基于深度特征融合网络的风电机组行星齿轮箱故障诊断方法

行星齿轮箱是风电机组中的重要部件,对风电机组的安全可靠运行具有重要意义。为此,提出一种基于深度特征融合网络的行星齿轮箱故障诊断方法,用于实现变速工况、样本不足和强噪声场景下的故障诊断。首先将原始信号扩展到多个特征域。其次利用多维堆栈稀疏自编码器提取各域特征。最后针对传统Softmax分类器对融合信息分类能力不足的问题,提出基于竞争粒子群算法优化的回声状态网络进行特征融合并输出诊断结果。经多场景不同故障诊断方法对比实验,所提方法在行星齿轮箱变速工况下分类效果良好,并对训练样本的减少和外界噪声有很强的鲁棒性。     

大型风力发电机组故障诊断方法综述EI北大核心CSCD

故障诊断技术是保证风场运行效率并降低风场运营成本的关键。对风电机组故障诊断技术进行综述,按照基于定性诊断、定量诊断的分类方式,针对现有风电机组故障诊断方法并结合故障诊断系统进行分析。对每一类现有故障诊断方法再次归类,指出这些方法的基本思想、适用条件和应用范围以及优缺点,并探讨了风电机组故障诊断技术未来可能的主要发展方向。     

风机齿轮箱振动信号的稀疏傅里叶变换分析

风电机组齿轮箱振动信号的在线频谱分析对信号处理算法的快速性要求很高,提出采用稀疏快速傅里叶变换（ＳＦＦＴ）算法进行风机齿轮箱的频谱分析。SFFT算法主要利用窗函数过滤信号,然后散列傅里叶系数,最后进行定位与估值运算,能快速地计算出信号频谱中k（信号的稀疏度）个拥有最大值的傅里叶系数。该算法结构简单,运行时间相对于信号长度n呈亚线性。通过对风电机组齿轮箱的实际振动信号分析,验证了SFFT算法较之FFT算法运行速度快,非常适合振动信号的在线频谱分析。     

基于RF特征优选和WOA-ELM的风电齿轮箱故障诊断

针对风电机组齿轮箱故障特征提取不足,故障诊断率低问题,提出了一种基于RF特征优选,结合WOA-ELM特征识别的风电齿轮箱故障诊断方法。首先,提取风电齿轮箱时域、频域、时频域特征,构建多域高维特征集;其次,利用RF进行特征重要度排序并提取10维优选特征;最后,利用WOA优化调整ELM模型的输入权值和隐含层阈值,实现风电齿轮箱故障分类识别。将本文方法应用于风电齿轮箱故障诊断,实验结果表明,本文方法平均诊断率能达到99.81%,诊断准确率均高于对比方法且诊断用时最少,能够有效地进行风电齿轮箱故障诊断。     

基于运行数据时空特征和Stacking集成学习的质子交换膜燃料电池故障诊断EI北大核心CSCD

为实现质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)故障诊断的快速性和准确性,提出基于运行数据时空特征和Stacking集成学习的故障诊断方法。首先,采用客观赋权法为反映PEMFC运行状态的电压、电流、温度和压力等变量进行赋权,基于核主成分分析和长短时记忆神经网络提取其空间、时间特征,基于add思想融合空间、时间特征,构建时空特征集。然后,建立以卷积神经网络(convolutional neural network,CNN)、随机森林、K最近邻算法、极端梯度提升树(extreme gradient boosting,XGBoost)为基分类器,XGBoost为元分类器的Stacking集成学习框架,实现了对PEMFC系统正常、水淹、膜干和氢气泄漏四种运行状态的诊断。最后,算例结果表明,所构建的时空特征集在5种单一分类模型的平均诊断准确率为99.23%,相比空间特征集提升2.83%,在Stacking模型的诊断准确率为99.99%。同时,在满足相同损失函数的前提下,使CNN的运算时间减少28s。因此,所提方法能够实现对PEMFC系统故障的快速准确诊断。     

