Wind turbine fault diagnosis based on Morlet wavelet transformation and Wigner-Ville distribution

Based on the Morlet wavelet transformation and Wigner-Ville distribution (WVD), we present a wind turbine fault diagnosis method in this paper. Wind turbine can be damaged by moisture absorption, fatigue, wind gusts or lightening strikes. Due to this reason, there is an increasing need to monitor the health of these structures. Vibration analysis is the best-known technology applied in wind turbine condition monitoring, in which the time-frequency analysis techniques such as Wigner-Ville distribution (WVD) are widely used. Theoretically WVD has an infinite resolution in time-frequency domain. For early wind turbine fault signals, however, there are two main difficulties in WVD analysis. One is strong noise signals in the background and the other is cross terms in WVD itself. In this paper, continuous wavelet transformation (CWT) is employed to filter useless noise in raw vibration signals, and auto terms window (ATW) function is used to suppress the cross terms in WVD. In the CWT de-noising process, the Morlet wavelet, whose shape is similar to mechanical shock signals, is chosen to perform CWT on the raw vibration signals. The appropriate scale parameter for CWT is optimized by the cross validation method (CVM). An ATW based on the Smoothed Pseudo Wigner-Ville distribution (SPWVD) spectrum is taken to be a window function to suppress the cross terms in WVD. The new method can not only remove cross terms faraway from the auto terms, but also keep high energy close to every instantaneous frequency, the virtues such as high time-frequency resolution, and good energy aggregation etc. The wind turbine gear fault diagnosis experiment results indicate that the proposed method has a good de-nosing performance and is effective in suppressing the cross terms and extracting fault feature.     

基于SVM的断路器状态监视诊断方法研究

提出了一种基于支持向量机(SVM)的断路器监视诊断方法,通过对断路器故障时的特性参数向量进行训练推理,实现断路器在线监视诊断,并用实例验证了该方法的准确性和快速性。     

基于AR-Hankel矩阵的风力发电机早期故障诊断方法研究

针对风力发电机故障早期阶段,故障特征不明显,继电保护装置检测不到相关电气量异常的问题,文章提出了基于AR模型、Hankel矩阵和奇异值分解的风力发电机早期故障诊断方法。该方法先对主轴径向振动信号进行总体平均经验模式分解,再按照互相关准则选择若干个固有模态函数建立AR模型,然后对自回归系数构建Hankel矩阵并作奇异值分解,将奇异值作为故障特征输入支持向量机判断发电机的运行状态。试验结果表明,该方法能对直驱风力发电机正常运行、定子线圈匝间短路、发电机主轴偏心、发电机轴承磨损4种状态进行准确诊断。     

基于神经网络的燃气轮机故障诊断

对燃气轮机润滑油系统常见故障原因进行了分析,并结合专家知识建立了润滑油系统故障知识库;在此基础上将RBF人工神经网络引入燃气轮机装置故障诊断中来,由于采用了一种动态RBF网设计方法,使得神经网络的规模较小同时具有较高的泛化能力,提高了神经网络的诊断速度及准确性.     

基于频谱包络改进的EWT方法的滚动轴承故障诊断研究

经验小波变换方法被证明是一种有效的滚动轴承故障诊断方法,但该方法的分析精度依赖于频谱的合理分割。因此,文章提出了一种基于改进经验小波变换的故障特征提取方法。首先,通过连接若干个信号频谱的局部极大值来获取频谱包络线;然后,设定阈值,消除噪声干扰;最后,根据频谱包络线的局部极小值来自适应地确定频谱分割边界。工程实例分析表明,基于改进经验小波变换的故障特征提取方法,提高了对故障特征频带的分离精度,在滚动轴承故障特征提取方面表现出一定的优越性。     

基于状态监测的风电机组变桨系统故障诊断

以风电机组中故障率较高的变桨系统作为研究对象,从数据采集与监视控制系统的数据库中选择与变桨系统运行相关的特征参数,基于相似性原理,利用非线性状态评估方法,建立能够涵盖变桨系统全部正常运行状态的健康模型。当变桨系统发生故障时,会出现模型预测值与正常状态的偏差,根据每一个特征参数对偏差的影响来确定故障的原因。应用实例验证表明,该模型能够准确地识别故障类型,可以解决在排除故障及设备维修时,因缺少相关信息而造成停机时间过长、维修难度大等问题。     

