基于改进人工蜂群算法的Elman神经网络风机故障诊断

在风机齿轮箱故障诊断过程中,针对由于故障数据稀疏导致模型建立困难的问题,提出一种使用改进人工蜂群算法(IABC)优化Elman神经网络的故障诊断模型。该模型通过建立齿轮箱正常状态下的温度模型,采用残差分析,得到齿轮箱的故障状态,降低了建立模型的复杂度。采用IABC对Elman神经网络的相关参数进行优化,解决了Elman网络收敛速率慢、易陷入局部最优的问题。在IABC算法中,观察蜂阶段采用动态搜索策略,实现搜索能力和开发能力的平衡;在侦查蜂阶段,通过引入混沌变量扰动,增大种群多样性,进而达到全局最优。通过华北某风电场历史数据进行实验,结果表明,IABC与Elman神经网络的结合可对风机齿轮箱故障状态进行识别,且诊断正确率较高,可应用于实际故障诊断。     

基于EMD分解和支持向量机的齿轮箱故障诊断与研究

齿轮箱存在故障时,其振动信号往往表现出非平稳特性,并且故障特征信息往往淹没在强大的背景噪声中,难以实现有效诊断.提出了采用基于EMD方法的特征能量值提取法及支持向量机的智能模式诊断方法,并将二者结合运用于齿轮箱的故障诊断,实现了齿轮箱故障的智能识别与诊断.实验结果证明了EMD方法与支持向量机相结合用于齿轮箱故障诊断的正...     

基于EEMD和模糊C均值聚类的风电机组齿轮箱故障诊断

针对风电机组齿轮箱中齿轮故障特征提取与故障诊断问题,提出一种基于集合经验模式分解(EEMD)、奇异谱熵和模糊C均值聚类的故障诊断方法。首先对原始振动信号进行EEMD分解,得到各阶本征模态函数(IMF)构成的特征模式矩阵。接着对该特征模式矩阵求奇异谱熵值,奇异谱熵值的大小能反映部件的工作状态和故障类型。最后,将得到的奇异谱熵值矩阵进行模糊聚类分析并得到分类结果。通过对齿面磨损、齿面剥落和正常3种齿轮状态分别使用EMD法和EEMD法进行故障分类对比,结果验证了该方法的有效性和可行性,同时证明EEMD法具有更好的分类效果。     

基于模型融合的风电机组齿轮箱故障诊断

针对单视角特征及单一模型对齿轮箱复合故障的诊断准确率较低的问题,提出基于比例冲突分配规则的模型融合故障诊断方法.首先,对齿轮箱振动信号进行特征提取,针对复杂复合故障,从时域及时频域角度构造特征;然后,将多视角特征送入多个子模型中进行初步诊断,得到互补性强的诊断结果;最后,模型输出的分类概率由第6类比例冲突分配规则(PC...     

基于线性相位的风机齿轮箱无键相同步平均分析

风电机组转速信号多由发电机编码器提供,由于SCADA与CMS存在时间差和采样率差异,难以实现高速轴键相信号与齿轮箱振动信号的同步采集。基于时域同步平均的阶次分析技术较难在风机齿轮箱故障诊断领域得到大范围应用,提出了以线性相位估计为基础的、可适应转速波动为10%的风机齿轮箱无键相同步平均分析方法。选择输出级啮合频带中信噪比最高频段,利用傅里叶FIR"理想"滤波技术,实现严格线性相位保持的窄带滤波;通过希尔伯特变换提取带通信号复相位,并进一步通过线性插值合成过零点序列;以此为基础,完成基于软件的等角度重采样,进而实现无键相的时域同步平均分析。在某型号机组连续10 s的现场实测数据中,有效地验证了所提方法正确性和工程实用性。     

基于MEEMD与MP的电网低频振荡模态识别

针对目前电力系统低频振荡模态辨识的精确性和抗干扰性问题,提出了一种基于改进集合经验模态分解方法与矩阵束的电网低频振荡模态特征辨识新方法.首先利用改进集合经验模态分解方法将采集到的量测信号分解,从而获得若干个IMF分量序列及其残余量,再将剩余项去除后把其余本征模态函数进行重构,最后把重构信号通过矩阵束的分析来获知各个振荡...     

基于确定性随机子空间方法的风机齿轮箱故障预警

齿轮箱故障是造成风电机组停机时间最长的一种故障,对其故障进行早期预警,对保证整机的可靠运行和减少维修费用具有重要意义。文章提出了一种基于确定性随机子空间方法的齿轮箱故障预测算法,首先,该算法利用齿轮箱正常状态的实时监测振动和转速数据,建立齿轮箱的状态空间模型,并得到一组参考特征值;然后利用这组参考特征值与实际监测数据所求特征值进行比较,利用均方根误差(RMSE)作为齿轮箱故障预警指标,并结合统计过程控制原理定义该指标的门槛值,来实现对齿轮箱运行状态的监控。通过对实际监测数据的仿真验证,表明了所提方法的正确性和有效性。     

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SHSVD-AS的风电齿轮箱故障诊断

针对传统的硬阈值奇异值分解降噪法（HSVD）阈值选取主观性较强、自适应性较弱、易丢失信号特征的问题,首先提出一种自适应的硬阈值选取算法;其次,利用一种非等量最优权值收缩的软阈值奇异值分解降噪（SSVD）方法,并结合HSVD,形成一种混合阈值的奇异值分解（SHSVD）降噪方法;最后再结合所提出的一种幅值抑制（AS）算法用于突出信号的故障冲击特征SHSVD-AS。利用该方法对风电传动系统齿轮箱故障信号进行分析,仿真、实测信号的结果均表明,在强噪声环境下,相较于传统的HSVD、VMD-HSVD方法,SHSVD-AS在风电齿轮故障诊断上性能较好。     