一种变工况下风电机组行星齿轮箱的故障诊断方法

针对现有的大多数深度迁移学习方法只能在目标转速下工作,而且在模型的训练中总是需要目标域样本的问题,研究风电机组行星齿轮箱在变工况下的故障诊断方法,设计了应用于变工况下行星齿轮箱故障诊断的深度残差半监督域泛化网络,将诊断模型推广到未知转速的故障诊断任务中。首先对振动信号进行Fast Kurtogram时频变换,生成图像并构造样本集;其次模拟实际情况,以含标签源域样本集和无标签源域样本集为输入,使用深度残差网络提取深层故障特征,并引入对抗博弈机制和基于伪标签的半监督学习方法对网络进行训练;最后根据训练后的网络搭建了域泛化故障诊断模型,利用行星齿轮箱故障诊断实验进行评估。实验结果表明,所设计的网络可以有效利用定速样本实现对未知转速样本和变速样本的故障识别,对目标域的平均识别率达到95.24%。     

基于编码器信号的低转速行星齿轮箱故障诊断技术

行星齿轮箱广泛应用于低速重载的大型机电设备中,其故障检测尤为重要。当前行星齿轮箱的故障检测主要依靠振动信号分析,然而低转速工况导致的冲击微弱以及故障冲击难以分离等问题,使得行星齿轮箱故障冲击难以发掘。针对上述瓶颈,提出一种基于编码器信号的低转速行星齿轮箱故障诊断方法。该方法首先通过内置编码器获取故障信息,避免了冗长的振动传递路径带来的不利影响。在此基础上,建立稀疏低秩分解模型,引入快速主成分追踪算法(fast principal component pursuit,FPCP)进行求解,实现低转速下行星齿轮箱故障冲击的提取。行星齿轮箱故障实验结果表明,该方法不仅能获取输入轴转速为30r/min下的故障信息,而且有效地实现故障冲击的分离。研究工作可为低转速旋转机械的故障诊断提供有效的工具。     

基于KELM和多传感器信息融合的风电齿轮箱故障诊断

为提高风电齿轮箱的运行效率,降低风电场的运行维护成本,结合时域统计特征分析和多传感器信息融合技术,提出了一种基于灰狼优化核极限学习机(GWO-KELM)的风电齿轮箱状态监测新方法。首先,计算原始振动信号不同的时域统计特征参数,并采用并行叠加的方式对特征级和数据级进行信息融合以得到融合数据集。其次,利用融合数据集,建立了基于GWO-KELM的故障分类识别模型。最后,运用所提方法对QPZZ-Ⅱ旋转机械振动试验台齿轮箱实测数据进行状态监测,实例结果表明了该方法的有效性和可行性,与其他同类方法相比,所提方法具有最佳分类性能。     

基于特征融合并行优化模型的电能质量扰动分类方法EI北大核心CSCD

为了提高对复杂电能质量扰动(power quality disturbances,PQDs)的分类准确率,该文提出一种基于特征融合并行优化模型的PQDs分类方法。该方法以特征融合的方式,使用全卷积神经网络(fully convolutional networks,FCN)和长短期记忆网络(long short-term memory,LSTM)并行挖掘PQDs在空间和时序上的高维特征,并提出全局最大池化(global max pooling,GMP)和时间序列重组(time series reshape,TSR)优化,提升模型的分类性能。为了验证所提方法的有效性,该文基于Keras框架搭建分类模型,建立含72类扰动的PQDs数据库并进行仿真实验,所提方法在20dB白噪声环境中平均分类准确率可达92.38%,相较于其他主流深度学习分类方法有更高的噪声鲁棒性和分类准确率。另外,对硬件平台所采样的10类PQDs进行分类测试,共100组实验信号均得到正确分类,该结果进一步验证了所提方法的可靠性。     

无刷直流电机驱动系统逆变器的开路故障诊断EI北大核心CSCD

逆变器的故障诊断是实现容错控制的前提,有助于提高电机驱动系统的可靠性。针对上桥臂PWM调制、下桥臂常开调制方式下的无刷直流电机驱动系统逆变器,提出了一种新颖的开路故障诊断方法。该方法将PWM周期内ON时的线电压与OFF时的线电压的差值作为特征量进行故障检测;在逆变器的下一工作模式中定位出具体的故障功率管。为了降低应用成本,提出了分时采集端电压来估计线电压差的软件算法与检测电路。最大诊断时间为1个电周期。该方法硬件电路简单、实现方便、可靠性高、成本低,且不受开环、闭环控制等策略的影响。实验结果表明了所提方法的正确性和有效性。     

