基于SCADA数据的风电机组齿轮箱状态监测方法

为解决故障劣化渐变过程的长时间序列对齿轮箱状态监测模型的影响问题,提升其决策精度,提出一种基于数据采集与监控(SCADA)数据的组合建模方法.首先,采用主成分分析法(PCA)选取与齿轮箱温度密切相关的输入观测向量,并应用长短期记忆(LSTM)神经网络分别对齿轮箱正常工况和异常工况独立建立温度模型;其次,结合模型输出结果...     

基于不同运行状态的风电机组齿轮箱故障率预测模型

以往基于威布尔故障分布曲线对风电机组齿轮箱故障率的研究主要考虑时间因素,在此基础上,该文进一步考虑齿轮箱实际运行状态,结合威布尔故障分布模型中的浴盆曲线,构建同时考虑时间（t）和运行状态（s）的齿轮箱故障率模型,并计算其在4种不同运行状况（整体故障率升高、整体寿命缩短故障时间提前、故障期故障速率加快、故障期寿命缩短）的组合下模型的可靠性函数、故障累计分布函数、故障概率密度函数和特定时间下特定数量设备发生故障的概率。     

基于改进集成KNN回归算法的风电机组齿轮箱状态监测

风电机组齿轮箱是容易发生故障的重要部件,维修费用高昂,因此有必要对其进行实时状态监测。针对集成K近邻(KNN)算法对随机采样不敏感的问题,提出了一种基于规则采样的改进集成KNN模型。首先利用距离相关系数进行变量选择,然后基于正则化互信息对变量进行排序,将其用于规则采样,构造子训练集,最后基于统计过程控制方法设置预警阈值对实时残差进行分析,根据健康度曲线对风电机组齿轮箱健康度进行监测,并利用某风电机组实际数据对所提方法进行验证。结果表明：所提方法显著提升了模型估计精度,该模型优于常规集成KNN模型,可以实现齿轮箱的早期故障预警。     

基于CAE与BiLSTM结合的风电机组齿轮箱故障预警方法研究

针对风电机组故障频发且早期故障监测难的问题,为实现风电机组智能监测,提出基于卷积自编码(CAE)与双向长短期神经网络(BiLSTM)的风电机组齿轮箱故障预警方法。首先对风电场数据采集与监视控制(SCADA)系统的数据进行预处理,选择能表征风电机组齿轮箱运行状态的监测量作为输出量,根据相关性分析选择与输出量相关性高的监测量作为输入参数;然后根据特征选择特性和参数非线性特性构建深度学习网络模型,对输出的预测值和残差进行统计分析,设置自适应阈值来监测风电机组异常状态的趋势变化。将CAE-BiLSTM模型应用于某风电场的算例分析中,并与其他模型的预测效果进行对比。结果表明：该方法解决了模型输入与结构冗余问题,提高了模型精度,能够有效预警风电机组齿轮箱早期故障。     

一种基于非线性偏最小二乘的风电机组齿轮箱状态监测方法北大核心CSCD

风电机组状态监测是提升机组运行水平和经济效益的重要手段。文章提出了一种基于非线性偏最小二乘(PLS)的风电机组齿轮箱状态监测方法,利用数据采集与监控系统(SCADA)数据对齿轮箱油温进行建模和监测。首先,基于无监督聚类对SCADA数据进行预处理,利用相关性分析选取与齿轮箱油温相关的输入变量;然后,构建用于表征非线性关系的输入变量,建立正常运行工况下齿轮箱油温的非线性PLS模型;最后,根据模型输出结果与齿轮箱油温的残差分布,设置合理阈值,用于齿轮箱状态监测。应用该模型对某大型风电机组齿轮箱进行状态监测。监测结果表明,相比于BP神经网络模型,该模型具有更高的拟合优度和预测精度。     

基于KECA-GRNN的风电机组齿轮箱状态监测与健康评估

为及时准确地评价风电机组齿轮箱的健康程度,提出一种基于KECA-GRNN的性能监测与评估方法.该方法分为状态监测、故障预测、健康评估3个阶段.在状态监测阶段,将KECA算法应用到风电机组的性能监测中,并采用SPE统计量监测齿轮箱状态.在故障预测阶段,将KECA算法提取的主元数据作为GRNN模型输入,建立KECA-GRN...     

