大型风电机组电动变桨系统变桨角度故障诊断

为提高大型风电机组电动变桨系统变桨角度故障的判别准确性,结合模糊粗糙集特征量约简和基于粒子群算法优化的支持向量机进行变桨角度故障诊断分析研究。首先基于模糊粗糙集理论建立变桨系统特征参数约简的数学模型,通过对变桨相关运行数据进行约简,确定对故障诊断贡献率较高的参数;再利用实际运行数据训练经粒子群优化的支持向量机,从而获得高精度诊断模型;然后设计基于双层支持向量机的故障程度判别模型,可对故障进行进一步分类。最后通过实际运行数据对变桨角度故障进行诊断实验,实验结果表明,该诊断方法能准确快速地判别故障并可进行故障程度分类。     

基于粗糙集与贝叶斯网络的配电网故障诊断

随着社会经济的发展,现在的电能质量标准已不能满足用电户的要求,但电力系统的故障是难以避免的。所以,当电网出现不稳定运行状态时,就要求工作人员能在最短时间内判断故障原因、位置并切除故障,维持电网稳定运行状态。阐述电力系统故障诊断中粗糙集理论和贝叶斯网络的方法,在故障诊断时先形成原始决策表,再利用粗糙集理论进行约简,有效去除冗余信息;然后根据约简结果建立贝叶斯网络模型,克服了缺失信息而造成的诊断结果错误的缺点,大大提高了诊断结果的可靠性。     

基于局域波-粗糙集-神经网络的故障诊断方法研究

提出了一种基于局域波-粗糙集-神经网络的智能故障诊断方法。首先通过局域波法进行故障特征提取,获取能够反映设备运行状态的由局部能量组成的特征向量;接着应用粗糙集理论对样本特征参数进行属性约简,去除冗余信息,获取最优的决策系统;最后根据最优决策系统来构造RBF神经网络,并进行故障诊断。以柴油机缸套活塞磨损故障为例,详细说明了基于粗糙集-局域波-神经网络的故障诊断方法的原理和步骤。诊断结果证明了此方法的有效性。     

基于粗糙集理论的旋转机械故障诊断方法

粗糙集理论是一种新的数据分析和处理方法，使用粗糙集理论可以对决策表进行简化，去除冗余属性。该文针对旋转机械故障诊断问题，计算旋转机械振动故障数据库中的频域征兆，使用粗糙集理论对其进行约简，根据约简的结果生成规则。利用得到的规则对故障样例进行诊断。结果表明：使用粗糙集理论可以在保留分类能力不变的前提下，去掉诊断中的不重要的要素，保留重要的要素，从而可以简化对诊断信息的需求。对故障样例的诊断结果也表明：得到的规则基本上是可信的。表5参8     

基于粗糙集理论的内燃机气阀故障诊断研究

在内燃机神经网络故障诊断系统的基础上 ,引入粗糙集理论 ,对其在内燃机故障诊断特征参数属性优化中的运用进行了探索。利用可辨识矩阵算法对决策表进行属性约简 ,剔除其中不必要的属性 ,揭示了故障诊断条件属性内在的冗余性 ,降低了神经网络构成的复杂性。最后给出了属性约简的结果。     

主成分-灰色关联分析方法的风电机组齿轮箱故障诊断

针对风电机组变工况运行造成设备故障诊断困难的问题,提出了主成分-灰色关联分析方法,解决风电机组齿轮箱故障诊断问题。通过阶比重采样方法对信号进行预处理,消除原始数据非线性带来的不良影响;考虑到信号能量变化会对分析带来误差,用无量纲参数作为故障诊断的特征数据;应用主成分-灰色关联分析法,对各特征参数赋予权重,增强了分析数据与故障特征间的关联性,提高了故障诊断精度。试验及实际应用结果分析表明,文章所提出的方法能够较准确地对风电机组齿轮箱故障进行诊断。     

基于小波能量熵和粗糙集的振动故障诊断研究

通过对不同振动故障信号进行小波包分解,得到若干个小波分解系数,进而从中获得各小波系数能量,并以此为特征进行基于粗糙集理论的特征约简分析,根据约简后生成的诊断规则对故障样本进行诊断,在确定故障的基础上,通过小波能量谱熵来衡量故障严重程度.实验结果显示通过基于粗糙集理论的RSES软件实现故障诊断准确率较高,同时能量谱熵参数可以在一定程度上衡量故障程度.     

