基于深度特征融合网络的风电机组行星齿轮箱故障诊断方法

行星齿轮箱是风电机组中的重要部件,对风电机组的安全可靠运行具有重要意义。为此,提出一种基于深度特征融合网络的行星齿轮箱故障诊断方法,用于实现变速工况、样本不足和强噪声场景下的故障诊断。首先将原始信号扩展到多个特征域。其次利用多维堆栈稀疏自编码器提取各域特征。最后针对传统Softmax分类器对融合信息分类能力不足的问题,提出基于竞争粒子群算法优化的回声状态网络进行特征融合并输出诊断结果。经多场景不同故障诊断方法对比实验,所提方法在行星齿轮箱变速工况下分类效果良好,并对训练样本的减少和外界噪声有很强的鲁棒性。     

基于特征融合与ResNet的行星齿轮箱故障诊断

针对行星齿轮箱振动信号相互耦合和故障诊断不准确等问题,提出一种基于特征融合与深度残差网络(ResNet)的行星齿轮箱故障诊断方法。首先,对采集到的行星轮裂纹、磨损,太阳轮断齿及复合故障等模拟故障振动信号应用多维集成经验模态分解(MEEMD)和VMD进行分解,分别筛选确定有效分量。然后,将筛选出的有效特征进行融合,分别应用传统卷积神经网络(CNN)和深度残差网络对其进行分类识别。结果发现,深度残差网络,分类准确度更高,可达95%以上。最后,应用深度残差对特征融合前后数据的分类准确度进行了比较。融合前准确度最高只达91.16%,低于融合的97.18%。可见,该方法对行星齿轮箱耦合振动信号的处理和故障诊断非常有效。     

极端条件下基于改进深度森林的行星齿轮箱故障诊断方法

齿轮箱是风电机组重要且易出现故障的设备,早期故障威胁系统运行安全。在极端条件中高效、准确的齿轮箱故障诊断对风电机组的安全稳定运行至关重要,因此提出了基于改进深度森林的行星齿轮箱故障诊断方法。为了实现不平衡小样本与强噪声的极端条件下行星齿轮箱故障的高效诊断,首先针对旋转机械振动数据样本较少与不平衡的情况,在Wasserstein生成对抗网络中引入梯度惩罚,生成样本补充原始数据集。然后利用多粒度扫描处理振动信号数据点之间的联系,增强数据中的故障特征。最后在级联森林内部引入新的基学习器并运用量子粒子群算法优化参数,获得具有高诊断精度的模型结构进行故障分类,输出诊断结果。经与其他智能诊断方法在多场景下进行的对比实验,证实了所提方法在极端条件下的分类效果较好,能有效提高齿轮箱故障诊断的准确性。     

一种变工况下风电机组行星齿轮箱的故障诊断方法

针对现有的大多数深度迁移学习方法只能在目标转速下工作，而且在模型的训练中总是需要目标域样本的问题，研究风电机组行星齿轮箱在变工况下的故障诊断方法，设计了应用于变工况下行星齿轮箱故障诊断的深度残差半监督域泛化网络，将诊断模型推广到未知转速的故障诊断任务中。首先对振动信号进行Fast Kurtogram时频变换，生成图像并构造样本集；其次模拟实际情况，以含标签源域样本集和无标签源域样本集为输入，使用深度残差网络提取深层故障特征，并引入对抗博弈机制和基于伪标签的半监督学习方法对网络进行训练；最后根据训练后的网络搭建了域泛化故障诊断模型，利用行星齿轮箱故障诊断实验进行评估。实验结果表明，所设计的网络可以有效利用定速样本实现对未知转速样本和变速样本的故障识别，对目标域的平均识别率达到95.24%。     

行星齿轮箱齿轮局部故障振动频谱特征

齿轮局部损伤在齿轮箱故障中占有很大比例,其频谱特征与分布式故障具有明显区别.研究太阳轮、行星轮和齿圈局部故障振动信号的频谱结构对于行星齿轮箱故障诊断具有重要意义.考虑齿轮局部故障对啮合振动的调幅调频率作用、以及振动传递路径变化对振动测试信号的调幅作用,建立了行星齿轮箱局部故障振动信号模型,推导了频谱解析表达式.给出了太阳轮、行星轮和齿圈局部故障特征频率的计算公式.通过实验信号分析验证了理论推导结果,应用频谱分析方法分别诊断出了太阳轮、行星轮和齿圈局部故障.     

