基于迁移学习的海上风电机组主轴承故障诊断

主轴承故障诊断是提升风力发电机可靠性和可用性的重要手段。然而在海上风电场建立初期,难以在每台机组上都获取到足够多的训练样本和全面的运行数据,因此,利用不同机组之间结构和原理的高度相似性,通过迁移学习方法得到一个可以适用于多台风电机组的可靠的主轴承故障预警模型是解决问题的关键。本文提出一种基于XGBoost和迁移学习的综合方法来对风电场中不同的风电机组进行主轴承故障预警。首先,采集广东某海上风电场6.8 MW风电机组的数据,构建出一套基于XGBoost的主轴承故障预警模型,然后再将其迁移至其它不同的风电机组中。实验表明,与LSTM、GRU、Light和Random forest等模型相比,本文构建的模型的准确率最高,R2高达0.995。并且在经过迁移后仍然保持了较高准确率,各机组的R2均大于0.95。     

基于深度置信网络风电机组变桨系统的故障诊断

针对风电机组变桨系统常见故障,提出一种基于深度置信网络(DBN)的故障诊断方法。设计出基于DBN的变桨系统故障诊断框架;通过堆叠多层受限玻尔兹曼机(RBM),对比重构数据与原始输入数据差异,研究了DBN故障特征自提取能力;将堆叠RBM提取的故障特征输入到顶层分类器中进行训练,得到故障诊断模型;最后采用风场真实故障数据集进行了验证测试。实验结果表明,采用该方法进行风电机组变桨系统故障诊断相比其他方法具有更高的准确率。     

基于AC-GAN数据重构的风电机组主轴承温度监测方法

为更好地识别风电机组主轴承运行状态,提出了一种基于辅助分类生成对抗网络(auxiliary classifier generative adversarial networks, AC-GAN)的数据重构算法对风电机组主轴承温度进行监测。首先,利用采集与监视控制系统(supervisory control and data acquisition, SCADA)时序数据建立基于轻型梯度增强学习器(light gradient boosting machine, LightGBM)的主轴承温度预测模型,并计算其残差特征。其次,利用统计过程控制(statistical process control, SPC)方法对主轴承温度异常残差在控制线范围内进行筛选,并利用AC-GAN算法对残差进行重构。最后,分别提取主轴承温度正常和异常的残差特征,建立基于自然梯度提升(natural gradient boosting, NGBoost)的主轴承状态监测模型。实验结果表明,该方法对主轴承运行状态判断准确度高达87.5%,能够有效地监测风电机组轴承类运行状态。     

基于改进深度卷积神经网络的轴承故障诊断

轴承为风电机组的重要且故障频发部件,传统基于轴承振动数据的图像转换的卷积神经网络(CNN)的故障诊断技术存在一定局限性。提出了一种基于改进深度卷积神经网络(IDCNN)的直接时间序列特征提取方法,依据采样频率将原始振动数据划分为单个样本,构建诊断模型训练数据集。设计了一种新型的深度卷积神经网络(IDCNN),自动提取复杂样本数据的故障特征,提高DCNN的鲁棒性和泛化性,并将IDCNN提取的高维故障特征输入到分类器中,从而实现轴承故障的智能诊断。对比实验结果表明本方法有效提升了故障诊断精度。     

对风电机组故障诊断方法的探讨

风电机故障在影响风电机组使用性能的同时,还会对电力生产和供应造成不同程度的损耗,为了提高风电机组的工作效率,就必须对风电机组故障诊断进行统计分析,总结出行之有效的维修策略。本文采用风电机数据模拟的方法,对常见的齿轮故障进行在线监测和诊断,并且提出了一些实用的故障解决措施,为同类型的风电机组研究提供理论依据。     

基于ICSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱运行过程中故障样本缺乏、正常样本充裕的特点,提出基于增量代价敏感支持向量机（Incremental Cost-sensitive Support Vector Machine,ICSVM）的风电机组齿轮箱故障诊断方法。由于齿轮箱故障样本缺乏,建立以误分类代价最小化为目标的代价敏感支持向量机故障诊断模型;在增量训练代价敏感支持向量机阶段,利用KKT条件,以增量样本和初始样本训练增量代价敏感支持向量机。实验结果表明,该方法能有效地减少平均误分类代价和训练时间,提高齿轮箱故障识别率。     

