基于卷积神经网络的风电机组齿轮箱状态监测方法

为了实现对风电机组齿轮箱的状态监测,文章提出了一种基于卷积神经网络的风电机组齿轮箱状态监测方法。首先,提取风电机组数据采集与监视控制(SCADA)数据和振动信号作为参数,组成齿轮箱状态矩阵。其次,建立了一种卷积神经网络模型,该模型针对输入数据设计了特定结构和池化层规则,提高了计算效率,能够从齿轮箱状态信息中提取特征并判断其状态。最后,利用实际运行的风电机组数据对卷积神经网络模型进行了训练和验证,最终取得了96.3%的识别精度。同时,将该模型应用于对同一风场其他机组的状态监测,结果验证了卷积神经网络模型对齿轮箱状态监测的有效性。     

基于SCADA数据的风电机组齿轮箱状态监测方法

为解决故障劣化渐变过程的长时间序列对齿轮箱状态监测模型的影响问题,提升其决策精度,提出一种基于数据采集与监控(SCADA)数据的组合建模方法.首先,采用主成分分析法(PCA)选取与齿轮箱温度密切相关的输入观测向量,并应用长短期记忆(LSTM)神经网络分别对齿轮箱正常工况和异常工况独立建立温度模型;其次,结合模型输出结果...     

一种基于非线性偏最小二乘的风电机组齿轮箱状态监测方法北大核心CSCD

风电机组状态监测是提升机组运行水平和经济效益的重要手段。文章提出了一种基于非线性偏最小二乘(PLS)的风电机组齿轮箱状态监测方法,利用数据采集与监控系统(SCADA)数据对齿轮箱油温进行建模和监测。首先,基于无监督聚类对SCADA数据进行预处理,利用相关性分析选取与齿轮箱油温相关的输入变量;然后,构建用于表征非线性关系的输入变量,建立正常运行工况下齿轮箱油温的非线性PLS模型;最后,根据模型输出结果与齿轮箱油温的残差分布,设置合理阈值,用于齿轮箱状态监测。应用该模型对某大型风电机组齿轮箱进行状态监测。监测结果表明,相比于BP神经网络模型,该模型具有更高的拟合优度和预测精度。     

基于CAE与BiLSTM结合的风电机组齿轮箱故障预警方法研究

针对风电机组故障频发且早期故障监测难的问题,为实现风电机组智能监测,提出基于卷积自编码(CAE)与双向长短期神经网络(BiLSTM)的风电机组齿轮箱故障预警方法。首先对风电场数据采集与监视控制(SCADA)系统的数据进行预处理,选择能表征风电机组齿轮箱运行状态的监测量作为输出量,根据相关性分析选择与输出量相关性高的监测量作为输入参数;然后根据特征选择特性和参数非线性特性构建深度学习网络模型,对输出的预测值和残差进行统计分析,设置自适应阈值来监测风电机组异常状态的趋势变化。将CAE-BiLSTM模型应用于某风电场的算例分析中,并与其他模型的预测效果进行对比。结果表明：该方法解决了模型输入与结构冗余问题,提高了模型精度,能够有效预警风电机组齿轮箱早期故障。     

基于改进集成KNN回归算法的风电机组齿轮箱状态监测

风电机组齿轮箱是容易发生故障的重要部件,维修费用高昂,因此有必要对其进行实时状态监测。针对集成K近邻(KNN)算法对随机采样不敏感的问题,提出了一种基于规则采样的改进集成KNN模型。首先利用距离相关系数进行变量选择,然后基于正则化互信息对变量进行排序,将其用于规则采样,构造子训练集,最后基于统计过程控制方法设置预警阈值对实时残差进行分析,根据健康度曲线对风电机组齿轮箱健康度进行监测,并利用某风电机组实际数据对所提方法进行验证。结果表明：所提方法显著提升了模型估计精度,该模型优于常规集成KNN模型,可以实现齿轮箱的早期故障预警。     

风电机组齿轮箱故障分析及改进措施

本文总结了风电齿轮箱在运行、维护过程中的常见问题,并对其主要影响因素进行了分析,提出齿轮箱在设计、生产、运行维护时需要采取的措施及相关建议,以提高风电齿轮箱的可靠性。     

基于长短时记忆网络融合SCADA数据的风电齿轮箱状态监测

针对不具有时间记忆能力的机器学习方法融合风电机组数据采集与监控系统(SCADA)的时序数据而导致风电齿轮箱状态预测精度不高的问题,提出基于长短时记忆(LSTM)网络融合SCADA数据的风电齿轮箱状态预测模型.选择能表征风电齿轮箱运行状态的某个监测量作为模型的输出量,基于灰色关联度选择与该监测量关联密切的SCADA参数作...     

基于S-SLLE的风电机组齿轮箱故障诊断方法研究

针对风电机组齿轮箱结构复杂、受交变载荷和恶劣工作环境影响容易出现故障导致停机的问题,提出基于统计学K-均值聚类理论的统计型监督式局部线性嵌入流形学习(S-SLLE)特征维数约简方法,首先通过对齿轮箱振动信号时频域故障特征提取,剔除冗余特征向量,减少诊断模型的复杂度和计算量,再利用RBF核支持向量机分类器建立诊断模型,对...     

