基于SCADA参量关联互信息自编码的风电机组故障检测方法

针对风力发电机组数据采集与监视控制系统(supervisory control and data acquisition,SCADA)监测参量间的耦合关联性,提出基于多参数耦合关联互信息编码的风电机组故障检测方法.该方法构建了SCADA数据的耦合关联矩阵,采用互信息变分自编码器对关联矩阵进行编码重构;将SCADA参量关联矩阵的重构误差作为机组健康评估指标,结合指数加权移动平均模型的迭代更新,对机组实时故障阈值进行自适应设置.两个风场的风电机组SCADA数据分析结果表明,所提方法充分利用了SCADA数据的耦合关联结构信息,能有效提高风电机组故障检测的准确性及对环境工况的鲁棒性.     

基于时空自编码网络的风电齿轮箱状态监测

在风电机组状态监测问题中,常规自编码网络通常仅使用截面SCADA(supervisory control and data acquisition)数据,使得网络对数据时间特征的学习不足。因此,提出一种基于时空自编码网络的风电齿轮箱状态监测方法：使用1维卷积网络(1DCNN)级联双向长短时记忆网络(Bi-LSTM)作为编码层,序贯提取面板数据的空间及时间特征,以输入的重构误差作为预警指标实现在线状态监测。使用河北省某风电场实际数据验证,结果表明：相比故障记录时刻,时空自编码网络能提前20 d发出报警信号,且故障检出率和误报警次数均优于常规方法;通过分析重构误差各分量的贡献率,可知该齿轮箱故障中主要异常参数为油路压力和油池温度。     

基于FFT与DNN的齿轮箱油温数据预测

针对风电机组齿轮箱油温数值的非线性与相关性,为实现油温的准确预测,提出一种基于快速傅里叶变换(Fast Fourier Transform, FFT)的深度神经网络(Deep Neural Network, DNN)的预测方法。首先,对油温数据进行时间序列特性分析,选择时间窗口对信息进行排列,然后对信息进行FFT并提取其高频幅特征,并把这些特征输入DNN模型中进行训练,最后对输出的结果进行评价。采用实测数据对该方法进行验证,并选用常见模型进行对比,结果验证了该方法的有效性。该方法可以在齿轮箱运行状态异常前预警,降低设备功能性的故障,减少风电机组故障停机的损失,具有实用价值。     

基于能量流的风电机组异常运行状态预警软件设计

针对当前风电机组运行异常状态检测的热点难点问题,根据SCADA数据的时序特点,设计一款基于能量流参数关系模型的风电机组运行异常预警软件。基于能量流原理,将风力发电机系统作为一个复杂系统划分为4个子系统;建立关于风电机组运行特性的输入输出参数关系模型,并结合核密度估计原理和统计学置信区间理论,提出实时计算风电机组运行状态健康指标阈值的方法;介绍软件主体框架,以及软件内部数据处理方法与数据调用的实现方法。利用某风电场的实际SCADA数据进行实例分析验证,结果显示该软件可以为风电机组运行状态维护提供更方便的途径。     

基于改进栈式自编码器的风电机组发电机健康评估

风电机组发电机具有结构复杂、维修困难的特点,为对其进行健康评估,结合去噪自编码器与稀疏自编码器的特点,对传统栈式自编码器模型进行改进,利用模型的重构误差监测风电机组发电机的运行状态。将经离线测试得到的重构误差与在线监测得到的重构误差进行分布差异性比对,通过融合3种差异指标得到风电机组发电机的健康度。利用河北某风场实际数据对健康评估模型进行训练测试,通过实例分析证明该模型能够有效跟踪风电机组发电机的状态变化,具有故障早期识别的作用。     

基于AC-GAN数据重构的风电机组主轴承温度监测方法

为更好地识别风电机组主轴承运行状态,提出了一种基于辅助分类生成对抗网络(auxiliary classifier generative adversarial networks, AC-GAN)的数据重构算法对风电机组主轴承温度进行监测。首先,利用采集与监视控制系统(supervisory control and data acquisition, SCADA)时序数据建立基于轻型梯度增强学习器(light gradient boosting machine, LightGBM)的主轴承温度预测模型,并计算其残差特征。其次,利用统计过程控制(statistical process control, SPC)方法对主轴承温度异常残差在控制线范围内进行筛选,并利用AC-GAN算法对残差进行重构。最后,分别提取主轴承温度正常和异常的残差特征,建立基于自然梯度提升(natural gradient boosting, NGBoost)的主轴承状态监测模型。实验结果表明,该方法对主轴承运行状态判断准确度高达87.5%,能够有效地监测风电机组轴承类运行状态。     

基于EMD-LSTM的风机故障停机发生时间预测

针对风电机组故障停机发生时间预测问题,提出了一种基于EMD-LSTM的预测方法。以风电机组故障停机发生时间为基础,构成故障间隔时间序列;采用EMD将该时间序列分解有限个本征模函数,利用LSTM神经网络对各分量序列构建预测模型;将风电场的实际数据代入模型进行训练,仿真结果表明基于EMD-LSTM的风电机组故障停机发生时间预测方法,较LSTM和以及EMD-BP和EMD-RNN等方法具有更高的预测精度,利于提前预知风电机组未来故障的发生时间,为事先做好故障处理预案提供决策依据。     