基于编码器信号的低转速行星齿轮箱故障诊断技术

行星齿轮箱广泛应用于低速重载的大型机电设备中,其故障检测尤为重要。当前行星齿轮箱的故障检测主要依靠振动信号分析,然而低转速工况导致的冲击微弱以及故障冲击难以分离等问题,使得行星齿轮箱故障冲击难以发掘。针对上述瓶颈,提出一种基于编码器信号的低转速行星齿轮箱故障诊断方法。该方法首先通过内置编码器获取故障信息,避免了冗长的振动传递路径带来的不利影响。在此基础上,建立稀疏低秩分解模型,引入快速主成分追踪算法(fast principal component pursuit,FPCP)进行求解,实现低转速下行星齿轮箱故障冲击的提取。行星齿轮箱故障实验结果表明,该方法不仅能获取输入轴转速为30r/min下的故障信息,而且有效地实现故障冲击的分离。研究工作可为低转速旋转机械的故障诊断提供有效的工具。     

行星齿轮箱齿轮分布式故障振动频谱特征

深入透彻地了解振动信号的频谱结构,有助于通过简单易行的频谱分析对行星齿轮箱进行故障诊断。考虑齿轮制造误差和分布式故障对啮合振动的调幅调频作用、以及行星轮通过效应对振动测试信号的调幅作用,建立了行星齿轮箱正常和分布式故障状态下的振动信号模型,推导了频谱解析表达式。给出了太阳轮、行星轮和齿圈分布式故障特征频率的计算公式。通过实验信号分析验证了上述理论分析结果,基于频谱分析诊断了自然产生发展的齿轮分布式故障。     

基于1D-CNN-LSTM混合神经网络模型的风电机组行星齿轮箱故障诊断

风力发电机组行星齿轮箱振动信号是一种非线性非平稳的复杂信号,传统的故障诊断方法面对此类信号时,能够很好处理的范围有限.为提高在强外界干扰条件下故障智能识别的准确率,提出了一种基于一维卷积神经网络(1D-CNN)和长短期记忆网络(LSTM)混合模型的故障智能诊断方法.首先利用自参考自适应噪声消除技术(SANC)将齿轮箱振动信号分离为周期性信号分量成分和随机信号分量成分,再对包含齿轮箱故障特征的周期性信号成分进行智能特征提取和识别.经验证,所提方法较其他不同方法有明显优势,故障识别率达到99.85％,说明能有效抑制干扰信号,提高故障识别的准确率.     

行星齿轮箱故障诊断的扭转振动信号分析方法

行星轮的通过效应或行星架和太阳轮的旋转对啮合振动产生额外的调幅作用,导致横向振动信号的频谱结构非常复杂。扭转振动信号不受这些额外调幅效应的影响,它们的频谱结构更加简单。因此,扭转振动信号分析为行星齿轮箱故障诊断提供了一种有效方法。建立了行星齿轮箱扭转振动信号模型,推导了Fourier频谱、幅值解调谱和频率解调谱的解析表达式,总结了上述频谱的结构特点。应用故障实验数据验证了上述理论分析结果。     

基于改进VMD-MCKD和深度残差网络的风机齿轮箱故障诊断

行星齿轮箱是风电机组传动系统中的重要部件,其运行工况复杂,背景噪声大,导致齿轮早期故障信号微弱且极易受背景噪声的影响。针对风电机组齿轮箱早期故障特征难以有效提取,齿轮故障难以识别的问题,提出一种风机齿轮箱故障诊断方法。首先,通过变分模态分解算法（variational mode decomposition,VMD）分解风机齿轮箱原始振动信号,获得振动信号故障的最优模态分量;接着,利用最大相关峭度解卷积算法（maximum correlated kurtosis decnvolution,MCKD）通过解卷积重构最优模态分量,削弱背景噪声增强故障冲击成分,获得故障特征;同时利用麻雀搜索算法（sparrow search algorithm,SSA）优化惩罚因子α、模态分解个数K、滤波器阶数L和反褶积周期T等参数,提升振动信号故障特征提取的准确度;最后,构建基于深度残差网络（deep residual network,ResNet）的齿轮箱故障诊断模型,建立齿轮箱故障特征与类别的非线性映射关系,实现风机齿轮箱故障分类识别。实验结果表明,所提风机齿轮箱故障诊断方法的准确率达到97.48%,相...     

