基于FFT与DNN的齿轮箱油温数据预测

针对风电机组齿轮箱油温数值的非线性与相关性,为实现油温的准确预测,提出一种基于快速傅里叶变换(Fast Fourier Transform, FFT)的深度神经网络(Deep Neural Network, DNN)的预测方法。首先,对油温数据进行时间序列特性分析,选择时间窗口对信息进行排列,然后对信息进行FFT并提取其高频幅特征,并把这些特征输入DNN模型中进行训练,最后对输出的结果进行评价。采用实测数据对该方法进行验证,并选用常见模型进行对比,结果验证了该方法的有效性。该方法可以在齿轮箱运行状态异常前预警,降低设备功能性的故障,减少风电机组故障停机的损失,具有实用价值。     

融合振动数据和SCADA数据的风电机组齿轮箱故障预警方法

风电机组齿轮箱将机械能高速传输到发电机中，同时承受重载、制动器的瞬态脉冲和灰尘腐蚀，是风电机组中最易发生故障的部件之一。开发高效、准确的风电机组齿轮箱状态监测和故障识别方法可避免严重的齿轮箱故障，减少其造成的停机损失。提出了一种融合振动数据和SCADA系统数据的风电机组齿轮箱故障预警方法，该方法基于深度自编码器模型和统计过程控制图，首先将有限的振动数据通过小波变换和卷积神经网络转化为向量，和SCADA数据进行拼接，利用所有数据完成自编码器的预训练；随后改变预警模型输入，只接收SCADA数据，完成模型的后调优；然后根据自编码器模型的重建差，利用统计过程控制图预警可能发生的齿轮箱故障。基于真实的风电机组数据，该方法有效甄别潜在齿轮箱故障，并且性能优于对比方法，具有工业应用价值。     

基于DPCA残差互异度的故障检测与诊断方法

针对动态主元分析方法中残差自相关性降低过程故障检测率问题,提出基于动态主元分析残差互异度的故障检测与诊断方法.首先,应用动态主元分析(Dynamic principal component analysis,DPCA)计算动态过程数据的残差得分;接下来,应用滑动窗口技术并结合互异度指标(Dissimilarity)来监控过程残差得分状态;最后,利用基于变量贡献图的方法进行过程故障诊断分析.本文方法通过DPCA捕获过程的动态特征,同时互异度指标区别于传统的平方预测误差(Square prediction error,SPE),它可以有效地对具有自相关性的残差得分进行过程状态监控.通过一个数值例子和Tennessee Eastman(TE)过程的仿真实验并与传统方法对比分析,仿真结果进一步证实了本文方法的有效性.     

灰预测与时间序列模型在航天器故障预测中的应用

灰预测是灰色系统理论的重要组成部分,已成功应用于若干领域的预测;时间序列分析是定量预测方法之一;研究了利用以灰预测模型为基础,建立的残差灰预测模型和AR时间序列模型对航天器故障状态进行预测的方法;首先分析了灰预测模型以及残差灰色预测模型的建立过程,之后分析了AR时间序列模型的建立过程;然后利用所建立的模型进行航天器故障状态的预测,给出预测结果;研究表明,残差灰预测模型预测误差比基本灰模型降低,在特定的数据特征条件下也要优于AR时间序列模型.     

基于多渐消因子强跟踪UKF 和约束AR模型的故障估计与预测

针对非线性系统中不可观测故障参数估计和预测问题, 提出一种基于多重渐消因子强跟踪无迹卡尔曼滤波(MSTUKF) 的状态和参数联合估计法, 通过引入多重渐消因子增强了对变化函数未知的故障参数的跟踪能力. 对于得到的故障参数估计值, 利用递推最小二乘法更新约束AR预测模型, 从而实现故障参数的在线估计与预测. 仿真结果表明, MSTUKF方法在故障参数估计精度上优于UKF 和单渐消因子强跟踪UKF, 约束AR模型的预测精度高于无约束条件下的预测精度.

