基于XGBoost-LightGBM-LSTM的风机齿轮箱轴承故障预警

针对风电机组齿轮箱温度预测准确性较低,泛化能力差的问题,提出一种极端梯度提升树(XGBoost)、轻量梯度提升机(LightGBM)和长短时记忆网络(LSTM)加权融合的组合模型对齿轮箱轴承温度进行预测。采用灰色关联度(GRA)选取与齿轮箱轴承密切相关的特征参数作为组合预测模型的输入,利用训练好的组合模型预测齿轮箱轴承正常工作温度,计算与实际温度值之间的残差,并用滑动时间窗口设置预警阈值,从而进行齿轮箱轴承故障预警。通过江苏某海上风场5 MW风机实际数据验证表明,该组合模型对风电机组齿轮箱轴承温度预测精度较好,并能提前进行故障预警。     

2.5MW风电齿轮箱轴承疲劳寿命研究

以2.5 MW风电齿轮箱高速轴轴承为研究对象,对变载荷条件下的轴承疲劳寿命进行了预测。首先对风场实测的齿轮箱输入端离散载荷谱做进一步统计分析处理,得到了更精确的连续载荷谱;其次运用修正的Miner疲劳累积损伤理论建立了风电齿轮箱轴承的疲劳寿命计算模型;最后在对齿轮箱进行受力分析的基础上,结合蒙特卡洛抽样法对高速轴轴承疲劳寿命作了分析计算。     

风电机组变桨轴承的磨损预警方法研究

针对风电机组变桨轴承磨损情况严重、经济损失大等问题,提出了一种基于数据采集与监视控制(SCADA)数据的风电机组变桨轴承磨损预警的建模方法。以变桨电机电流、桨距角、风速、功率等风机运行参数为基础,利用滑动窗口统计的方法构造了新的特征变量,将特征变量和标签数据导入随机森林算法,进行了模型的训练和验证;然后,建立了一种监测变桨轴承磨损的预警模型;最后,以某风场20台机组历史数据为输入,以机组故障记录为输出标记,在设定了合理的预警规则基础上,建立了变桨轴承的预警模型,并对此进行了实测验证。测试结果表明:该变桨轴承磨损预警模型能提前5 d～30 d发出预警信息,预警准确率平均能达到87.9%;试运行结果表明:该模型具有成本低、效率高、解释性强的特点,在提高机组的安全运行时长,以及降低机组的运维成本方面具有重要意义。     

基于U-net和随机森林的齿轮箱振动时频分析和故障诊断

对于风电机组齿轮箱(WTG)智能故障诊断算法,孤立的故障分类结果常常面临置信度不足的问题。为了在故障分类的同时提供除了诊断结论之外的更多信息,基于振动时频信息,提出了一种用于风电机组齿轮箱振动时频分析和故障诊断的两阶段框架。首先,在第一阶段中,使用U-net模型自动分割了时频图中与故障有关的特征区域,而无需手动设置分割参数;然后,使用基于形状特征的方法提取了被分割图像中的特征信息;最后,在第二阶段中,利用随机森林算法根据形状特征完成对风电齿轮箱的故障诊断任务,并使用采集自华北某风电场的在役风电机组齿轮箱振动数据验证了上述框架的有效性。实验结果表明：分析算法的F1分数和诊断算法的诊断精度分别达到了0.942和97.4%,U-net方法与现有方法相比具有更高的综合诊断性能和计算效率。研究结果表明：该框架能够精准地标记时频图中的故障特征区域,并快速有效地诊断齿轮箱故障。     

基于改进的多元离群检测方法的风机齿轮箱早期故障诊断

针对风电机组运行工况波动性以及机组早期故障特征不易提取的特点,提出一种基于改进的多元离群监测方法来实现风机齿轮箱故障的早期诊断。运用阶比重采样方法对原始振动信号进行预处理,并对处理结果进行量纲一因子分析;通过马氏距离建立风电齿轮箱的早期故障识别模型;利用多元线性回归改进多元离群检测算法进行实际数据的分析计算。结果表明,该方法较原始方法能够更早地察觉出风电齿轮箱早期故障。     

一种自适应CS算法及其在风电齿轮箱故障诊断中的应用

针对布谷鸟搜索(CS)算法易出现早熟收敛以及风电机组齿轮箱的故障模式难以有效识别等问题,提出一种基于自适应CS算法的BP神经网络(SaCS-BP)智能诊断技术。通过构建SaCS算法,实现了步长和发现概率的自适应调整,并采用一组基准函数测试了该算法的有效性;将SaCS与BP神经网络进行融合,构建了风电齿轮箱的故障诊断模型。结果表明,SaCS算法具有较佳的寻优精度和普适性。此外,与BP神经网络以及布谷鸟搜索算法优化BP网络(CS-BP)相比,SaCS-BP算法获得了最高的诊断准确度,从而实现了风电齿轮箱故障模式的有效识别。     