基于混沌优化粒子群BP神经网络的电力变压器故障诊断

针对电力变压器故障诊断问题,提出了一种基于混沌(Chaos)优化的粒子群(Particle Swarm Optimization)BP神经网络算法。该算法将混沌、粒子群和BP神经网络相结合,通过混沌粒子群算法寻优,得到BP神经网络的最优权值和阈值初始值,然后进行网络训练和测试。利用了混沌算法的遍历性和对初始值敏感的特点,对粒子群算法进行了参数优化,引入了早熟判断机制,并在早熟状态时进行了混沌扰动,使算法后期不易陷入局部最优。通过实例训练与测试表明,CPSO-BP神经网络算法在变压器故障诊断方面有较好的效果。     

风力发电机齿轮箱优化逐层故障诊断方法

风力发电机齿轮箱的故障诊断在风力发电机组正常运行中起着重要作用,除了识别故障类型外,故障的严重程度对风机的维护也具有指导意义,因此,一种优化堆叠诊断结构(OSDS)被提出以识别故障类型和严重性。首先对原始振动信号进行压缩采样,然后将压缩样本分别输入第1层和第2层深度信任网络(DBN),对故障类型和严重性进行识别,同时采用混沌量子粒子群优化算法(CQPSO)对每个DBN进行优化。通过两组实验得到的结果表明,故障类型诊断准确率分别达到99.24%和97.21%,故障严重程度诊断准确率达到99.06%,同时诊断时间仅为1.493和2.176 s。     

Wind Turbine Gearbox Fault Diagnosis Based on Multi-Sensor Signals Fusion

This paper proposes a novel fault diagnosis method by fusing the information from multi-sensor signals to improve the reliability of the conventional vibration-based wind turbine drivetrain gearbox fault diagnosis methods. The method fully extracts fault features for variable speed, insufficient samples, and strong noise scenarios that may occur in the actual operation of a wind turbine planetary gearbox. First, multiple sensor signals are added to the diagnostic model, and multiple stacked denoising auto-encoders are designed and improved to extract the fault information. Then, a cycle reservoir with regular jumps is introduced to fuse multidimensional fault information and output diagnostic results in response to the insufficient ability to process fused information by the conventional Softmax classifier. In addition, the competitive swarm optimizer algorithm is introduced to address the challenge of obtaining the optimal combination of parameters in the network. Finally, the validation results show that the proposed method can increase fault diagnostic accuracy and improve robustness.     

变压器绝缘故障类型的改进型RBF神经网络识别算法

为精确诊断电力变压器内部潜在绝缘故障类型,通过对变压器内部油过热和油纸绝缘中局部放电等8种潜在绝缘故障发生时所产生的气体成分分析,提出了一种以人工免疫网络与粒子群算法改进径向基函数RBF(radial basis function)神经网络的变压器故障诊断算法。重点介绍了基于RBF神经网络的变压器故障诊断模型的构成原理、基于人工免疫网络算法的故障模型隐层中心确定方法以及基于粒子群算法的网络模型权重寻优方法,并进行了仿真实验。实验结果表明:该算法能有效地识别其绝缘故障类型,且识别精度可达90%以上。     

基于改进粒子群优化神经网络的电机故障诊断

为了更加准确快速地诊断出三相异步电动机运行过程中发生的各类故障,在采用小波包分析提取异步电机故障特征向量的基础上,提出了一种混沌动态权重粒子群算法(CDW-PSO)优化BP神经网络的故障诊断方法,构建电机的神经网络故障诊断模型,采用混沌动态权重粒子群算法优化神经网络的结构参数。实验分析表明,采用该方法用于电机故障诊断,诊断速度快、准确性高、可靠性好。     

考虑可平移负荷管理的主动配电网故障恢复方法

针对主动配电网故障恢复问题,计及系统需求侧管理资源中的可平移负荷制定故障恢复方案。首先给出主动配电网负荷平移基本模型,其次以 故障恢复期间失电负荷电量最小为目标函数,计及负荷平移约束、功率平衡约束、网络辐射状等必要约束条件建立主动配电网故障恢复方法。对混沌 粒子群算法引入自适应惯性权重系数进行改进,并基于改进混沌粒子群算法对建立的模型设计求解流程。算例分析验证了所提方法的有效性。     

基于一维卷积神经网络和SoftMax分类器的风电机组行星齿轮箱故障检测

将卷积神经网络引入风机故障检测领域,设计了一种一维卷积神经网络的结构,并和Soft-Max分类器相结合构造了一种双层智能诊断架构。一维卷积神经网络用于行星齿轮箱数据的特征提取,Soft-Max分类器对提取的特征进行分类。与传统智能算法相比,该方法具有训练样本少,可直接使用原始数据训练网络;计算效率高,可以适应实时诊断的需要。试验结果证明,该方法可以有效地诊断出不同工况下的行星齿轮箱中的齿轮故障。