基于MEEMD与排列熵的风电功率超短期预测研究

针对EMD方法存在模态混叠和IMF分量过多等问题,文章提出了一种基于MEEMD与排列熵的风电功率超短期预测方法。首先,利用MEEMD将原始时间序列分解得到各IMF分量,避免模态混叠。然后,计算各IMF分量的排列熵值,将熵值相近的分量合并,有效降低计算量。最后,用模糊树方法分别建立各分量预测子模型,通过叠加得到风电功率预测值。基于某风电场实际运行数据的预测结果表明,该方法的预测精度较高且运算速度较快,适用于风电功率的超短期预测。     

小波神经理论在风力机齿轮箱故障诊断系统中的应用

风力机齿轮箱振动信号是一种时频特性复杂的非平稳信号,常规的时域和频域分析方法难以有效的分析齿轮箱故障及提取故障特征。提出一种基于小波分析和神经网络的风力机齿轮箱故障诊断方法,该方法采用小波时频分析技术对风力发电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,为实现智能诊断提供故障特征值。应用BP神经网络进行故障识别,并采用LabVIEW和matlab软件予以实现。结果表明,该方法能有效提高风力发电机组齿轮箱故障诊断的准确性。     

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。     

基于粒子群混合算法的风力发电机齿轮箱故障诊断

针对传统方法在风力发电机齿轮箱故障诊断中存在精度不高的问题,引入了一种改进粒子群算法优化神经网络的方法。该算法的惯性权重可进行自适应调整,以平衡全局和局部搜索能力。同时,收缩因子可加快算法的收敛速度,以更快收敛到全局最优。仿真结果表明,该方法能较好地识别故障模式,具有一定的实用性。     

基于果蝇算法优化BP神经网络的齿轮箱故障诊断

为有效提高风电机组齿轮箱故障诊断的快速性和准确性,采用近几年出现的果蝇算法对BP神经网络进行优化,减少了BP神经网络算法陷入局部最优解的风险,显著增强了BP神经网络的泛化能力和全局寻优能力。对比发现,果蝇算法优化后的BP神经网络模型具有比较好的快速性和准确的诊断能力。测试结果表明,果蝇算法优化BP神经网络对风机齿轮箱故障诊断具有可行性和有效性。     

风机振动故障诊断及处理

1前言山东临沂某发电厂为300 MW进口发电机组,其锅炉配置有2台离心式引风机,水平布置、双吸叶轮、转子两端轴瓦支撑、进风量挡板可调,在50%额定负荷下工作;电动机配置为鼠笼式异步电机,其额定电压为3 kV,功率为1 677 kW,水平布置、轴瓦两端支撑,风机与电动机之间采用齿型联轴器     

基于SCADA数据特征提取的风电机组偏航齿轮箱故障诊断方法研究

针对风力发电机组偏航系统故障处理难度大和危害严重等问题,开发出基于数据采集与监视控制(SCADA)数据的偏航齿轮箱神经网络诊断模型.利用ReliefF算法和核密度-均值法提取能反映出偏航齿轮箱运行工况的7个SCADA参数,并提取出6种故障特征指标作为神经网络诊断模型输入量,来诊断偏航齿轮箱的正常状态、磨损故障以及断齿故...     

基于增强型卷积神经网络的风力发电机行星齿轮箱故障诊断方法

针对风力发电机行星齿轮箱的健康维护和状态检测难以诊断的问题,该文提出一种初始网与膨胀卷积相融合的初始膨胀卷积神经网络（IDCNN）的故障诊断研究方法。该方法首先构建初始膨胀卷积层以扩大感受野来使学习到的故障特征更加丰富。随后为了方便信号输入且确保信息丰富,将采用将一维原始信号序列转化为二维矩阵的预处理方法。最终将生成的二维信号输入到IDCNN中进行模型训练,并用测试数据对模型进行评估。实验结果表明,提出的IDCNN方法在风力发电机行星齿轮箱的故障诊断中精度高,在对比结果中该文提出方法的诊断精度要高于传统的深度学习方法。     

某电厂一次风机振动故障诊断及动平衡

某电厂600MW机组1号炉一次风机2B运行过程中振动偏大，且有逐渐增加的趋势。对该风机进行了振动测试，并对记录数据进行分析，结合振动信号的特征，对故障进行了诊断，确定了振动原因，然后实施了动平衡，取得显著效果，该风机的振动特征及处理过程具有代表性。给出分析，诊断的思路和处理方法，可以为类似风机的振动诊断和处理提供参考。     

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。     

一种基于主成分分析与支持向量机的风电齿轮箱故障诊断方法

为解决风电齿轮箱状态监测数据样本量较少,特征指标间存在相互干扰且具有非线性难以分类等问题,本文提出了一种基于主成分分析结合支持向量机的风电齿轮箱故障诊断方法。首先,采用主成分分析法(PCA)对原始数据进行降维,做出第1,2主成分二维图及前3个主成分三维图,表明PCA对监测状态数据具有一定的分类效果。其次,提取累计贡献率80%以上的前5个主成分作为数据集。最后,采用支持向量机(SVM)比较4种不同核函数的诊断准确度,并加入噪声验证。分析结果表明：径向基核函数构建的支持向量机总体分类精度达到97%,准确率最高;在含噪的情况下,线性核函数与径向基核函数分类精度达到94%;与MLP神经网络进行对比发现,支持向量机更适应小样本分析且测试精度较高。实例分析表明,主成分分析结合支持向量机有较好的分类效果,适用于风电齿轮箱故障诊断的工程应用。