基于大数据分析技术的风电机组齿轮箱故障预警

齿轮箱的损伤和失效会直接或间接导致风电机组的故障或停机,造成重大的经济损失。为了能对齿轮箱的故障状态进行预警,本文提出了一个基于大数据分析技术的风电机组齿轮箱故障预警模型。首先利用最大互信息系数分析各工况参数与齿轮箱输出轴温度的相关性,提取主要影响因子作为具有记忆时序信息的循环神经网络的输入特征,构建正常状态下齿轮箱温度的残差分布,设置故障预警阈值,从而实现对风电机组齿轮箱故障状态预警。     

基于XGBoost-LightGBM-LSTM的风机齿轮箱轴承故障预警

针对风电机组齿轮箱温度预测准确性较低,泛化能力差的问题,提出一种极端梯度提升树(XGBoost)、轻量梯度提升机(LightGBM)和长短时记忆网络(LSTM)加权融合的组合模型对齿轮箱轴承温度进行预测。采用灰色关联度(GRA)选取与齿轮箱轴承密切相关的特征参数作为组合预测模型的输入,利用训练好的组合模型预测齿轮箱轴承正常工作温度,计算与实际温度值之间的残差,并用滑动时间窗口设置预警阈值,从而进行齿轮箱轴承故障预警。通过江苏某海上风场5 MW风机实际数据验证表明,该组合模型对风电机组齿轮箱轴承温度预测精度较好,并能提前进行故障预警。     

基于多参数融合的风电机组齿轮箱油温预警方法

针对风电机组齿轮箱状态监测问题，提出一种基于多参数融合的齿轮箱油温预警方法。首先，通过相关性分析法提取与齿轮箱油温相关性高的参数作为模型的输入。采用改进的粒子群优化BP神经网络(imPSOBP)，建立齿轮箱油温预测模型。然后，通过计算齿轮箱油温预测值与实际值的残差绝对值，并结合加权移动平均法、核密度估计法建立齿轮箱油温故障预警模型。基于某风场的数据进行了实验验证，对比分析了imPSO-BP模型和PSO-BP模型的预警效果。结果表明：提出的方法预测精度高，可提前齿轮箱油温异常预警时间，预警时间提前约27小时。     

基于状态切分与时间卷积网络的风电齿轮箱系统温度异常故障预警

由于风电齿轮箱结构复杂、运行工况多变，采用监控与数据采集系统（SCADA）数据对齿轮箱早期故障预警的精度不足。本文提出考虑风电齿轮箱润滑冷却状态及运行工况的状态切分方法，基于齿轮箱润滑冷却系统运行原理，从原始运行数据中选取相关参数，采用统计分析和聚类方法将齿轮箱系统时间序列数据进行运行策略分类切分，构建齿轮箱运行状态判断模型；提出采用时间卷积神经网络训练不同运行策略下的齿轮箱温度预测模型，并实时判断运行状态，选取对应运行策略温度预测模型，估计齿轮箱温度，通过与实际值之间的残差实现齿轮箱故障预警。实际案例表明，本文所提出的方法可以提高模型精度，能够有效预警风电齿轮箱系统的早期故障。     

融合SCADA数据的风电机组齿轮箱状态评估

为对风机齿轮箱状态进行准确评估,提出一种基于核主成分(KPCA)与最小二乘支持向量机(LS-SVM)结合的齿轮箱数据融合故障预测模型。鉴于SCADA系统中数据信息质量的不确定性和冗余性,该模型首先对监测数据预处理(4分位法剔除异常数据等),对齿轮箱特征因素进行相关性分析,利用该预测方法对齿轮箱典型状态特征(振动、温度特征等)进行预测,利用统计过程控制原理(SPC)分析残差,以实现齿轮箱异常状态的预测。最后,以齿轮箱油温预测为例,验证了该模型的准确性和有效性。     

基于数据分类重建的风电机组故障预警方法

为预警风电机组潜在故障、增强机组出力安全性,基于监控和数据采集(SCADA)系统,提出一种异常数据重建的风电机组故障预警方法。首先,充分利用同风场风机SCADA数据,分别重建输入类与输出类目标机组数据,克服了部分数据信息丢失、数据异常问题;其次,使用提取的代表性数据建立故障预警模型,所得预警模型更贴近机组运行动态特性;最后,采用改进的衰退指标预警潜在故障,直观展示机组阶段性衰退程度。案例研究中使用某风电场SCADA故障数据,并使用3种标准确定所提策略参数设定值,结果表明可至少提前3周预警风电机组齿轮箱潜在故障,验证了所提故障预警方法的时效性。     