基于工况辨识的风电机组主传动系统运行状态监测

针对风电机组主传动系统运行工况复杂多变,导致状态监测系统误报警率高的问题,提出一种基于工况辨识的风电机组主传动系统运行状态监测方法。首先采用最大互信息系数（MIC）选取数据采集与监视控制系统（SCADA）特征参数,运用k-均值聚类算法对主传动系统运行工况进行划分,解决机组运行状态复杂多变导致运行工况不清的问题;接着提取状态监测系统（CMS）特征参数,并采用层次分析法计算CMS特征参量相对权重,提出主传动系统运行状态评价指标与量化算法;最后利用核密度估计（KDE）方法确定阈值,根据阈值与运行状态指标的关系实现主传动系统异常监测。将该方法运用于实际风场,结果表明所提方法监测结果与实际相符。     

基于似然学习机的风电机组齿轮箱状态监测技术研究

以风电机组齿轮箱为研究对象,提出似然学习机学习算法进行风电机组齿轮箱状态监测技术研究.首先从风电机组齿轮箱振动信号中提取峭度为特征量,然后利用似然学习机对特征量进行学习生成高斯模型,最后利用高斯模型对齿轮箱进行状态评估.利用风电机组传动系统实验平台和美国凯斯西储大学实验进行验证,验证了该文提出方法的有效性.     

基于IPSO-BP的风电机组齿轮箱状态监测研究

将改进粒子群算法(IPSO)与BP神经网络相结合,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。通过合理地选择训练样本,使IPSO-BP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,导致IPSO-BP网络温度模型预测残差的分布特性发生变化。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超过预先设定的阈值时,发出报警信息,提示运行人员检查设备状态。     

基于模型融合的风电机组齿轮箱故障诊断

针对单视角特征及单一模型对齿轮箱复合故障的诊断准确率较低的问题,提出基于比例冲突分配规则的模型融合故障诊断方法.首先,对齿轮箱振动信号进行特征提取,针对复杂复合故障,从时域及时频域角度构造特征;然后,将多视角特征送入多个子模型中进行初步诊断,得到互补性强的诊断结果;最后,模型输出的分类概率由第6类比例冲突分配规则(PC...     

基于深度变分自编码网络融合SCADA数据的风电齿轮箱故障预警

现有深度学习模型在融合风电SCADA数据时,仅考虑数据结构特征而未充分考虑数据分布规则,导致风电齿轮箱故障预警鲁棒性差.针对此问题,提出基于深度变分自编码网络融合SCADA数据的风电齿轮箱故障预警方法.选择SCADA多源异构监测数据作为深度变分自编码网络的训练输入,通过将输入数据映射为高斯分布参数并进行采样重构输出,使...     

基于迁移成分分析的多风电机组运行状态识别方法

风电机组运行状态识别对风电机组发电性能评估和风电场精细化管理具有重要意义,然而不同风电机组的数据采集与监视控制系统(supervisory control and data acquisition,SCADA)数据分布差异明显,如果将已训练好的单台风电机组正常行为模型直接应用于多风电机组运行状态辨识,辨识精度较低.为了...     

基于门控循环网络融合多源数据的风电齿轮箱状态预警方法

多源数据融合是风电齿轮箱状态预警的有效方法,针对现有机器学习方法在融合风电多源数据时未考虑时序信息导致状态预警精度不高的问题,提出基于门控循环(GRU)网络融合多源数据的风电齿轮箱状态预警方法.首先,选择对环境影响不敏感的风电齿轮箱油液压力作为状态预警模型的预测量,采用相关系数法选择与油液压力关联密切的数据采集与监控(...     

基于KECA-GRNN的风电机组齿轮箱状态监测与健康评估

为及时准确地评价风电机组齿轮箱的健康程度,提出一种基于KECA-GRNN的性能监测与评估方法.该方法分为状态监测、故障预测、健康评估3个阶段.在状态监测阶段,将KECA算法应用到风电机组的性能监测中,并采用SPE统计量监测齿轮箱状态.在故障预测阶段,将KECA算法提取的主元数据作为GRNN模型输入,建立KECA-GRN...     

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。     

基于支持向量机的风电机组运行工况分类方法

采用多个运行参数来描述风电机组复杂多变的与振动相关的运行工况,提出一种基于支持向量机的分类方法划分风电机组的运行工况。我国北方某风电场实际运行数据的计算结果表明:与传统的单参数分类方法相比,基于支持向量机的运行工况分类方法能明显降低振动监测过程中的误报警率。     

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IICEEMDAN-PCA-GRU的风电机组齿轮箱故障预警方法研究

为充分挖掘数据采集与监控（SCADA）数据的隐藏信息,减少特征间的冗余性,提升模型预测和预警的精度,提出一种双重改进的完全噪声辅助聚合经验模态分解（IICEEMDAN）、主成分分析（PCA）、门控循环网络（GRU）融合的风电机组齿轮箱故障预警方法。使用皮尔逊相关系数法作特征提取,采用IICEEMDAN对特征进行分解,得到特征在不同时间尺度上的连续性信号;利用PCA提取分解特征的关键因素作为网络训练输入;GRU网络对输入时间序列特征进行建模训练,实现对齿轮箱油池温度的预测,使用统计学方法分析油池温度预测值与实际值的误差,根据实际情况设定预警阈值;使用滑动窗口理论实现齿轮箱故障预警。采用华北某风场实际数据进行验证,结果验证了所提方法对齿轮箱早期故障预警的有效性。