基于PSO-DBN的风电机组齿轮箱运行状态识别

为了准确监测到风电机组齿轮箱的运行状态以实现其早期预警,提出了一种基于改进深度置信网络(Deep Belief Networks, DBN)的运行状态识别方法。首先,利用粒子群算法(Particle Swarm Optimization, PSO)优化DBN网络的结构参数,运用最优的DBN网络结构提取样本数据特征。将特征通过多维尺度分析(Multidimensional Scaling, MDS)算法映射到低维空间,在低维空间内依据欧氏距离构建齿轮箱状态指标,结合状态指标实现样本数据标签化。再采用标签化的样本数据训练极限学习机(Extreme Learning Machine, ELM)模型,识别齿轮箱的运行状态。结果表明,该方法的识别准确率达到95.61%,不仅深度挖掘到样本数据的特征信息,还通过构建状态指标为无标签的样本数据处理提供了参考。     

基于粒子群优化以及深度胶囊网络的轴承故障诊断

针对发动机轴承损坏情况严重以及基于模型方法预测精度不稳定的问题,提出一种基于深度胶囊网络和粒子群优化算法的轴承故障预测方法.通过将观测振动信号自适应降噪后,基于粒子群优化算法进行稀疏盲分离,得到轴承振动信号,通过S变换获取时域图以及轴承振动特征,其次将时域图经由卷积层卷积,输入到胶囊层进行预测.将高低胶囊层之间的算法转...     

基于和声蚁群耦合算法的风电机组齿轮箱故障诊断

基于和声搜索和蚁群算法优化后的BP神经网络,提出一种风电机组齿轮箱故障诊断方法。将蚁群算法的信息素更新机制用于和声搜索算法中,提高和声搜索算法的收敛速度,并利用和声搜索算法的个体扰动策略和随机搜索机制改善蚁群算法过早收敛的问题。利用该方法对BP神经网络的权值和阈值进行优化,克服BP神经网络算法易陷入局部最优解的缺点,提高神经网络的训练效率和收敛速度。测试结果表明,该方法诊断结果正确且精度高,将经和声蚁群耦合算法优化后的BP神经网络用于风电机组齿轮箱故障诊断是有效的。     

基于小样本的胶囊网络轴承故障诊断方法

针对滚动轴承故障样本稀疏、卷积神经网络(convolutional neural network, CNN)池化层效率低的问题,提出一种基于胶囊网络的小样本学习方法模型。基于孪生神经网络,通过相同或者不同类别的样本对进行特征学习,根据特征之间的差异进行故障分类。在标准的凯斯西储大学(Case Western Reserve University, CWRU)轴承故障数据集进行的实验结果表明,该模型在有限数据样本下对故障诊断更为有效。通过添加不同幅值能量的高斯白噪声开展实验,其结果表明,所提方法在抗噪性方面具有优势。     

基于PCA和RBF网络的故障诊断技术及其应用研究

针对设备运行状态和特征参数之间存在的复杂非线性关系,提出了基于主成分分析的RBF神经网络故障诊断方法;该方法用主成分分析方法将高维相关特征参数转化为低维互不相关的特征参数,在此基础上建立了RBF网络分类器;用该网络对某汽轮机减速箱的运行状态进行识别,理论分析和实验结果表明,基于PCA和RBF网络方法的诊断技术具有模型简单、检测速度快等优点,可以在实际应用中发挥有效作用。     

基于主元分析的支持向量数据描述机械故障诊断

针对机械故障诊断缺乏故障样本的问题,提出了故障诊断单值分类法--支持向量数据描述法(SVDD).这种方法只需要正常运行状态的数据样本,就可以建立单值分类器,区分出正常和异常状态.试验以轴承为研究对象,采用主元分析法(PCA)作数据前处理,提取振动信号的统计特征值,得到的主元特征指标输入到SVDD分类器进行训练和测试.试验结果表明,PCA对正常和故障样本有较大的区分度,SVDD分类器能很好的分辨出轴承正常和故障状态,并且对未知故障有良好的识别能力.     