基于数据挖掘的风电机组齿轮箱运行状态分析

针对风电机组齿轮箱运行状态识别困难的问题,基于数据挖掘思想,提出改进的非线性状态估计方法,得到了机组参数与运行状态之间的关联机制;通过因子分析,有效减小样本数据空间,提高了样本数据的解释能力;根据机组实际运行特点,运用滑动窗口与异常率的方法对预测残差进行分析,保证了最终分析结果的准确性与可信性。结合实际案例分析可知,该方法较传统分析方法能够更及时、准确地察觉风电机组齿轮箱异常状态。     

基于风机齿轮箱非线性动力学模型仿真的故障诊断

为了实现风机在工作中状态监测以及故障早期发现定位。利用SIMULINK快速仿真建立了齿轮传动过程中振动观测器,能够实时输出残差。通过对残差设置阈值实现了对风机齿轮箱工作状态的实时在线监测;发现故障后对信号进行深入分析时引入重分配小波尺度,从而实现了风机齿轮箱故障的快速识别以及定位。为了验证结论的可靠性在模型上添加仿真故障,验证了故障参数与残差信号以及系统特性之间的关系。从而为故障的早期发现以及故障发展预测提供了一种解决方法。     

基于集成NSET和模糊软聚类的风电机组齿轮箱状态监测

风电机组齿轮箱的故障频率和维修成本较高,有必要对其运行状态进行实时监测。非线性状态估计(NSET)算法有着对记忆矩阵依赖大、无法有效利用数据资源改善精度、实时性差等不足。为此,提出一种基于模糊软聚类和集成NSET的状态监测方法:使用模糊软聚类将历史数据分为边界有重叠的不同类别,实现工况的软划分并构造多个不同工况的NSET模型作为个体学习器;以参数回归方法作为结合器,可在不影响实时性的同时,使用大量数据训练参数以改善精度。用某2 MW风电机组的齿轮箱故障数据进行验证,结果表明,相比常规方法,提出方法的精度和实时性均更优;通过预测残差均值和基于残差构造的健康指数,能够灵敏、准确的反映齿轮箱的早期故障及其发展趋势。     

基于深度信念网络的风机主轴承状态监测方法

提出了一种基于深度信念网络（DBN）的风电机组主轴承状态监测方法。为了降低建模难度并减少训练时间,首先利用相关系数法选取建模变量,进而建立主轴承正常行为的DBN温度模型并用于主轴承温度预测。该模型克服了传统神经网络随机初始化网络权重、易陷入局部最小值等缺点,能有效提高主轴承温度的预测精度。然后采用指数加权移动平均法（EWMA）对主轴承温度残差序列进行分析,并利用核密度估计方法确定故障阈值。最后基于实测的数据采集与监视控制（SCADA）系统数据对主轴承故障进行模拟。结果表明,与传统预测方法相比,该方法能有效地实现主轴承的异常状态监测。     

机器状态智能监测系统的结构、功能和有关技术

介绍了大型旋转机械状态监测与故障预报系统的结构、功能和关键技术。该系统已成功地应用于油田注水站工业现场，能对大型旋转机组的机械动态特性及温度、压力、流量、液位、电量、润滑油等进行在线实时状态监测和故障预报。系统采用人工智能、专家系统对工作机组进行故障分析、故障追记、故障诊断，并能为机组进行趋势预示以及状态维护提供信息     

机器状态智能监测系统的结构,功能和有关技术

介绍了大型旋置机械状态监测与故障预报系统的结构、功能和关键技术，该系统已成功地应用于油田注水钻工业现场，能对大型旋转机组的机械动态特性及温度、压力，流量，液位，电量，润滑油等进行在线实时状态监测和故障预报。系统采用人工智能，专家系统对工作机组进行故障分析、故障追记，故障诊断，并能为机组进行趋势预示以及状态维护提供信息。     

基于FISSA-DBN模型的风电机组运行状态监测

为提高风电机组运行效率,降低风电场运营成本,对风电机组运行状态监测显得尤为重要,提出一种基于数据采集与监控（supervisory control and data acquisition,简称SCADA）系统和萤火虫改进麻雀搜索算法优化深度置信网络（firefly improved sparrow search algorithm optimized deep belief network,简称FISSA-DBN）的风电机组状态监测新方法。首先,对SCADA数据进行预处理分析,并利用专家系统和皮尔逊相关系数分析,相关分析选取输入参数和输出参数;其次,利用预处理数据集建立基于FISSA-DBN的风电机组运行状态监测新模型,根据模型预测值和实际输出值之间的重构值误差,以及指数加权移动平均阈值（exponentially weighted moving average,简称EWMA）判断是否有异常;最后,以华东某风电场实际数据为例进行实例验证。结果表明,所提出方法的预警时间比实际记录时间最早可提前4 d多。同时,将所提出方法与其他方法进行对比,结果表明该方法预警时间提前,模型预测误差更小。     