改进灰狼优化模糊核聚类在风电齿轮箱故障诊断中的应用

为准确地辨识已知、未知故障类别,提出一种基于模糊核聚类模型的风电齿轮箱故障诊断新方法。首先,将模型初始聚类中心和核参数作为优化变量,采用改进型灰狼优化算法寻优求解。改进型灰狼优化算法中引入莱维飞行策略和非线性收敛向量,能够提高算法的收敛速度与精度,从而获得最佳分类结果下的各聚类中心和核参数;然后,根据待测样本与各聚类中心之间的核空间样本相似度,先判断样本是否属于已知故障,再诊断故障类别;最后,通过模拟风电齿轮箱的故障实验验证了该方法的有效性。     

基于粒子群优化KFCM的风电齿轮箱故障诊断

针对基于有监督学习的方法无法识别未知类别故障,提出了一种基于粒子群优化模糊核聚类(kernel fuzzy c-means clustering,简称KFCM)的风电机组齿轮箱故障诊断方法。首先,建立以训练样本分类错误率为目标的聚类模型,利用KFCM对训练样本进行分类;然后,以初始聚类中心和核函数参数作为优化变量,利用粒子群优化算法求解聚类模型,获得最优分类结果下每个类的类心;最后,根据新样本与各类心之间的核空间样本相似度判断新样本属于已知故障或者未知故障。以某风电机组齿轮箱为例,对提出方法的有效性进行试验验证。结果表明,与传统基于有监督学习的神经网络方法相比,该方法能有效诊断已知和未知类别的故障。     

基于大数据分析技术的风电机组齿轮箱故障预警

齿轮箱的损伤和失效会直接或间接导致风电机组的故障或停机,造成重大的经济损失。为了能对齿轮箱的故障状态进行预警,本文提出了一个基于大数据分析技术的风电机组齿轮箱故障预警模型。首先利用最大互信息系数分析各工况参数与齿轮箱输出轴温度的相关性,提取主要影响因子作为具有记忆时序信息的循环神经网络的输入特征,构建正常状态下齿轮箱温度的残差分布,设置故障预警阈值,从而实现对风电机组齿轮箱故障状态预警。     

AOA-CEEMDAN和融合特征在齿轮箱故障诊断中的应用

自适应噪声完备集成经验模态分解(CEEMDAN)的参数由于是人为设置的,从而会导致其信号的分解不彻底。针对这一问题,提出了一种基于算术优化算法(AOA)优化CEEMDAN、融合特征和随机森林(RF)的齿轮箱故障诊断方法。首先,采用AOA算法对CEEMDAN方法的关键参数进行自适应选取,并采用优化后的CEEMDAN方法对齿轮箱振动信号进行了分解,生成若干个本征模态函数(IMF);随后,利用相关系数准则选择了前4阶IMF分量作为故障敏感分量;接着,利用由注意熵和散度熵组成的融合特征提取方法挖掘了故障敏感分量的故障特征,得到了故障敏感特征样本;最后,将表征齿轮箱故障特性的故障特征输入至RF多故障分类器中,建立了故障分类模型,完成了齿轮箱的故障识别;利用QPZZ-II型齿轮箱数据集进行了实验,并将其结果与采用其他方法所得结果进行了对比。研究结果表明：相较于原始CEEMDAN,优化后的CEEMDAN能够更加准确地分解非线性齿轮箱振动信号,故障识别准确率提高了4%;相较于单一的故障特征,融合特征能够更加准确地表征齿轮箱的故障状态,故障识别准确率分别提高了3.2%和8%。基于AOA-CEEMDAN和...     

基于深度残差收缩网络的风力发电机齿轮箱故障诊断

提出了一种基于深度残差收缩网络的风力发电机齿轮箱故障诊断方法。首先，通过齿轮箱动力学模拟实验平台采集9种工况下的8种故障的振动信号；其次，对所采集的信号进行数据预处理，将其输入至深度残差收缩网络中训练；最后，利用反向传播算法不断优化网络参数，实现变工况下风力发电机齿轮箱故障的识别与分类。实验结果表明，所提方法在变工况场景下，可有效提取齿轮箱的故障特征并具有较高的识别准确率，证明了其在风力发电机齿轮箱故障诊断方面的可行性及有效性。     

风电机组齿轮箱早期故障预警方法研究

为实现风力发电机组等变工况机电设备的早期故障预警,研发了变工况齿轮箱状态监测系统。在基于该系统的多种变工况行星齿轮磨损实验研究基础上,提出了一种基于流形学习的早期故障预警方法。该方法首先研究采用完全总体经验模态分解与改进快速独立成分分析盲源分离技术,有利于对复杂振动信号的滤波与盲源分离;然后研究改进了局部线性嵌入流形学习方法,基于时域、频域信息融合提取了早期故障敏感特征;最后应用k-近邻分类器实现变工况齿轮箱早期故障预警。实验研究表明,该方法提高了早期故障预警准确率,能够应用于风电机组等变工况机电设备的安全保障及科学维护,具有广泛工程实用前景。     