基于粗糙集的转子裂纹故障诊断研究

针对诊断转子裂纹故障时出现的许多不确定性的信息,信息的重要度不同以及冗余等问题,提出了一种基于粗糙集的裂纹故障诊断方法.利用粗糙集相对约简的不唯一性和不确定知识的表达能力,将诊断转子裂纹的相关特征参数进行模糊化及离散化处理,构建故障决策表.对故障征兆参数进行约简,去除冗余信息,求出集合的正域.根据依赖度和重要度关系,求出集合的核,作为诊断转子裂纹故障的规则,简化了诊断过程.实例表明,该方法能较大的提高转子裂纹故障诊断的效率和可靠性.     

粗糙集理论和贝叶斯网络在汽轮机振动故障诊断中的应用

针对实际的汽轮发电机组振动故障诊断中常存在冗余和不确定性信息这一问题,基于智能互补融合的思想,将粗糙集理论与贝叶斯网络有机结合在一起,提出了一种汽轮机振动故障诊断新方法.利用粗糙集信息表约简方法实现对故障特征的约简,以获取最小诊断规则.基于最小规则的贝叶斯网络模型可以有效降低网络构造的复杂性,同时利用贝叶斯网络来发现节点间的潜在关系,解决故障诊断过程中的不确定推理问题,从而提高诊断效率.最后,进行了故障实例分析,结果证明了该方法的有效性.     

基于证据理论与粗糙集集成推理策略的内燃机故障诊断

证据理论是处理不确定性问题的有效工具,但其依赖专家知识提供证据,并要求各证据体相互独立,致使实际应用困难。针对此问题,提出了证据理论与粗糙集(Rough Sets)集成的方案:基于系统聚类的方法对特征数据离散化;基于变精度粗糙集条件熵的方法对决策表约简;约简后各条件属性作为证据并计算基本可信度分配;利用证据理论组合规则对各证据进行合成及决策。柴油机的实际诊断结果验证了将证据理论与粗糙集相结合进行故障诊断的良好效果。     

大型风力发电机组变桨电池充电故障分析处理

风力发电机组的控制系统多采用工业大规模集成系统进行运算控制,提高了抗干扰能力。控制系统通过光纤与监控室的计算机连接,可以远距离对风机进行实时监控,大大降低了运行人员的工作量和劳动强度,是进行远程运行数据统计分析及故障原因分析的重要手段。当风机出现报警停机时,如何准确地判断故障类型和原因并给出故障处理的方法对于风机的安全运行至关重要,文章总结分析了风力发电机组变桨电池充电故障的现象、原因、分析过程以及处理方法,保证了风机的正常运行,为同类故障提供了参考。     

Vibration‐based wind turbine planetary gearbox fault diagnosis using spectral averaging

Planetary gearboxes (PGBs) are widely used in the drivetrain of wind turbines. Any PGB failure could lead to a significant breakdown or major loss of a wind turbine. Therefore, PGB fault diagnosis is very important for reducing the downtime and maintenance cost and improving the safety, reliability, and lifespan of wind turbines. The wind energy industry currently utilizes vibratory analysis as a standard method for PGB condition monitoring and fault diagnosis. Among them, the vibration separation is considered as one of the well‐established vibratory analysis techniques. However, the drawbacks of the vibration separation technique as reported in the literature include the following: potential sun gear fault diagnosis limitation, multiple sensors and large data requirement, and vulnerability to external noise. This paper presents a new method using a single vibration sensor for PGB fault diagnosis using spectral averaging. It combines the techniques of enveloping, Welch's spectral averaging, and data mining‐based fault classifiers. Using the presented approach, vibration fault features for wind turbine PGB are extracted as condition indicators for fault diagnosis and condition indicators are used as inputs to fault classifiers for PGB fault diagnosis. The method is validated on a set of seeded localized faults on all gears: sun gear, planetary gear, and ring gear. The results have shown a promising PGB fault diagnosis performance with the presented method. Copyright © 2015 John Wiley & Sons, Ltd.     

