风电机组多级齿轮系统的故障动力学特性研究

综合考虑太阳轮支撑、时变啮合刚度和综合啮合误差等因素,建立了含太阳轮齿根裂纹故障的风电多级齿轮系统平移-扭转非线性动力学模型,研究了太阳轮齿根裂纹故障及其演化对系统动力学特性的影响。结果表明：太阳轮裂纹会影响轮齿的啮合刚度,从而影响系统的动力学响应;齿轮裂纹使得系统时域波形出现明显的周期性冲击,系统在分岔图中的运动从单周期发展为多周期;裂纹系统响应频谱中出现故障特征频率及其倍频,在啮合频率附近有大量边频成分;随着裂纹程度的加深,时域特性更加复杂,同时频谱图中故障特征频率的可识别性增强。     

基于Dy Res Net-CBAM网络的滚动轴承剩余寿命预测

滚动轴承的工作状况关系到使用滚动轴承的机械能否正常运行,预测轴承的剩余使用寿命（RUL）是避免机械系统失效的关键。针对传统的轴承使用寿命预测方法无法自适应调节特征权重、提取有用特征,造成预测值误差过大的问题,提出了一种带有卷积块注意力模块（CBAM）的动态残差网络（Dy Res Net）用于预测轴承RUL。对振动信号进行快速傅里叶变换求得频域累积幅值特征,在动态残差网络中加入CBAM模块,并利用压缩激励模块进行特征细化得出预测结果,使用公开轴承数据集对所提模型进行评估。实验表明：与其他模型相比,Dy Res Net-CBAM模型能够充分提取特征信息,对轴承RUL预测的准确度高于其他模型。     

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。