基于堆叠自编码网络的风电机组发电机状态监测与故障诊断

为实现风力发电机的异常检测分析,提出了一种基于风电机组发电机正常状态下数据采集与监控(SCADA)样本数据的堆叠自编码网络深度学习方法。首先将多个自编码网络连接构成深度堆叠自编码网络,选取发电机SCADA状态变量数据作为网络的训练输入,使网络逐层智能提取数据间的分布式规则,从而构建发电机的堆叠自编码学习模型。依据故障状态下发电机SCADA数据内部动态平衡规则被破坏,利用发电机深度学习网络的输入与重构值计算重构误差,并作为整体状态的观测量。通过采用自适应阈值检测重构误差的状态趋势变化,并作为异常预警判定准则,从而实现对发电机故障的判定。当发电机发生异常时,变量的实际值与对应模型的重构值发生较大偏差,表现为状态变量的残差趋势将会偏离原有的动态稳定状态。因此利用状态变量的残差趋势变化对异常变量进行隔离,判定可能的故障原因达到故障诊断的目的。通过对发电机故障前后记录数据进行仿真分析,结果验证了堆叠自编码网络深度学习方法对发电机状态监测与故障诊断的有效性。     

基于改进深度自编码网络的异常用电行为辨识

为准确检测异常用电行为以降低电力公司的运营成本,提出一种基于改进深度自编码网络的异常用电行为辨识方法。首先将正常用户的用电数据作为训练样本,自编码网络逐层学习数据的有效特征;然后重构输入数据以计算检测阈值,而由于异常用电行为破坏数据的特征规则,再通过对比重构误差与检测阈值的差异即可实现异常用电行为辨识。为了改善自编码网络的特征提取能力与鲁棒性,分别引入了稀疏约束和噪声编码,并利用粒子群算法优化网络的超参数以提高模型的学习效率和泛化能力。选用福建省某地区居民用电和商业用电数据集进行了验证,这一模型的异常行为检测的准确率高于92%。实验表明所提方法具有优异的特征提取能力和异常用电行为辨识能力。     

基于子空间方法的风机齿轮箱故障预测算法

为了减少风机齿轮箱严重故障的发生,提出了一种基于随机子空间识别方法的齿轮箱故障预测算法。该算法首先建立齿轮箱的随机状态空间模型,并利用正常运行时的振动监测数据计算模型的参数矩阵的特征值,并将其作为参考特征值;然后将由实际振动数据所求得的特征值与参考特征值进行比较,如果两者误差很小,则说明齿轮箱正常,反之则异常。为了减少计算量,引入均方根误差(RMSE)作为齿轮箱故障判别指标,并利用统计过程控制(SPC)原理定义该指标的阈值。最后,对一台实际风机的振动监测数据进行仿真,结果表明了所提出算法的有效性。     

应用深度自编码网络和XGBoost的风电机组发电机故障诊断

针对风电机组现场故障样本难获取的问题,为实现风电机组发电机部件的故障诊断,通过分析风机监控与采集(SCADA)数据,设计了基于深度自编码(DAE)网络和XGBoost的故障诊断算法。该算法包含两部分:第一部分是DAE故障检测算法,通过DAE获取SCADA数据的重构值,分析重构误差的变化趋势与其超越阈值的情况以预测风机故障和提取故障样本;第二部分是XGBoost故障识别算法,用贝叶斯优化搜索XGBoost的最优超参数,建立XGBoost多分类故障识别模型。算例结果表明,DAE算法能够捕获风电机组发电机早期故障,XGBoost比其他算法更精确地识别不同故障类型。     

基于改进VMD-MCKD和深度残差网络的风机齿轮箱故障诊断

行星齿轮箱是风电机组传动系统中的重要部件,其运行工况复杂,背景噪声大,导致齿轮早期故障信号微弱且极易受背景噪声的影响。针对风电机组齿轮箱早期故障特征难以有效提取,齿轮故障难以识别的问题,提出一种风机齿轮箱故障诊断方法。首先,通过变分模态分解算法（variational mode decomposition,VMD）分解风机齿轮箱原始振动信号,获得振动信号故障的最优模态分量;接着,利用最大相关峭度解卷积算法（maximum correlated kurtosis decnvolution,MCKD）通过解卷积重构最优模态分量,削弱背景噪声增强故障冲击成分,获得故障特征;同时利用麻雀搜索算法（sparrow search algorithm,SSA）优化惩罚因子α、模态分解个数K、滤波器阶数L和反褶积周期T等参数,提升振动信号故障特征提取的准确度;最后,构建基于深度残差网络（deep residual network,ResNet）的齿轮箱故障诊断模型,建立齿轮箱故障特征与类别的非线性映射关系,实现风机齿轮箱故障分类识别。实验结果表明,所提风机齿轮箱故障诊断方法的准确率达到97.48%,相...     

