基于VMD和卷积深度信念网络的风电机组行星齿轮箱故障检测

针对传统的故障诊断方法面对风力发电机组行星齿轮箱振动信号时处理范围有限的问题,提出了一种基于VMD和卷积深度信念网络相结合的智能诊断方法,首先利用VMD对原始信号进行分解,基于峭度准则提取出冲击含量较大的本征模态函数,将特征信息明显的分量融合在一起组成多通道的输入,然后利用卷积深度信念网络进行特征提取,最后将特征输入到分类器中进行故障识别分类。试验结果表明,该方法可准确地对风电机组行星齿轮箱不同的工作状态和故障种类进行识别与分类。     

基于迁移学习的风电机组轴承故障诊断研究

针对风电机组运行工况复杂，实际采集的振动信号存在分布差异，导致故障诊断模型的分类效果偏低问题，提出一种具有多核领域适应（MKDA）的多尺度卷积神经网络（MSCNN）风电机组轴承故障诊断研究方法（MKDA-MSCNN）。该方法通过迁移理论将已知风电机组知识迁移至目标风电机组实现故障诊断。首先，利用源域数据预训练MSCNN网络，再利用多核领域适应减小源域和目标域分布差异，最终获得目标风电机组故障诊断模型。试验结果表明，该文提出的MKDA-MSCNN方法在实际风电机组轴承故障诊断中分类精度高达96.17%，对比结果表明该文所提方法的故障分类准确度优于其他深度学习和深度迁移学习方法，对迁移学习理论在实际工程风电机组轴承故障诊断中的研究具有一定价值。     

基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法

提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法。粒子群算法不需要计算梯度,可以兼顾全局寻优和局部寻优。利用粒子群算法对BP网络权值和偏置进行优化,减少了BP神经网络算法陷入局部最优解的风险,提高了神经网络的训练效率,加快了网络的收敛速度。考虑风电齿轮箱振动信号的不确定性、非平稳性和复杂性,提取功率谱熵、小波熵、峭度、偏度、关联维数和盒维数作为故障特征。经测试,算法诊断结果正确,表明了PSO优化BP神经网络用于风电机组齿轮箱故障诊断的有效性和实用性。     

基于深度学习的齿轮箱故障模糊诊断方法

风电机组齿轮箱作为传动系统重要组成部分,其运行状态关乎整个风电机组的健康运行。由于齿轮箱振动信号具有非线性、非平稳等特性,传统时频分析方法分解故障信号和提取故障特征的能力有限。因此,文章提出将深度学习应用于齿轮箱故障诊断中,通过构建一维卷积神经网络模型对齿轮箱不同状态下的特征向量进行高效提取、重构。同时,将模糊理论应用于分类器,构建一个模糊多分类器(FMC)对故障进行识别,提出了以平均隶属度作为故障等级判断标准。实验结果表明,文章所提方法在确保齿轮箱故障诊断高准确率的同时,提升了故障分类的精度。     

基于深度变分自编码网络融合SCADA数据的风电齿轮箱故障预警

现有深度学习模型在融合风电SCADA数据时,仅考虑数据结构特征而未充分考虑数据分布规则,导致风电齿轮箱故障预警鲁棒性差。针对此问题,提出基于深度变分自编码网络融合SCADA数据的风电齿轮箱故障预警方法。选择SCADA多源异构监测数据作为深度变分自编码网络的训练输入,通过将输入数据映射为高斯分布参数并进行采样重构输出,使得网络在学习数据结构特征的同时能够充分挖掘数据分布规则,从而建立深度变分自编码网络预测模型;选择在线状态量的模型重构误差作为齿轮箱状态监测量,采用基于高斯分布理论的阈值评判准则进行齿轮箱故障预警;利用某风场实测数据进行对比分析,结果验证了所提方法对齿轮箱早期故障预警的有效性。     

基于CLSSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱传统故障诊断方法以全局误诊断率最小化为目标,忽略了误分类型之间的差别的问题,提出基于代价敏感最小二乘支持向量机(Cost-sensitive Least Squares Support Vector Machine,CLSSVM)的风电机组齿轮箱故障诊断方法。该方法在最小二乘支持向量机原始最优化问题中二次损失函数中嵌入不同样本的误分类代价,建立以误分类代价最小化为目标的CLSSVM故障诊断模型,并同最小二乘支持向量机和代价敏感支持向量机比较。实验结果表明,该方法能提高误分类代价高的故障类样本的诊断正确率,具有代价敏感性,其训练速度也足以满足风电机组齿轮箱故障诊断实时性的需求。     

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。     

基于支持向量机的风电机组变桨系统故障诊断

风电机组变桨系统是风电机组发生故障最频繁的部件之一,对其故障类型的精确诊断能够提高风电机组维护计划的效率.针对异步电机和行星齿轮箱的各种故障类型,提出了一项以风电机组三相电流数据为基础的多分量故障诊断方法.该方法通过深度自动编码器从三相电流数据中提取特征向量,并采用支持向量机进行故障分类.上述方法以风电机组变桨驱动器为...     

基于优化的VMD融合信息熵和FA＿PNN的风电机组齿轮箱故障诊断

针对风电机组齿轮箱在故障信号处理、特征提取和故障诊断存在的问题,提出一种基于优化的变分模态分解(VMD)融合信息熵和萤火虫优化的概率神经网络(FA_PNN)的风电机组齿轮箱故障诊断方法。首先利用皮尔逊相关系数法来确定VMD的分解数量和惩罚因子,并利用VMD分解齿轮箱振动信号获取多个固有模态分量,在此基础上融合时域、频域及时频域等信号故障特征熵,最后用FA_PNN网络进行故障识别分类,仿真结果验证了所提出算法在风电机组齿轮箱早期故障诊断研究中的有效性和可行性。     

基于多模态时频图融合的风电机组齿轮箱故障诊断方法

特征提取是故障诊断问题的关键,风电机组齿轮箱负载多变,振动数据量大、信息密度低,导致多模态融合诊断方法的特征学习性能和计算成本难以兼顾。为此,提出了基于多模态时频图融合的风电机组齿轮箱故障诊断方法。首先,使用小波包分解算法对齿轮箱振动数据集进行故障特征分析;然后,将所得分解子信号和原始信号分别转化为二维时频图像,形成体现小波域和时频域的互补故障特征;最后,利用卷积神经网络(convolutional neural networks, CNN)分别学习图像纹理的深层特征并进行特征融合,训练基于CNN-ViT(vision transformer)的多模态故障诊断模型。以凯斯西储大学齿轮箱轴承数据进行验证,所提模型在变负载和未知故障下,相比其他单模态和多模态方法具有较高的准确率,时频图融合方法能够以较低计算成本实现小波域和时频域双模态的故障特征学习。