     

基于DPCA残差互异度的故障检测与诊断方法

针对动态主元分析方法中残差自相关性降低过程故障检测率问题,提出基于动态主元分析残差互异度的故障检测与诊断方法.首先,应用动态主元分析(Dynamic principal component analysis,DPCA)计算动态过程数据的残差得分;接下来,应用滑动窗口技术并结合互异度指标(Dissimilarity)来监控过程残差得分状态;最后,利用基于变量贡献图的方法进行过程故障诊断分析.本文方法通过DPCA捕获过程的动态特征,同时互异度指标区别于传统的平方预测误差(Square prediction error,SPE),它可以有效地对具有自相关性的残差得分进行过程状态监控.通过一个数值例子和Tennessee Eastman(TE)过程的仿真实验并与传统方法对比分析,仿真结果进一步证实了本文方法的有效性.     

基于改进的自注意力长短期记忆网络的传感器故障预检测方法

针对传感器故障检测方法对早期微弱故障信息不敏感以及抗异常值干扰能力差的问题,提出了一种基于因果卷积改进的自注意力长短期记忆网络(CCALSTM)模型和Shapiro-Wilk检验与阈值比较法相结合的故障预检测方法.首先在长短期记忆网络(LSTM)模型中引入基于因果卷积的自注意力机制,以提取局部信息特征,减少异常值对预测精度的影响;然后将预测结果与测量值进行残差计算,并利用滑动窗口选取合适长度的残差序列;最后将残差序列通过Shapiro-Wilk检验和阈值比较法相结合的故障检测方法进行故障预检测.通过传感器原始数据进行仿真实验,并与支持向量机(SVM)、误差反向传播网络(BP)、双向长短期记忆网络(Bi-LSTM)等常见预测模型进行对比,结果表明CCALSTM模型取得了更高的预测精度结果,且具有更高的鲁棒性;同时,所提出的故障预检测方法表现出对传感器早期微弱故障敏感,能够在故障潜伏期及时检测出故障.     

基于Stacking集成学习的风机主轴止推轴承故障预警研究

主轴止推轴承是风机的关键部件,一旦发生故障,将导致机组遭受严重损失。为实现风电机组主轴止推轴承早期故障预警,及早采取维护措施从而避免故障的进一步扩大。本文以风机主轴止推轴承温度为研究对象,提出一种基于风电机组正常运行状态下数据采集与监视控制(SCADA)的Stacking故障提前预警模型。首先,本文利用四个单一模型的拟合优度与均方误差比对特征进行综合排序,得到4组不同数量梯度特征组合的数据集。其次,通过对单一模型的预测性能以及相关性进行分析,最终确定以XGBoost、LightGBM以及随机森林作为基学习器,XGBoost作为元学习器建立Stacking集成学习预测模型。实验结果表明,基于Stacking模型对主轴止推轴承温度进行预测效果最好,预测误差相较于基模型有明显提升。最后,计算模型温度预测的均方根误差（RMSE）,并基于指数加权移动平均法(Exponential Weighted Moving Average,EWMA)设定主轴止推轴承正常状态下误差阈值。实验结果显示,本文建立的Stacking模型对风机主轴止推轴承故障至少可以提前6小时发出故障预警。     

基于多元状态估计的引风机故障预警

引风机作为大型机械动力设备,它的安全性和可靠性非常重要,传统的故障检测方式是对设备进行故障诊断,这是一种事后检修方式,电站设备一旦因为故障停机,会带来财产损失,甚至会有人员的伤亡。因此如何用其他的方法在故障发生前发现设备出现问题——也就是实现故障预警,就显得尤为重要。本文以引风机为例,使用主成分分析法,小波降噪法优化数据质量,再利用多元状态估计法进行建模。最后人为增加偏差进行验证,结果表明,多元状态估计法和PCA、小波去噪结合的方法可以很好的捕捉到异常,该方法可以用来作故障预警。     

基于建康管理技术的机载计算机智能故障诊断方法

为了满足飞机机载电子设备以状态监控为基础的视情维修保障策略,提升设备可维护性,提出了一种基于在线检测、故障预测、辅助决策的健康监控管理故障诊断方法,支持对机载电子设备的健康状态进行预测和评估。通过划分机载电子设备子功能的敏感威胁区域,对这些区域设计专门的威胁预警监控电路,进行功能危害监控,建立推理监控模型对监控电路故障进行预警监控,结合辅助决策的方式对预警到的故障进行定位,实现对电子设备的智能故障诊断。通过FMEA的分析与故障注入测试验证,该预警电路、推理模型和辅助决策能有效的预测故障及定位,具有较高的故障预测覆盖率,可提高机载计算机的维修性、降低维修时间,在电子设备视情维修策略上具备工程应用价值。