基于特征融合与ResNet的行星齿轮箱故障诊断

针对行星齿轮箱振动信号相互耦合和故障诊断不准确等问题,提出一种基于特征融合与深度残差网络(ResNet)的行星齿轮箱故障诊断方法。首先,对采集到的行星轮裂纹、磨损,太阳轮断齿及复合故障等模拟故障振动信号应用多维集成经验模态分解(MEEMD)和VMD进行分解,分别筛选确定有效分量。然后,将筛选出的有效特征进行融合,分别应用传统卷积神经网络(CNN)和深度残差网络对其进行分类识别。结果发现,深度残差网络,分类准确度更高,可达95%以上。最后,应用深度残差对特征融合前后数据的分类准确度进行了比较。融合前准确度最高只达91.16%,低于融合的97.18%。可见,该方法对行星齿轮箱耦合振动信号的处理和故障诊断非常有效。     

基于RF特征优选的WOA-SVM变压器故障诊断北大核心CSCD

为进一步提高变压器传统故障诊断方法的准确率,提出了一种基于随机森林(RF)特征优选,结合鲸鱼算法(WOA)优化支持向量机(SVM)的变压器故障诊断方法。该方法首先利用5种常见油中溶解气体构建24维待选特征集合,其次利用RF算法中MDA指标对特征进行排序,通过序列反向搜索法优选出11维DGA特征量作为输入以消除冗余特征,最后将WOA算法用于SVM惩罚因子和核参数的优化,进而实现故障诊断。仿真结果表明,优选出的特征组合可有效提高诊断准确率,WOA-SVM故障诊断模型较PSO-SVM、GA-SVM,在诊断时间和准确率方面更具优势,验证了所提方法的可行性和有效性。     

基于改进稀疏表示的海上风电场交流海底电缆短路故障分类方法EI北大核心CSCD

准确、快速的海底电缆故障分类是海上风电场运维的重要一环。该文提出一种基于改进稀疏表示的海上风电场交流海底电缆短路故障分类方法,该方法综合利用故障发生后半周波电流信号的时域特征作为故障分类依据,采用K次奇异值分解(K singular value decomposition,K-SVD)字典学习算法对各类故障信号的特征信息进行学习,构造出准确匹配各类故障本质特征的过完备字典。在学习字典的基础上,提出一种基于混合交替方向乘子法(mixed alternating direction method of multipliers,M-ADMM)的改进稀疏分解算法将故障信号分解为过完备字典与稀疏向量的乘积,结合基于稀疏表示的分类方法实现对故障重构信号的分类。仿真研究结果表明,该改进稀疏分解算法具有精确的信号重构、降噪效果。所提出的故障分类方法无需人工构造故障信号特征,避免了多工况故障信号特征筛选、时频域变换等繁琐流程。与SVM、CNN、LSTM等智能分类算法的对比结果表明,该方法具有较强自适应性的同时不易受故障时刻、故障位置影响且噪声鲁棒性强,可以准确识别海底电缆场景下低阻短路故障类型。     

基于果蝇算法优化BP神经网络的齿轮箱故障诊断

为有效提高风电机组齿轮箱故障诊断的快速性和准确性,采用近几年出现的果蝇算法对BP神经网络进行优化,减少了BP神经网络算法陷入局部最优解的风险,显著增强了BP神经网络的泛化能力和全局寻优能力。对比发现,果蝇算法优化后的BP神经网络模型具有比较好的快速性和准确的诊断能力。测试结果表明,果蝇算法优化BP神经网络对风机齿轮箱故障诊断具有可行性和有效性。     

基于转速估计的阶次分析风电齿轮箱故障诊断

风电齿轮箱工作在变转速工况条件下,齿轮箱的振动信号具有受多分量调制以及故障特征频率遭受转频调制的特点。针对该特点导致的齿轮箱故障特征识别困难的问题,提出了一种基于转速估计阶次分析的风电机组行星齿轮箱故障诊断方法。通过分析风电机组齿轮箱的结构和故障特点选择传感器测点,并根据齿轮箱振动频率范围完成传感器的选型工作,在上述工作的基础上搭建监测系统,采集齿轮箱工作状态下的振动信息,并对实际现场采集的振动数据进行转速估计和阶次分析,以提取齿轮箱的故障特征阶次,完成故障诊断。该方法经过风场实际验证可知故障诊断准确率达到84%,比传统快速傅里叶变换（Fast Fourier Transform,FFT)分析方法提高了8%,可以满足现场实际工程需要。     