基于深度置信网络的风电机组主轴承故障诊断方法研究

为解决目前传统风电机组主轴故障诊断过程中因主轴结构复杂、信号非线性变化和机械大数据等因素引起的故障诊断困难问题,提出了一种高效、准确的风电机组主轴承故障诊断方法。利用深度置信网络强大的特征分层提取和泛化能力优势,结合Python语言基于Tensor Flow学习框架,实现了高效准确的风电机组主轴承故障诊断。采集风电机组主轴轴转动频率,内、外圈故障频率,滚动体频率和保持架频率,对数据预处理并划分测试集和训练集,同时进行归一化处理。构建深度置信网络DBN诊断网络模型,确定网络层数、学习率、各层节点数等参数。输入训练样本逐层无监督训练达到局部参数最优,反向微调使整体性能最优并用测试集数据进行验证。试验结果表明:在网络参数合适且训练集和测试集相同的情况下,采用深度置信网络的风电机组主轴承故障诊断方法的准确率高达86.18%,同比优于传统支持向量机、人工神经网络故障诊断方法。     

滚动轴承疲劳故障诊断系统

介绍了一种基于单片机控制的滚动轴承疲劳故障诊断系统.该系统能够实现在线数据采集、特征提取、状态识别与分析、结果显示等功能,可用于现场工况下对滚动轴承疲劳故障的精密诊断.     

风电场风电机组环网通讯网络风暴问题研究

在风电场风电机组集中监控过程中,风电场环网通讯无疑是非常重要的一环.因此,通讯环网质量对提升风电机组安全有效的实时监控具有重要意义.网络风暴是通讯网络中较特殊的问题,会导致风电场网络通讯中断,其影响范围大,排查难度高,且产生原因较复杂,对风电机组有效监控具有严重影响.针对上述问题,本文重点分析网络风暴产生机理及原因,提...     

基于LSTNet网络的风电机组发电机主轴承温度预测研究

发电机主轴承温度的预测对风电机组的状态监测和故障预警具有重要的意义。为提高主轴承温度预测的准确性,提出一种基于LSTNet网络的预测方法。首先,针对观测向量选择缺乏理论依据和特征冗余的问题,采用灰色关联度分析筛选出与主轴承温度关联性较强的特征参数,然后结合MIV指标计算出每个参数的平均影响值,进一步比较特征参数对主轴承温度的影响程度,最终选择出4个特征参数参与模型预测,最后利用LSTNet多变量时间序列框架,融合GRU、RNN、LSTM网络的结构特点,建立LSTNet网络预测模型,并与SVR、RNN和LSTM预测方法作对比。结果表明：基于LSTNet模型的长期和短期时间序列多步预测方法,预测准确率达到99.3%,明显优于文中其他方法,有效提升了发电机主轴承温度的预测精度。     

基于长短时记忆神经网络的风电机组滚动轴承故障诊断方法

风能作为一种绿色能源在我国能源结构中发挥着越来越重要的作用;风电机组的滚动轴承作为传动系统的重要组成部分,是其主要故障部件之一;随着风电规模的不断增长,及时地发现风电机组滚动轴承的故障对风电场安全稳定运行具有重要意义;针对传统回归神经网络存在的梯度消失问题,提出了利用长短时记忆神经网络对风电机组滚动轴承进行故障诊断的模型;首先,利用小波包变换对风电机组滚动轴承振动信号进行处理,提取其特征向量,将其作为长短时神经网络的输入,从而诊断出风电机组滚动轴承的3种常见故障;通过算例分析,结果表明所提出的方法能够有效地对风电机组的滚动轴承进行故障诊断,并且在故障特征量差异不明显的情况下长短时记忆神经网络仍具有良好的故障诊断性能,说明了该方法的可行性和有效性。     

基于时空自编码网络的风电齿轮箱状态监测

在风电机组状态监测问题中,常规自编码网络通常仅使用截面SCADA(supervisory control and data acquisition)数据,使得网络对数据时间特征的学习不足。因此,提出一种基于时空自编码网络的风电齿轮箱状态监测方法：使用1维卷积网络(1DCNN)级联双向长短时记忆网络(Bi-LSTM)作为编码层,序贯提取面板数据的空间及时间特征,以输入的重构误差作为预警指标实现在线状态监测。使用河北省某风电场实际数据验证,结果表明：相比故障记录时刻,时空自编码网络能提前20 d发出报警信号,且故障检出率和误报警次数均优于常规方法;通过分析重构误差各分量的贡献率,可知该齿轮箱故障中主要异常参数为油路压力和油池温度。