变分自编码器在机械故障预警中的应用

由于往复压缩机、航空发动机等复杂机械振动信号呈现非平稳性,目前应用较多的单特征门限报警方法存在报警准确率低的问题。针对该问题,依据机械响应点的响应信号特点,提出一种基于变分自编码器的故障预警方法。该方法基于机械振动信号的高维特征参数,利用变分自编码器自学习出高维特征的统计分布模型,将正常工况模型作为基准模型,通过计算实时工况模型与基准模型间的差异度,并将其与自适应预警阈值相比较,实现故障预警。通过与单特征门限报警方法、基于状态子空间的预警方法进行比较,验证了该方法的优越性。实验结果表明,该方法能够提高机械故障预警的准确率并大幅提前故障的报警时间点,具有较高的时效性和较强的适应性。     

风电机组齿轮箱的多变量时间序列故障预警

针对风电机组故障预警中，原始动态时间规整（DTW）算法无法有效度量风电机组多变量时间序列数据之间距离的问题，提出一种基于犹豫模糊集的动态时间规整（HFS-DTW）算法。该算法是原始DTW算法的一种扩展算法，可对单变量和多变量时间序列数据进行距离度量，且精度与速度较原始DTW算法更优。以子时间序列相似度距离为目标函数，使用帝国竞争算法（ICA）优化了HFS-DTW算法中的子序列长度和步距参数。算例研究表明与仅DTW算法和非参数最优的HFS-DTW算法相对比，参数最优的HFS-DTW可挖掘更多的多维特征点信息，输出的多维特征点相似序列具有更丰富细节；且基于所提算法可提前10天预警风电机组齿轮箱故障。     

基于ICSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱运行过程中故障样本缺乏、正常样本充裕的特点,提出基于增量代价敏感支持向量机（Incremental Cost-sensitive Support Vector Machine,ICSVM）的风电机组齿轮箱故障诊断方法。由于齿轮箱故障样本缺乏,建立以误分类代价最小化为目标的代价敏感支持向量机故障诊断模型;在增量训练代价敏感支持向量机阶段,利用KKT条件,以增量样本和初始样本训练增量代价敏感支持向量机。实验结果表明,该方法能有效地减少平均误分类代价和训练时间,提高齿轮箱故障识别率。     

基于递推参数辨识的齿轮箱故障在线检测

为实现齿轮箱故障的在线检测,提出基于递推AR模型参数辨识的齿轮箱振动信号在线辨识方法。对实验室的齿轮箱进行不同工况下振动信号的检测,利用最优辅助变量法确定其自回归模型的阶次和模型参数的初值,以自回归模型系数作为状态变量,采用Kalman滤波器技术进行在线递推参数辨识。实验结果表明,该方法中参数变化量的2-范数会发生突变,能检测出齿轮磨损和轴承外圈剥落的故障。     

基于SCADA数据的风机叶片结冰短期预测方法

针对于风力发电机叶片结冰故障预测的问题,笔者提出一种基于SCADA数据的故障预测方法。首先选择与叶片结冰关联度高的两类数据,其次通过优化的支持向量回归,对其值进行预测;最后通过多源融合的方法利用BP自聚类算法进行叶片结冰故障预测。实验结果表明,提出方法能实时地对风机叶片结冰故障进行有效的短期预测,对风电机组的安全维护具有参考指导意义。     

基于MIC-(PSO-BP)-MWA-KDE的风电机组齿轮箱油温预警方法

针对风电机组齿轮箱故障预警问题,提出一种基于MIC-(PSO-BP)-MWA-KDE的齿轮箱油温预警方法。首先,使用最大互信息系数(Maximal Information Coefficient, MIC)求出与齿轮箱油温相关性高的参数作为模型的输入,采用PSO-BP神经网络构建齿轮箱油温预测模型。然后,通过计算齿轮箱油温实际值与预测值的残差绝对值,结合移动加权平均法(Moving Weighted Average, MWA)、核密度估计(Kernel Density Estimation, KDE)建立齿轮箱状态监测模型。通过实际案例分析可知,本文提出的预警方法可提前齿轮箱油温异常预警时间,预警时间提前约11小时。     

基于栈式自编码网络的风机叶片结冰预测

针对风电机组叶片结冰严重影响风机发电效率和安全性、经济性的问题，提出一种基于SCADA数据的栈式自编码（SAE）网络叶片结冰早期预测模型。该模型采用编码-解码的非监督方法对无标签的数据集预训练，再利用反向传播算法对有标签的数据集进行训练微调，实现了故障特征的自适应提取和状态分类，有效降低了传统预测模型的复杂度，同时避免了人为特征提取对模型效果的影响。利用SCADA系统采集的某15号风机的历史数据进行训练和测试，该模型测试结果准确率为97.28%。与支持向量机（SVM）和主成分分析-支持向量机（PCA-SVM）方法得到的建模分别为91%和93%的准确率进行对比分析，实验结果表明，基于栈式自编码网络的风机叶片结冰预测模型精确度更高。     