基于机车故障诊断专家系统的故障树优化设计

针对基于故障树的机车故障诊断专家系统,通过引入二叉故障树的概念,将传统故障树合成为一棵二叉故障树模型,并以此为基础,对其知识库的存储和故障诊断方式进行了研究,达到了优化系统的目的。     

改进小波包联合PNN的风电故障诊断研究

针对风电机组故障信号的非平稳性以及故障与征兆的非线性映射导致的故障识别困难问题,提出了改进型的节点重构小波包频带能量谱与PNN(概率神经网络)的联合故障诊断新方法。文章深入分析了传统小波包频带错乱的问题,借助傅里叶变换与傅里叶逆变换改进了小波包,消除了小波包频带错乱的缺陷。首次采用改进型小波包提取故障信号特征量作为PNN的输入,然后利用PNN快速准确的非线性映射能力进行故障诊断。最后,采用风力发电机故障试验台的故障轴承的实际数据对所提方法进行验证,结果表明,所提方法可行且有效。     

基于改进深度森林算法的风电机组故障诊断技术研究

为了及时有效地检测出风电机组发生的具体故障,同时克服传统故障诊断方法的局限性,文章提出一种基于改进深度森林算法的风电机组故障诊断方法。首先,利用有效的数据预处理方法处理SCADA原始数据并提取故障特征;然后,基于深度森林算法对风电机组具体故障进行诊断,同时,针对深度森林算法在故障诊断领域存在的缺陷,对算法提出改进;最后,利用河北某风场1.5 MW风电机组实际运行数据对文章提出的故障诊断算法进行验证,通过正确率、AUC等指标验证了所提故障诊断算法相比传统机器学习算法的有效性和优越性。该研究为风电机组运行和维修提供了依据,同时也为故障诊断领域提供了新的方法和思路。     

基于模糊综合评判的风电机组电路板故障诊断研究

针对变桨控制系统中故障电路板,文章以虚拟仪器技术为软件平台,嵌入式计算机作为硬件平台,形成了一套以电路板PMPC为测试对象的测试平台。针对电路板无完善工作原理图、无法有效获取先验知识和故障数据库的情况,提出了基于模糊综合评判的故障诊断方法,以故障测试点隶属度作为智能评判标准,同时改进了基于故障征兆与故障原因集的模糊综合评判算法。经故障诊断实验表明,该故障诊断手段是可行的。     

变速风力发电机变流器故障诊断方法

大型变距变速风力发电机组状态的监测与故障的诊断是保证机组长期稳定运行和安全发电的关键。文章针对变速风力发电机组中的变流器电路模型非线性强的特点,利用神经网络非线性映射特性,提出了采用基于波形直接分析的BP神经网络故障诊断方法。该方法能动态监视风力发电机变流器并网电路的工作状态,实时在线进行故障诊断和快速分析,确定变流器故障的部位和性质,可缩短风力发电机的故障停机时间。实际运行结果表明,该方法对变速风力发电机组的状态监测与故障诊断是有效的。     

基于PCA-SVM方法的海上风电机组安装费用模型

风机安装费用在整个海上风电项目的安装费中占了很高的比重,如果对其进行较为准确地把控,对控制海上风电项目的总体造价将起到很重要的支撑作用。为此利用主成分分析法(PCA)对风机安装费用的影响因子进行了筛选,将筛选后的因子作为支持向量机模型(SVM)输入量,构建了风机安装费用的PCA-SVM模型。将该模型应用于风电项目的风机安装费用预测,得到了比较好的结果,可满足工程的实际需求。     

基于运行数据和支持向量机的风电场动态建模

风电场建模是研究风电并网技术的基础,找到一种能够精确反映风电场状态和大幅缩短仿真时间的模型是目前国内外学者的研究重点。文章基于统计学习理论的支持向量机算法,以风电场动态建模为目标,针对单机模型和K-means模型所产生的误差,提出一种基于风电场风速威布尔分布的支持向量机算法模型,并且利用实测数据和MATLAB/Simulink软件对算例进行仿真,风电场的有功功率和无功功率误差结果验证了该模型具有良好的动态性能,并且有效缩短了仿真时间。     