并行卷积神经网络的风电机组故障诊断方法

针对风电机组轴承微弱故障信号的特征提取困难和故障诊断模型性能差等问题,提出一种并行卷积神经网络的故障诊断方法。首先,利用连续小波变换将一维信号转换成二维时频特性图;其次,构造一种并行卷积神经网络结构,该结构由大卷积层和并行卷积层组成,大卷积层快速提取输入层所有特征,并行卷积层识别特征中的有效故障信息,且并行卷积层为双层小卷积并行结构;然后,采用特征融合层,融合并行卷积层2次特征提取后的故障特征,实现诊断模型内部的特征增强,降低模型复杂度;最后,经实验验证,该模型诊断轴承故障的准确率为98.25%。     

基于长短时记忆网络融合SCADA数据的风电齿轮箱状态监测

针对不具有时间记忆能力的机器学习方法融合风电机组数据采集与监控系统(SCADA)的时序数据而导致风电齿轮箱状态预测精度不高的问题,提出基于长短时记忆(LSTM)网络融合SCADA数据的风电齿轮箱状态预测模型.选择能表征风电齿轮箱运行状态的某个监测量作为模型的输出量,基于灰色关联度选择与该监测量关联密切的SCADA参数作...     

基于IPSO-BP的风电机组齿轮箱状态监测研究

将改进粒子群算法(IPSO)与BP神经网络相结合,建立齿轮箱正常工作状态下的温度模型并用其进行温度预测。通过合理地选择训练样本,使IPSO-BP模型覆盖齿轮箱的正常工作空间。当齿轮箱工作异常时,其动态特性偏离正常工作空间,导致IPSO-BP网络温度模型预测残差的分布特性发生变化。采用滑动窗口方法实时计算残差的统计分布特性,当残差的均值或标准差超过预先设定的阈值时,发出报警信息,提示运行人员检查设备状态。     

基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法

提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法。粒子群算法不需要计算梯度,可以兼顾全局寻优和局部寻优。利用粒子群算法对BP网络权值和偏置进行优化,减少了BP神经网络算法陷入局部最优解的风险,提高了神经网络的训练效率,加快了网络的收敛速度。考虑风电齿轮箱振动信号的不确定性、非平稳性和复杂性,提取功率谱熵、小波熵、峭度、偏度、关联维数和盒维数作为故障特征。经测试,算法诊断结果正确,表明了PSO优化BP神经网络用于风电机组齿轮箱故障诊断的有效性和实用性。     

基于一维密集连接卷积网络的风电齿轮箱智能故障分类

人工智能技术的飞速发展为现代能源装备的精益化故障诊断与健康管理提供了可能。风电齿轮箱由多个齿轮、轴承组成,且长期在变速、变载荷工况下运行,依靠传统的故障特征提取结合机器学习方法进行故障诊断存在精度低、缺乏智能性等缺点。文章提出了基于一维密集连接卷积网络的风电齿轮箱故障分类方法:将原始振动信号直接送入网络模型,经过密集连接、合成连接与卷积运算,匹配对应的故障类型,迭代训练故障分类模型;振动信号输入模型后的分类结果决定所属故障类别。文章所提出的风电齿轮箱故障分类方法具有诊断流程简单、故障识别率高等特点,多工况试验台故障数据验证了该方法的有效性。     

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。     

A novel wind turbine health condition monitoring method based on common features distribution adaptation

Aimed at the difficulty of diagnosing the transmission system of wind turbine under variable working conditions, a novel health condition monitoring method based on common features distribution adaptation is proposed in this article. In the method, envelope analysis is first performed on the collected signals, and then the time-frequency features are extracted to be combined as new input samples. The feature set under the working condition similar to target working condition is selected as the auxiliary sample set in source domain through the evaluation of the transferability. The kernel function is used to map the labeled auxiliary samples and unlabeled target samples to a reproduced kernel Hilbert space, which effectively reduces the data distribution discrepancy between source and target domains. The problem of class imbalance in each domain is taken into account when performing fault recognition, which improves the effect of transfer learning. Finally, the adjusted source domain is used to train the classifier, which is applied to the target domain to get the predicted labels of the test data. Experiment shows that the proposed method has better working performance than traditional fault diagnosis methods.     