基于云模型的变分自编码器数据压缩方法

图像数据解压缩问题是一类重要的数据处理问题，数据特征学习在数据压缩研究中有重要的研究价值。提出了一种基于云模型的变分自编码器特征表征模型，将云模型作为变分自编码器的先验分布，解决变分自编码器在特征表征上的局限性。变分自编码器的编码器部分负责构建数据的特征空间，通过在该空间中采样获得隐变量，完成数据压缩；解码器部分完成从数据特征到原数据的生成，即数据的解压。在人脸数据集上与原方法作实验对比，验证了该方法的正确性和有效性。     

基于支持向量机的风电机组故障预警

风电机组的故障诊断是保证机组稳定运行、降低机组维护费用的关键。简要介绍了风电机组的基本结构及故障类型,讨论了风电机组实际应用中的主要故障诊断方法;提出了一种基于最小二乘支持向量机(LS-SVM)的风电机组故障预警方法,利用实际风场机组运行监控数据验证了此方法的可行性,并与神经网络方法的预测结果进行比较。结果表明,基于LS-SVM的方法更加快速有效,具有准确的故障识别能力。     

基于XGBoost和自适应阈值的电厂风机故障预警

为了对电厂风机实现故障预警，提出了基于极端梯度提升(XGBoost)算法的数据驱动的故障预警方法。首先，通过对电厂原始数据进行数据特征提取和Box-Cox变换，建立基于XGBoost算法的风机轴承温度预测模型；其次，将模型预测值和真实值的偏差用相似度函数表示，并设计了基于区间估计思想的自适应阈值方法；最后利用某电厂送风机数据进行仿真，并将XGBoost算法与支持向量机(SVM)算法、梯度提升树(GBDT)算法进行对比。结果表明该方法能实现风机早期故障预警，验证了该故障预警模型的有效性。     

基于深度迁移自编码器的变工况下滚动轴承故障诊断方法

在实际工业场景下的轴承故障诊断,存在轴承故障样本不足,训练样本与实际信号样本存在分布差异的问题;文章提出一种新的基于深度迁移自编码器的故障诊断方法FS-DTAE,应用于不同工况下的轴承故障诊断;该方法首先采用小波包变换进行信号处理与特征提取;其次,采用提出的基于朴素贝叶斯与域间差异的特征选取(FSBD)方法对统计特征进行评估,选取更有利于跨域故障诊断和迁移学习的特征;然后,利用源域特征数据训练深度自编码器,将训练得到的模型参数迁移至目标域,再利用目标域正常状态样本对深度迁移自编码器模型进行微调,微调后的模型用于目标域无标签特征数据的故障分类;最后,基于CWRU轴承故障数据开展不同工况下故障诊断实验,结果表明,所提出的FS-DTAE方法能够有效提高不同工况下的故障诊断准确率。     

基于改进迁移学习的行星齿轮箱故障自动诊断

传统机器学习故障诊断方法依赖专业经验选取统计特征,导致诊断结果误差较大。为此,提出了基于改进迁移学习的行星齿轮箱故障自动诊断。采集行星齿轮箱的振动信号,对振动信号进行去噪处理,利用深度学习改进迁移学习构建故障诊断模型,对采集信号进行分类识别,实现了行星齿轮箱故障自动诊断。结果表明,该设计方法下不同类型的行星齿轮箱故障诊断精度为96.09%,证实了该方法的性能良好。     

基于Stacking集成学习的风机主轴止推轴承故障预警研究

主轴止推轴承是风机的关键部件,一旦发生故障,将导致机组遭受严重损失。为实现风电机组主轴止推轴承早期故障预警,及早采取维护措施从而避免故障的进一步扩大。本文以风机主轴止推轴承温度为研究对象,提出一种基于风电机组正常运行状态下数据采集与监视控制(SCADA)的Stacking故障提前预警模型。首先,本文利用四个单一模型的拟合优度与均方误差比对特征进行综合排序,得到4组不同数量梯度特征组合的数据集。其次,通过对单一模型的预测性能以及相关性进行分析,最终确定以XGBoost、LightGBM以及随机森林作为基学习器,XGBoost作为元学习器建立Stacking集成学习预测模型。实验结果表明,基于Stacking模型对主轴止推轴承温度进行预测效果最好,预测误差相较于基模型有明显提升。最后,计算模型温度预测的均方根误差（RMSE）,并基于指数加权移动平均法(Exponential Weighted Moving Average,EWMA)设定主轴止推轴承正常状态下误差阈值。实验结果显示,本文建立的Stacking模型对风机主轴止推轴承故障至少可以提前6小时发出故障预警。