改进专家群决策方法的风电机组故障风险评价研究

针对风电机组故障风险定量分析困难,评价过程主观性强的问题,提出了一种改进的专家群决策方法。首先,采用拟优一致判断矩阵法保证各个专家判断矩阵的一致性;其次,利用几何平均法(GMM)完成专家组矩阵的权重划分工作;最后,将灰色关联度方法与层次分析法(AHP)相结合,对各个专家组权重进行合理调整,形成针对风电机组设备故障风险的评价模型。经过实例验证,此方法能较为准确地对机组故障风险进行定量分析,同时提高故障风险评价过程的可行性与客观性。     

Vibration‐based wind turbine planetary gearbox fault diagnosis using spectral averaging

Planetary gearboxes (PGBs) are widely used in the drivetrain of wind turbines. Any PGB failure could lead to a significant breakdown or major loss of a wind turbine. Therefore, PGB fault diagnosis is very important for reducing the downtime and maintenance cost and improving the safety, reliability, and lifespan of wind turbines. The wind energy industry currently utilizes vibratory analysis as a standard method for PGB condition monitoring and fault diagnosis. Among them, the vibration separation is considered as one of the well‐established vibratory analysis techniques. However, the drawbacks of the vibration separation technique as reported in the literature include the following: potential sun gear fault diagnosis limitation, multiple sensors and large data requirement, and vulnerability to external noise. This paper presents a new method using a single vibration sensor for PGB fault diagnosis using spectral averaging. It combines the techniques of enveloping, Welch's spectral averaging, and data mining‐based fault classifiers. Using the presented approach, vibration fault features for wind turbine PGB are extracted as condition indicators for fault diagnosis and condition indicators are used as inputs to fault classifiers for PGB fault diagnosis. The method is validated on a set of seeded localized faults on all gears: sun gear, planetary gear, and ring gear. The results have shown a promising PGB fault diagnosis performance with the presented method. Copyright © 2015 John Wiley & Sons, Ltd.     

基于深度信念网络的风电机组齿轮箱故障诊断方法

针对风电机组故障诊断中存在的数据量大,提取故障特征困难等问题,结合深度学习理论的强大感知与自我学习能力,提出一种基于深度信念网络的风电机组齿轮箱故障诊断方法。将原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对深度信念网络进行整体微调,提高分类准确性;同时,在训练过程加入Batch Normalization,减少过拟合几率,提高网络的收敛速度。将该方法用于风电机组行星齿轮箱的故障诊断,比DBN和BPNN算法及传统故障诊断方法的准确率更高。     

基于风力发电机组载荷测试的设计载荷验证

根据风力发电机组型式认证及试验相关要求,介绍了一种应用风力发电机组载荷测试方法对仿真设计进行验证的实例。结合实际测试的外部条件,如风速、风向、温度、气压等以及风力发电机组本身的电气模型,运用BLADED软件进行计算与仿真,得到启机、正常停机、脱网、超速等不同工况下的载荷仿真结果。通过仿真结果与测试结果的对比,验证风力发电机组的设计载荷。同时,通过比较20年疲劳载荷谱,可以对风力发电机组的使用寿命与安全性进行确认,该研究对于优化风力发电机组的载荷设计具有重要意义。     

基于流固耦合的风力机叶片模拟分析

文章选取风轮直径为2 m的水平轴风力机为研究对象,采用数值模拟计算的方法研究叶片在不同工况下的位移及应力/应变。研究结果表明:气动载荷使叶片产生挥舞方向的变形,且在展向上有较大幅度的位移;随着风轮转速的增加,叶片的位移有明显的增加,沿弦向前缘压力大于后缘的压力,沿展向叶根处变形要小于叶尖。     

基于极限学习机的风电机组主轴承故障诊断方法

针对传统故障诊断方法在风电机组主轴承的故障诊断中诊断准确率不高的问题,引入了一种改进粒子群优化(PSO)算法,并结合交叉验证(CV)优化极限学习机(ELM)的方法。利用ELM建立故障诊断模型,采用主轴承振动信号的代表性时域特征参数作为模型输入,结合改进PSO算法和CV用于模型的参数优化,用于风电机组主轴承的故障诊断。实例分析表明,文章提出的方法可以快速、有效地诊断风电机组主轴承的故障,与LS-SVM,SVM和BPNN等方法相比,诊断准确率更高。