An artificial neural network‐based condition monitoring method for wind turbines,with application to the monitoring of the gearbox

Major failures in wind turbines are expensive to repair and cause loss of revenue due to long downtime. Condition‐based maintenance, which provides a possibility to reduce maintenance cost, has been made possible because of the successful application of various condition monitoring systems in wind turbines. New methods to improve the condition monitoring system are continuously being developed. Monitoring based on data stored in the supervisory control and data acquisition (SCADA) system in wind turbines has received attention recently. Artificial neural networks (ANNs) have proved to be a powerful tool for SCADA‐based condition monitoring applications. This paper first gives an overview of the most important publications that discuss the application of ANN for condition monitoring in wind turbines. The knowledge from these publications is utilized and developed further with a focus on two areas: the data preprocessing and the data post‐processing. Methods for filtering of data are presented, which ensure that the ANN models are trained on the data representing the true normal operating conditions of the wind turbine. A method to overcome the errors from the ANN models due to discontinuity in SCADA data is presented. Furthermore, a method utilizing the Mahalanobis distance is presented, which improves the anomaly detection by considering the correlation between ANN model errors and the operating condition. Finally, the proposed method is applied to case studies with failures in wind turbine gearboxes. The results of the application illustrate the advantages and limitations of the proposed method. Copyright © 2017 John Wiley & Sons, Ltd.     

基于工况细化条件下数据统计分析的风电机组齿轮箱油温故障预警方法

文章针对风电机组齿轮箱油温劣化特征识别问题,提出了一种基于工况细化的异常变化检测和故障早期预警方法.该方法根据风机叶轮转速将机组运行数据进行细化分仓,在每个叶轮转速仓中建立基于概率统计分析的齿轮箱油温正常行为模型并设定其温度分布和温升变化的异常阈值;然后对现场机组齿轮箱油温变化进行监测,利用时序滑动窗口的评估方式实现风...     

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。     

An engineering condition indicator for condition monitoring of wind turbine bearings

Condition monitoring (CM) of wind turbine becomes significantly important part of wind farms in order to cut down operation and maintenance costs. The large amount of CM system vibration data collected from wind turbines are posing challenges to operators in signal processing. It is crucial to design sensitive and reliable condition indicator (CI) in wind turbine CM system. Bearing plays an important role in wind turbine because of its high impact on downtime and component replacement. CIs for wind turbine bearing monitoring are reviewed in the paper, and the advantages and disadvantages of these indicators are discussed in detail. A new engineering CI (ECI), which combined the energy and kurtosis representation of the vibration signal, is proposed to meet the requirement of easy applicability and early detection in wind turbine bearing monitoring. The quantitative threshold setting method of the ECI is provided for wind turbine CM practice. The bearing run‐to‐failure experiment data analysis demonstrates that ECI can evaluate the overall condition and is sensitive to incipient fault of bearing. The effectiveness in engineering of ECI is validated though a certain amount of real‐world wind turbine generator and gearbox bearing vibration data.     

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。     

基于数据驱动的风电机组状态评估方法研究

为了延长风电机组平稳运行时长和减少故障停机次数,文章基于有监督主成分分析(SPCA)的Hotelling-T~2和Q统计量控制图,提出了一种风电机组状态监测与评估方法。首先,根据风电机组SCADA历史数据提取正常状态数据。然后,训练集成学习模型拟合主要状态变量,采用贝叶斯优化算法优化其中的超参数。最后,在移动时间窗内利用SPCA方法将监测数据分解到主成分空间与残差空间,计算真实数据与参考状态数据的Hotelling-T~2和Q统计量,并同时求取两种统计量的斯皮尔曼系数,通过划定阈值对机组进行状态评估。将该方法用于某风电场1.5 MW级风电机组,结果表明,该方法能够有效地对机组当前状态进行监测并识别出功率输出故障。