风力发电机组轴承振动信号去噪方法分析研究

针对风电机组的轴承振动的问题,介绍了去除振动信号噪声的基本原理和方法。在风场现场收集风电机组轴承的振动数据,分别采用小波分析、EMD、包络解调分析、小波包络解调、EMD包络解调的方法对振动信号进行处理,并应用Matlab软件实现了信号去噪的计算机仿真,最终利用小波包络解调的方法获得最佳的去噪效果。     

基于SCADA及振动监测数据的风电机组变权综合状态评价

数据采集与监视控制(Supervisory Control and Data Acquisition,SCADA)系统是一套广泛应用于风电机组状态监测的系统。文章提出基于SCADA及振动监测数据的多数据源风电机组变权综合状态评价模型,并进行实例分析。研究表明,该模型在风电机组状态评价中是合理有效且可实现的,其评价结果为机组的维修决策及风电场运行优化提供了科学依据。     

基于灰色粗糙集理论的风电机组传动链智能故障诊断方法

风电机组的状态监测和故障诊断是保证机组长期稳定运行和安全发电的关键。风电机组传动链系统的故障种类繁多,原因复杂,其故障征兆、故障原因和故障机理之间存在着极大的不确定性。文中在其故障诊断过程中,首先利用粗糙集原理对其特征参数进行约简,去除冗余参数,再利用粗糙集理论定量确定各特征参数的重要程度;根据约简的特征参数和各参数的重要程度,利用灰色关联度分析方法确定标准故障状态与目前机组状态的关联度,从而找到其故障之处。实例计算表明：在风电机组的故障诊断中将灰色系统理论和粗糙集理论结合是一种有效的方法,为其今后开展智能故障诊断提供了理论基础。     

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。     

基于多尺度包络谱图的直驱式风电机组轴承故障特征提取

针对直驱式风电机组低速、重载的运行特点,提出将多尺度包络谱图应用于实际机组的故障诊断,以提取轴承的故障特征.对原始振动信号进行复小波变换,其变换结果的包络谱即为轴承振动信号的多尺度包络谱图.结果表明:因其所具有的同步多尺度分解和包络解调能力,多尺度包络谱图能够提取出隐藏在噪声中的低频微弱轴承故障特征,与传统包络解调方法相比具有较好的智能性和准确性,适用于实际风电机组的状态监测.     

基于Hilbert解调法的风电机组齿轮箱故障诊断

对某台运行中的风电机组存在异响的齿轮箱的振动数据进行采集后,采用Hilbert解调法分析出了齿轮箱内部高速轴存在断齿现象,并通过现场检查齿轮箱内部部件发现了断齿。Hilbert解调法能有效提取风电机组齿轮箱振动信号的故障信息,可有效应用于风电机组齿轮箱的振动数据分析及故障诊断工作中。     

风电机组状态检测技术研究现状及发展趋势

状态检测技术是风电机组故障诊断与运营维护最为重要的技术手段。对风电机组进行状态检测能够掌握机组的健康状态及发电性能,以便及时制定维护维修策略和采取提升发电性能的技改措施、减少机组停机时间、避免重大故障发生、节省维修成本、提高机组发电能力。因此,在风电机组状态评价和维护维修中,针对状态检测技术进行了大量的研究和应用。文章从风电机组状态检测特点、机组类型和故障特点3方面进行归纳总结;从风电机组健康状态检测和性能状态检测两方面,综述了近年风电机组状态检测的研究现状和重要的研究成果;探讨了目前风电机组状态检测面临的问题,从状态检测设备和软件集成化、状态检测智能化和标准化等方面解决所面临的问题。文章指出,故障机理分析、多状态检测融合技术和统一平台的综合健康检测评估系统是风电机组状态检测发展的新趋势。     

基于EKF和UKF的风电机组非线性状态预测

风电机组的状态监测和故障诊断依赖于对其关键状态参数的参考值进行有效预测。文章采用基于系统模型的非线性状态评估方法对风电机组关键的状态参数进行预测。通过对风电机组进行建模仿真,构建扩展卡尔曼滤波和无迹卡尔曼滤波模型预测风电机组主轴转速和发电机电磁转矩,对比两种方法的预测结果在不同测量步长下的差异。结果显示,无迹卡尔曼滤波方法比扩展卡尔曼滤波方法具有更强的收敛性和稳定性,受测量步长影响更小。     

基于深度卷积自编码器的风电机组故障预警方法研究

通过风电机组状态监测进行故障预警,可防止故障进一步发展,降低风场运维成本。为充分挖掘风电机组监控与数据采集（SCADA）各状态参数时序信息,以及不同参数之间的非线性关系,该文将深度学习中自动编码器（AE）与卷积神经网络（CNN）相结合,提出基于深度卷积自编码（DCAE）的风电机组状态监测故障预警方法。首先基于历史SCADA数据离线建立基于DCAE的机组正常运行状态模型,然后分析重构误差确定告警阈值,使用EMWA控制图对实时对机组状态监测并进行故障预警。以北方某风电场2 MW双馈型风电机组叶片故障为实例进行实验分析,结果表明该文提出DCAE状态监测故障预警方法,可有效对机组故障提前预警,且优于现有基于深度学习的风电机组故障预警方法,可显著提升重构精度、减少模型参数和训练时间。     

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。