基于数据融合的风电变桨系统故障预警研究

随着风电机组装机容量的不断攀升,同时带来并网发电率低、机组故障率高等缺点,导致风电机组整体利用率较低。为此提出一种基于数据融合的风电变桨系统故障预警方法。首先结合SCADA系统中的运行统计信息和历史数据,采用Relief特征参数选择方法筛选出与风电变桨系统故障相关的特征参数;然后采用数据融合的方法,建立基于MSET技术的风电变桨系统故障预测模型,并采用滑动窗口法进行故障预警阈值的确定;最后以上海某风场1.5 MW双馈异步风电机组进行实例分析,结果表明该方法可提前发现风电变桨系统故障征兆,实现对风电变桨系统的早期故障预警。     

基于优化的VMD融合信息熵和FA_PNN的风电机组齿轮箱故障诊断

针对风电机组齿轮箱在故障信号处理、特征提取和故障诊断存在的问题,提出一种基于优化的变分模态分解(VMD)融合信息熵和萤火虫优化的概率神经网络(FAPNN)的风电机组齿轮箱故障诊断方法。首先利用皮尔逊相关系数法来确定VMD的分解数量和惩罚因子,并利用VMD分解齿轮箱振动信号获取多个固有模态分量,在此基础上融合时域、频域及时频域等信号故障特征熵,最后用FAPNN网络进行故障识别分类,仿真结果验证了所提出算法在风电机组齿轮箱早期故障诊断研究中的有效性和可行性。     

基于特征选择和XGBoost的风电机组故障诊断

随着风电规模的不断增加,风电机组的运行维护成为研究的热点。针对风电机组的故障诊断问题,文章提出了一种基于特征选择和XGBoost算法的故障诊断方法。该方法采用随机森林的袋外估计进行特征选择,降低了特征选择过程的主观性;以XGBoost算法为基础搭建诊断模型,采用网格搜索和交叉验证对算法进行参数优化。以风电场SCADA实测数据对所提方法进行验证,通过准确率、AUC值等指标将文章所提方法与传统机器学习算法的诊断结果进行对比。对比结果表明,文章提出的方法比传统机器学习算法的预测准确率更高,可用于风电机组故障诊断的工程中。     

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SOM网的风电变流器故障诊断

我国新疆、甘肃、宁夏、内蒙、浙江、黑龙江、江苏、广东等都在大规模建设风电场,这些风电场建成后,其故障维护就有了很大市场.以新疆风电场为基础,尝试开发用于风力机故障智能诊断的系统.首先介绍了风力机及其变频器系统的结构,分析了变频器的故障机理.使用SOM神经网络对风机变流器进行了诊断,用数据验证了诊断结果.把传统的电力电子设备故障诊断技术与新疆风力机变频器的故障诊断相结合,为风电大面积推广应用产生了积极作用.     

基于粗糙集理论的汽轮机组回热系统故障诊断模型

在分析了汽轮机组回热系统现有故障诊断方法无法解决冗余征兆的不足之后,提出了一种基于粗糙集理论的故障诊断模型。该模型从回热系统典型故障模式出发,通过连续征兆属性的离散化建立了故障诊断决策表;利用遗传算法实现了故障征兆属性约简,并提出了结合领域知识的最小约简择优策略,然后通过给出的决策规则约简的基本原则,得到用于故障诊断的决策规则库。在应用该模型进行故障诊断时,用待诊实例的离散化了的故障征兆属性与规则库中的诊断决策规则进行匹配,对返回的诊断决策规则进行综合评价,并得出诊断结论。利用电站仿真机模拟典型故障进行了故障诊断模型的验证,实践表明,该模型可以有效地约简冗余的故障征兆,并具有较好的诊断效果和一定的容错能力。     

风力机状态监测与故障诊断技术研究

介绍了风力发电机组的基本构成,对风力机常用状态监测技术及主要测量参数进行了分析研究,并分析了风力机部件的常见故障,研究了部件的故障机理,最后,分析研究了适合于风力机的多种故障诊断方法,对国内外风力机状态监测、诊断技术和系统应用现状进行了概述。研究结果对保证风力发电机组安全运行,减少故障发生率,提高风力发电机组的运行可靠性．实现基于状态维修起到了指导作用。