基于大数据分析的风机轴承故障预警

将大数据分析应用到风机轴承故障预警中,使用栈式自动编码器（SAE）为基本结构,通过逐层提取风机轴承监视控制与数据采集系统（SCADA）数据深层特征,将散乱的SCADA大数据转化成能够深度刻画风机轴承运行状态的内在特征。利用预训练、微调的方法并结合误差反向传播算法（BP）构建SAE故障预警模型,通过SAE模型对大数据处理得到反映风机轴承运行状态的重构误差平均值,以均值漂移聚类算法动态地计算出风机轴承稳定运行状态重构误差基准值为预警的标准。最后利用某风电场机组的SCADA数据进行工程实例仿真分析,验证了基于大数据分析用于风机轴承故障预警的可行性。     

基于交叉自编码网络的故障漏电电流分离方法

从剩余电流中分离故障支路电流是典型的新数据预测问题,目前故障支路电流分离方法匮乏且准确度较低。本文提出一种小规模交叉自编码深度网络模型构建策略,并将其用于剩余电流中准确分离故障支路电流。首先,在剩余电流和故障漏电电流数据集上分别独立训练自动编码网络;然后,截取剩余电流数据集的特征编码模块和故障漏电电流数据集的特征解码模块,将两者级联构成交叉自编码网络;最后,采用成对剩余电流 故障漏电电流数据微调训练交叉自编码网络,获得剩余电流到故障漏电电流的分离映射模型。误差阈值设置为5时,分离平均准确率达7733%;误差阈值为15时,平均准确率达8867%,能较好地实现了故障漏电电流分离,为智能化电流分离式剩余电流保护器设计提供了技术支持。     

极端条件下基于改进深度森林的行星齿轮箱故障诊断方法

齿轮箱是风电机组重要且易出现故障的设备,早期故障威胁系统运行安全。在极端条件中高效、准确的齿轮箱故障诊断对风电机组的安全稳定运行至关重要,因此提出了基于改进深度森林的行星齿轮箱故障诊断方法。为了实现不平衡小样本与强噪声的极端条件下行星齿轮箱故障的高效诊断,首先针对旋转机械振动数据样本较少与不平衡的情况,在Wasserstein生成对抗网络中引入梯度惩罚,生成样本补充原始数据集。然后利用多粒度扫描处理振动信号数据点之间的联系,增强数据中的故障特征。最后在级联森林内部引入新的基学习器并运用量子粒子群算法优化参数,获得具有高诊断精度的模型结构进行故障分类,输出诊断结果。经与其他智能诊断方法在多场景下进行的对比实验,证实了所提方法在极端条件下的分类效果较好,能有效提高齿轮箱故障诊断的准确性。     

基于多维时间序列的光伏逆变器异常检测方法

光伏逆变器的异常检测对于提高发电效率和逆变器使用寿命尤为重要。由于光伏设备数据具有复杂的时间依赖性和不确定性,因此难以选择一个适用于时间序列数据的通用模型,对光伏设备数据进行异常检测,并且缺乏对现有方法的比较分析和对实际光伏设备的有效验证。因此,提出了一种基于长短期深度自编码高斯混合模型(LSTM-DAGMM);首先,通过滑动窗口的方式将原始数据生成统计性特征作为模型的输入;然后,采用自编码器将生成的低维特征和重构误差端到端的输入到GMM;最后,通过能量密度概率判断异常。通过实际光伏设备数据实验表明,该模型能够有效地检测设备的异常状态并作出预警,具有良好的泛化能力。     

工控网络异常行为的RST-SVM入侵检测方法

针对工业控制网络环境的复杂性和入侵检测要求的特殊性,提出了基于异常行为模式的入侵检测特征提取方法。以Modbus/TCP工业控制网络为检测对象,通过深度解析异常行为的操作模式,提取通信流量的入侵检测数据特征,同时,为了去除冗余的检测信息,利用粗糙集理论(RST)的方法进行检测特征的属性约简,最后结合支持向量机(SVM)算法的分类优点,并利用自适应遗传算法(AGA)进行模型参数优化,建立基于RST-SVM算法的自学习式入侵检测模型。根据实际的检测性能对检测特征和模型参数进行学习。研究表明,该方法降低了入侵检测模型的复杂度和检测时间,提高了对异常攻击行为的检测率,能够满足工控网络入侵检测高效性和实时性的要求。     

