPSO的适应度函数来搜索变分模态分解的最佳影响参数,从而构造AVMD;其次,结合Wasserstein距离（WD）和峭度优点,提出WDK指标筛选有效模态分量,并对筛选的有效模态分量进行重构;然后,通过对重构信号进行包络谱分析实现轴承复合故障的诊断;最后,将所提AVMD-WDK方法应用于某风场2 MW风电齿轮箱轴承振动信号的故障诊断。结果表明,该方法能有效提取轴承的微弱故障特征,实现轴承复合故障的精确诊断。     

一种改进的MRVM方法及其在风电机组轴承诊断中的应用

针对风力机电组轴承故障难以诊断的问题,提出一种基于改进多分类相关向量机(MRVM)的风力机电组主轴轴承概率性智能故障诊断方法。首先,为了减少人为设定核参数的主观性以提高其分类性能,提出MRVM最优核参数自适应选取方法;然后,通过仿真实验结果验证所提方法的有效性及优越性;最后,以风电机组主轴滚动轴承故障诊断为实例,提取小波包能量为故障特征输入到改进后的MRVM中进行故障识别。实验结果表明,该方法可提高故障诊断准确率及效率,同时可输出故障诊断结果的概率信息,为实际检修人员提供更多参考信息。此外,通过与其他方法的对比实验进一步表明该方法在智能故障诊断方面的优越性。     

FAGAN：一种基于模型迁移与注意力机制的太阳电池缺陷图像对抗生成方法

缺陷微小微弱、数据样本规模不足等是制约太阳电池质量检测技术快速发展的瓶颈问题。因此，该文提出一种用于生成太阳电池缺陷图像的生成对抗网络模型FAGAN。该方法先在源域公开道路数据集上进行模型预训练提取跨域底层视觉特征，以提升FAGAN在目标域生成缺陷形式的多样性；然后设计了有效通道空间注意力ECSA，在空间与通道两个维度对缺陷特征进行增强，以提升微小微弱缺陷生成样本的质量。实验结果表明：该文提出的方法所生成的太阳电池缺陷图像的性能评价指标FID优于现有的梯度惩罚Wasserstein距离生成对抗网络（WGAN-GP）、深度卷积生成对抗网络（DCGAN）、循环生成对抗网络（CycleGAN）和样式生成对抗网络（StyleGAN）。