风电机组齿轮箱早期故障预警方法研究

为实现风力发电机组等变工况机电设备的早期故障预警,研发了变工况齿轮箱状态监测系统。在基于该系统的多种变工况行星齿轮磨损实验研究基础上,提出了一种基于流形学习的早期故障预警方法。该方法首先研究采用完全总体经验模态分解与改进快速独立成分分析盲源分离技术,有利于对复杂振动信号的滤波与盲源分离;然后研究改进了局部线性嵌入流形学习方法,基于时域、频域信息融合提取了早期故障敏感特征;最后应用k-近邻分类器实现变工况齿轮箱早期故障预警。实验研究表明,该方法提高了早期故障预警准确率,能够应用于风电机组等变工况机电设备的安全保障及科学维护,具有广泛工程实用前景。     

基于自适应模糊神经网络推理系统的齿轮箱故障诊断方法

研究利用从机械控制过程中获得的运行参数开发一种齿轮箱监测方法,而非振动与声音的传统测量方法。为了检测齿轮箱状态,采用一种自适应模糊神经推理系统来获取电机电流和控制参数之间的非线性相关性。比较自适应模糊神经推理系统模型产生的预测值和实测值来预测齿轮箱异常状态。试验结果表明,自适应模糊神经推理系统模型能够作为齿轮箱状态监测与故障检测的一种有效工具。     

高速动车组齿轮箱稳态温度场分析

高速动车组齿轮箱运行时会产生大量的热使其温度场平衡温度升高导致其出现热轴、箱体表面出现裂纹等故障现象,为了获得齿轮箱温度场分布规律,对某型高速动车组齿轮箱进行稳态温度场分析。建立了齿轮箱稳态温度场数学模型并确立了边界条件,通过有限元法对齿轮箱温度场进行数值模拟分析,并与试验结果对比以验证建立模型的可靠性。结果表明:小齿轮两个圆柱滚子轴承处温度最高,出现热轴故障的可能性最大;温度以热源为中心向周围扩散,依次递减;仿真结果与试验结果误差小于3.36%,建立的仿真模型可有效预测齿轮箱温度分布。通过分析获得齿轮箱温度场的分布规律,为齿轮箱故障分析和润滑流道结构改进提供理论依据。     

基于缺失数据填补的风电齿轮箱状态监测研究

风电机组监控和数据采集系统的现场数据普遍存在缺失问题,会对下游状态监测任务产生一定负面影响。为此,提出一种结合注意力机制的掩膜自编码网络,用于填补面板数据样本中的缺失值,增加可用样本数量,提升状态监测结果的准确性与连续性。该方法以降噪自编码网络为整体框架,在编码阶段通过注意力机制对缺失值进行掩膜处理,赋予缺失值更高的权重以强化网络对其关注程度,在解码阶段将缺失值填补后输出完备数据样本。随后,利用长短时记忆网络提取的样本特征对目标变量参数进行预测,依据预测残差实现状态监测。使用某风电齿轮箱运行数据验证,结果表明：提出方法的数据填补偏差相较对比方法至少改善17.2%;与数据填补前相比,数据填补后样本数量显著增加,使状态监测网络对正常数据的预测残差平均下降37.4%,对故障数据的检测率提升6.8%。     

透平压缩机组分布式状态实时监测系统研制

透平压缩机组分布式状态实时监测系统是针对机组运行特点和现场要求而设计,能对机组的机械动态特性及温度、压力、流量及开关量等参量进行在线实时监测及跟踪分析,完整掌握机组运行状态和变化趋势,为实现预测维修,使机组安全高效运行提供保障。     

风力机主轴承故障监测方法

根据风力机主轴承发生故障时引起其温度异常波动的特点,提出一种基于温度模型的故障监测方法.首先,分别建立正常运行状态下主轴承温度的多元线性回归预测模型、灰色预测模型、支持向量机回归预测模型及其组合预测模型;其次,在最佳预测模型基础上引入滑动窗口方法,研究主轴承温度预测残差统计特性;最后,通过对比温度残差均值或标准差的置信...     

基于SCADA温度数据的风电机组发电机驱动端轴承异常识别方法

为及时识别发电机驱动端轴承的异常运行状态,利用风电机组数据采集与监视控制(SCADA)系统参数序列之间存在的内在相关性,提出一种基于协整和向量误差修正模型的发电机驱动端轴承异常识别方法。首先,对所选温度SCADA参数序列的平稳性进行检验,分析各参数的单整阶数;然后,通过协整检验来确定所选参数之间的长期均衡关系;最后,在协整关系的基础上构建适用于温度SCADA参数的向量误差修正模型,计算模型预测残差的均方根误差,使用指数加权移动平均值设定阈值对发电机驱动端轴承的运行状态进行监测。利用内蒙古某风场的一组发电机驱动端轴承故障数据进行验证,结果表明该方法能有效识别发电机驱动端轴承的异常状态,及时发现早期故障。