基于小波分析的风电机组齿轮箱振动信号识别方法

针对传统齿轮箱振动信号识别方法使用过程中识别准确率较低,研究基于小波分析的风电机组齿轮箱振动信号识别方法.通过经验模态分析将振动产生信号分解后,提取信号振动时的频率特征,利用小波变换算法确定频率局部化特征,将振动产生的不同频率用来表示齿轮箱振动信号的变化幅度.实验表明使用小波分析方法进行振动信号识别,当频率为500Hz时,信号的幅度变化值为3m/s２;当频率为1000Hz时,信号的幅度变化值为6m/s２;而对异常信号的识别平均准确率为９７．２％,准确率较高,说明设计方法的识别效果较好.     

基于改进双抛物线的电流跟踪技术控制算法EI北大核心CSCD

为了克服抛物线法电流控制技术存在的抛物线基准电流环不易实现、转换点检测不精确的问题,基于脉冲宽度调制(PWM)变换器的电流控制模型,提出了一种改进的双抛物线电流控制算法,通过公式推导计算精确转换点,并通过仿真对比了双抛物线及其改进技术的3种算法。结果表明:牛顿-双抛物线电流控制技术较斜线双抛物线电流控制更精确,其PWM信号周期基本恒定;且与一般的双抛物线电流控制相比,该方法简化了比较电路,提高了转换点的抗扰性,控制过程更易实现。研究结果表明改进的牛顿双抛物线控制技术结合了双抛物线和斜线双抛物线两者优点,更具可行性和优越性。     

基于谐振调节器的永磁同步电机电流谐波抑制方法EI北大核心CSCD

当永磁同步电机在转子磁场定向控制方法下运行时,由于电机齿槽以及逆变器死区效应等非理想因素的影响,d、q轴电流中会包含谐波。为了抑制电流谐波,该文采用在电流控制环上并联谐振调节器的方法对特定的谐波进行抑制。谐振调节器在给定的谐振频率下有无穷大的增益,因此可以对该频率的谐波进行完全抑制,但是当输入为阶跃信号时,电流响应会出现超调。为了消除超调,同时提高电流的动态响应速度,采用一种前馈控制方法,同时考虑数字控制延时的影响,达到了电流响应没有超调,快速跟踪的效果。为验证该文提出的方法,进行了仿真分析,并在1.25 kW永磁同步电机实验平台进行了实验,验证了该文方法对电流谐波抑制及动态响应速度的提升作用。     

基于电流注入的新型混合式直流断路器EI北大核心CSCD

混合式直流断路器是实现柔性直流电网故障电流快速阻断,最大程度地保障系统健全和可靠持续运行的关键装备。目前,基于全控型电力电子组件级联的混合式直流断路器存在造价昂贵、控制复杂及难以大规模应用等问题。针对这一问题,该文提出一种基于电流注入的新型混合式直流断路器,利用直流系统本身对振荡支路电容进行预充电,通过晶闸管控制振荡支路电容、电感发生谐振而辅助故障电流迅速换流,实现直流线路故障电流快速阻断。首先分析电流注入基本原理,然后,在此基础上提出基于电流注入的新型混合式直流断路器,并详细阐述其工作原理,最后基于PSCAD/EMTDC仿真平台验证所提新型混合式直流断路器的有效性和适用性。     

基于随机森林与长短时记忆神经网络的真空接触器故障诊断方法研究北大核心CSCD

针对真空接触器的渐发性故障识别准确率不高的现状,提出了一种基于随机森林与长短时记忆神经网络的故障诊断方法。文中分析了某型号12 kV真空接触器在机械保持工作情况下合闸线圈电流信号的故障特征,构建了两层诊断模型,在初步诊断中利用随机森林分类器,识别特征明显的突发性故障,利用长短记忆神经网络模型发掘数据时序特征的特点,识别渐发性故障,在最终诊断中利用证据融合将两者结果融合。文中提出的故障诊断模型有效解决了传统故障诊断方法对渐发性故障识别困难的不足,实验表明,该方法对渐发性故障识别准确率达到了91.1%以上,整体故障识别的准确率达到93.3%以上,该方法具有一定的应用价值。