兆瓦级变桨距风力机组齿轮箱的设计

齿轮箱故障是风力机常见的问题。通过B laded for windows软件,产生在不同风速下兆瓦级变桨距风力机组齿轮箱的各项参数,根据风场的风频,得到载荷谱,从而实现齿轮箱齿轮、轴的设计优化和轴承的最优选择,最终提高齿轮箱的整体寿命和结构的合理性。     

基于变分模态分解的风电齿轮箱轴承故障诊断方法

双馈异步风力发电机采用变转速变桨距的控制策略以保持风力最大功率捕获,风电齿轮箱时刻处于变速变载的恶劣工况,其关键部件极易受到损伤.针对齿轮箱轴承故障特征易受到风机变工况干扰的问题,提出了一种变分模态分解与瑞利熵相结合的特征分析方法,实现对风电齿轮箱高速轴轴承健康状态系数的估计.本文以双馈异步风机齿轮箱高速轴轴承作为研究...     

基于全矢谱的风力发电系统齿轮箱的故障诊断

介绍了风力发电齿轮箱系统变载荷、低转速、工况复杂的运行特点,阐述了风力发电系统齿轮箱的主要故障特征,针对旋转机械单源振动信号信息具有不完善性的缺陷,提出了基于同源信息数据融合的思想,将全矢谱技术应用于风电齿轮箱的故障检测方法。结合北方某风电场19#风机齿轮箱故障检测的实例,将全矢谱技术应用于诊断实例且得到了正确的诊断结果,证实了将全矢谱技术应用于风电齿轮箱检测中是准确、有效、实用的旋转机械故障诊断方法。     

风机行星齿轮系统齿轮裂纹故障诊断

针对风力发电机实际行星齿轮系统,由于幅值及相位调制现象(各种制造误差不可避免等原因所导致)带来的故障诊断难题,搭建了含各种制造误差的动力学模型。模型考虑了出现裂纹故障以后,故障对时变啮合刚度以及传递误差的影响,通过数值求解,对比行星轮、太阳轮以及齿圈出现故障后与正常齿轮系统的包络谱结构特性,总结了故障特征频率。在风力发电机齿轮箱实验台上进行裂纹故障试验验证,结果表明所总结的故障特征频率可以作为风力发电机裂纹故障诊断及定位的依据。     

风机齿轮箱状态监测与故障诊断系统设计研究

针对风力发电机组地处偏远、人工巡检排故困难,利用物联网技术开发了远程状态实时监测和故障诊断系统,分析了总体框架,构建了故障诊断规则库,阐述了工作流程。该系统可实现对风机齿轮箱运行状态的远程实时监测,通过分析风机齿轮箱运行状态信息触发自动故障诊断系统和基于规则的故障诊断,生成故障诊断报告,并将其导入专家经验库。经风电机组齿轮传动实验台实验检验,系统界面友好,能为维修工程师进行故障排查提供解决方案,提高排故效率,缩短排故时间,降低排故难度。     

压缩感知框架下的共振解调故障诊断方法

风力机滚动轴承早期故障诊断中,压缩感知算法能够利用信号的稀疏性对信号去噪,但稀疏度的选取对去噪结果影响较大。由于信号故障成分在傅里叶域的稀疏度 已知,故可通过傅里叶变换基和压缩感知子空间追踪（CS＿SP）算法对风力机信号的包络特征进行不完全重构,以降低噪声和其他无关信息的影响,获取直接反映故障特征的信号成分,从而提取故障特征频率。研究结果表明,压缩感知框架下的的共振解调技术能有效获取风力机滚动轴承的故障特征信息,验证了所提方法的有效性。     

双矢时域齿轮早期微弱故障特征增强及应用

信噪比低和源信息的缺失是造成早期微弱故障难以准确判定的主要因素,针对以此问题,提出一种双矢时域变换(dual vector time-time domain transform,简称DVTD)的方法,用于完备和凸显齿轮早期微弱故障特征。方法借用全矢原理实现相互垂直的双通道振动信号的融合,保证双矢信号源信息的完整。在此基础上,结合双时域变换理论,提取二维时间序列的主对角元素用以构建完整的、故障特征增强的时域振动信号。以风电机组齿轮箱为实验对象,提取表征信号波动强度的小尺度指数作为状态特征,验证了双矢时域变换的微弱故障特征增强特性及其在齿轮早期微弱故障识别中应用的有效性。