基于区间划分的风电齿轮箱在线故障预警方法

针对大型风电机组运行工况复杂多变,依靠恒定的润滑油温度值作为齿轮箱故障预警值容易不报的问题,提出了基于运行区间划分的风电机组齿轮箱在线故障预警方法。该方法通过划分不同的运行区间,对不同运行区间根据高斯模型分别设定阈值。将实时数据代入相应运行区间判定是否异常,再利用移动窗口计算异常率作为触发齿轮箱故障预警的指标。该方法用于某1.5 MW风电机组齿轮箱故障的分析,结果表明,该方法能够准确地反映故障的发展趋势,可实现齿轮箱故障的早期预警,避免故障向更严重的方向发展,降低风电机组运行和维修成本。     

基于改进威布尔分布的风电机组关键部件可靠性评估

针对风电机组工作环境恶劣,其发电机、齿轮箱等关键部件可靠性难以准确评估的问题,文中以某型号风机齿轮箱为例,提出了一种基于改进威布尔分布模型的可靠性评估方法。该方法对传统的平均秩次法进行了优化,克服了传统平均秩次法只考虑每个非停机故障发生的位置,而未考虑停机故障区间长度对结果的影响,造成参数估计误差的问题。在考虑风电机组关键部件的停机故障数据与非停机故障数据的基础上,分别采用威布尔分布模型与改进威布尔分布模型对风电机组关键部件进行评估。进一步得到可靠度函数曲线与失效率函数曲线,并对其进行相关分析。通过实例分析,对比两种模型的参数估计结果,验证了提出的新方法可以计算出精确度更高的参数,使得评估结果更加符合风电机组运行的实际情况。     

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。     

基于改进卷积深度信念网络的风电机组行星齿轮箱故障诊断方法

风力发电机组行星齿轮箱振动信号是一种非线性非平稳的复杂信号,传统的故障诊断方法面对此类信号时,能够很好地处理的范围有限.建立了卷积深度信念网络用于行星齿轮箱故障诊断,为了防止超参数选择有误造成识别的准确率不够,引入粒子群算法对网络的超参数进行优化,对粒子进行混沌初始化提高了粒子的全局搜索能力.首先将原始信号进行变分模态...     

基于 OOB-GWO-SVR 的风电机组齿轮箱故障预警

针对风电机组齿轮箱超温出现的故障问题,提出了基于改进参数优化机器学习算法的风电机组齿轮箱故障预警模型。 首先,通过随机森林袋外估计确定特征变量,并采用滑动平滑滤波对输入变量进行滤波处理。 其次,构建灰狼算法优化支持向 量回归模型,根据最优模型输出的偏差值确定状态识别指标。 最后,通过时移滑动窗口设置阈值范围,当状态识别指标超出阈 值范围之外时立即报警。 实验结果表明,该模型能提前 87 min 对风电机组齿轮箱温度异常发出故障预警,并且预警效果优于 距离相关系数-GWO-SVR 模型、Pearson-GWO-SVR 模型和 OOB-SVR 模型。     

基于DCAE-KSSELM的变压器故障诊断方法

为了充分利用变压器发生故障时产生的大量无标签样本,提高故障诊断精度,提出基于深度收缩自编码器(DCAE)与核半监督极限学习机(KSSELM)相结合的故障诊断方法。首先使用无标签样本对DCAE网络逐层训练,初始化网络参数,然后用有标签样本数据对网络参数进行微调,最后将有标签样本与无标签样本一起作为深度收缩自编码器与核半监督极限学习机(DCAE-KSSELM)混合网络的输入并完成故障诊断。实验结果表明,所提模型稳定性好,故障诊断精度高,鲁棒性强。     

Wind Turbine Gearbox Fault Diagnosis Based on Multi-Sensor Signals Fusion

This paper proposes a novel fault diagnosis method by fusing the information from multi-sensor signals to improve the reliability of the conventional vibration-based wind turbine drivetrain gearbox fault diagnosis methods. The method fully extracts fault features for variable speed, insufficient samples, and strong noise scenarios that may occur in the actual operation of a wind turbine planetary gearbox. First, multiple sensor signals are added to the diagnostic model, and multiple stacked denoising auto-encoders are designed and improved to extract the fault information. Then, a cycle reservoir with regular jumps is introduced to fuse multidimensional fault information and output diagnostic results in response to the insufficient ability to process fused information by the conventional Softmax classifier. In addition, the competitive swarm optimizer algorithm is introduced to address the challenge of obtaining the optimal combination of parameters in the network. Finally, the validation results show that the proposed method can increase fault diagnostic accuracy and improve robustness.