不平衡数据集下优化WGAN的风电机组齿轮障诊断方法

针对不平衡数据集下风电机组齿轮箱故障诊断准确率低以及故障特征不明显的问题,提出峭度指标与遗传算法优化Wasserstein距离生成对抗网络（WGAN）的故障诊断方法。首先将峭度指标作为语义标签映射到卷积层规格化故障特征,其次在反卷积网络中对宏基因组二进制编码并权重初始化,然后对不平衡样本集进行多点交叉和高斯近似变异,重点搜索局部故障点,最后将峭度作为有标签的负例输入判别器网络,重构反卷积和VGG神经网络提高权重剪裁,使WGAN网络成为半监督学习模型,正向判断更新权重并输出诊断结果。实验表明：该方法在不平衡数据集下诊断准确率达到98.69%,拥有更高的泛化能力和特征提取能力,实现了故障特征的增强。     

基于EEMD的ICNN故障诊断方法

针对轴承微弱故障特征提取困难和故障诊断准确率低等问题,提出一种基于集合经验模态分解的改进卷积神经网络的故障诊断方法。首先,利用集合经验模态分解(EEMD)对信号进行降噪等预处理,并将预处理后的信号转换为二维信号;其次,为了解决数据特征不确定性和卷积神经网络(CNN)内部参数爆炸的问题,在CNN的卷积层和池化层之间增加批量归一化层进行标准化处理,得到改进的卷积神经网络(ICNN);最后,以风电机组轴承微弱故障数据集为例,验证了所提方法相较于其他诊断方法更具有优越性,能够有效提取故障特征,具有较高的准确率和诊断效率。     

基于CMCPSO-SVM的轴承微弱故障诊断方法

针对旋转机械轴承微弱故障振动信号易被强噪声掩盖难以识别的问题,提出一种改进混沌粒子群优化支持向量机的故障诊断方法。将信号通过局部均值分解算法分解处理得到乘积函数(PF)分量,并进行能量归一化处理获得时频域特征集;通过迭代拉普拉斯得分降低时频域特征集的空间维度;以PF分量的排列熵作为混沌粒子群的适应度,并加入交叉和变异新策略,建立一种新的交叉变异混沌粒子群优化方法;利用改进的粒子群算法优化支持向量机的核函数和惩罚因子,并将优化后的分类模型应用于轴承故障诊断。结果表明：该故障分类模型的识别准确率高于其他分类模型。     

基于AVMD和WDK的风电齿轮箱轴承复合故障诊断方法研究

针对强背景噪声下轴承微弱复合故障特征提取困难的问题,提出一种基于自适应变分模态分解（AVMD）和优化的Wasserstein距离指标（WDK）的风电齿轮箱轴承复合故障诊断方法。首先,引入自适应学习粒子群优化算法（ALPSO）,以平均包络熵作为ALPSO的适应度函数来搜索变分模态分解的最佳影响参数,从而构造AVMD;其次,结合Wasserstein距离（WD）和峭度优点,提出WDK指标筛选有效模态分量,并对筛选的有效模态分量进行重构;然后,通过对重构信号进行包络谱分析实现轴承复合故障的诊断;最后,将所提AVMD-WDK方法应用于某风场2 MW风电齿轮箱轴承振动信号的故障诊断。结果表明,该方法能有效提取轴承的微弱故障特征,实现轴承复合故障的精确诊断。     

风电叶片单点疲劳加载过程数值仿真与试验

设计了一套风电叶片单点疲劳加载系统,基于拉格朗日方程建立了振动耦合数学模型,对振动特征规律（叶片振幅、电机电流）分别进行数值仿真。当驱动频率与叶片固有频率偏差较小时,固存的机电耦合现象会导致叶片振幅稳定,若偏差增大,叶片振幅则发生剧烈波动。加载源电流跟随叶片振动产生周期性波动,且转速越大,等负载下的电流相对越大,共振时电流达到最大。建立了一套单点疲劳加载试验系统,对振动过程中的叶片振幅和电流进行测试。试验结果验证了数学模型与仿真模型的准确性,该结论为疲劳加载解耦控制算法的制定提供了理论依据。     

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%。