改进CEEMDAN算法与CNN融合的深度学习系泊故障研究

针对海上漂浮式风力机在长期的海洋环境作用下，受到风、浪、流等复杂载荷的影响，发生腐蚀、蠕变和失效等故障问题，基于深度学习理论，提出了一种改进的完全集合经验模态分解(Improved Complete Ensemble EMD,ICEEMDAN)结合卷积神经网络(Convolutional Neural Network, CNN)的故障诊断方法，用于对海上漂浮式风力机的系泊系统进行故障识别。该方法基于平台艏摇响应信号状态，计算系泊蠕变与失效阶段，并分析不同位置系泊对漂浮式风力机稳定性的影响，诊断出系泊是否产生蠕变以及系泊蠕变位置。研究结果表明：改进后的方法能够较好地识别系泊蠕变到失效过程，挖掘了纵荡、横荡、横摇及艏摇等因素对风力机稳定性的影响，其在不同信噪比下均可有效地诊断出系泊状况与不同位置的蠕变，且准确率最高可达99.83%。

Improved CEEMDAN Algorithm fused with CNN forDeep Learning of Mooring Faults