变速风力发电机变流器故障诊断方法

大型变距变速风力发电机组状态的监测与故障的诊断是保证机组长期稳定运行和安全发电的关键。文章针对变速风力发电机组中的变流器电路模型非线性强的特点,利用神经网络非线性映射特性,提出了采用基于波形直接分析的BP神经网络故障诊断方法。该方法能动态监视风力发电机变流器并网电路的工作状态,实时在线进行故障诊断和快速分析,确定变流器故障的部位和性质,可缩短风力发电机的故障停机时间。实际运行结果表明,该方法对变速风力发电机组的状态监测与故障诊断是有效的。     

基于主成分和神经网络的风力发电机主轴承故障预警

主轴承作为风力发电机组的重要部件,一旦发生故障,会影响风力发电机组整机工作的发电性能,严重时故障甚至会造成停机,不仅影响发电量,更会产生高昂的维修费用。通过运用相关性分析,根据Pearson相关系数矩阵对原有的多个指标进行分析。然后运用主成分分析,首先对数据的原始特征预处理,得到6个主成分,然后将这6个主成分作为BP神经网络的输入,运用神经网络对风力发电机的主轴承进行预警。神经网络模型结果表明,该模型对风力发电机主轴承故障预警具有非常好的识别效果,基于主成分和神经网络对风力发电机主轴承故障预警对实现机组智能故障诊断,提高机组的运行效率具有十分重要的意义。     

基于无迹卡尔曼方法的风电机组齿轮箱故障诊断

在对风电机组的运行特性和齿轮箱温升机理的研究基础上,提出一种基于无迹卡尔曼方法(UKF)的风电机组故障诊断策略。该模型实现了对齿轮箱温升的有效预测,并在风电机组故障的情况下实现有效检测。对不同故障类型的诊断测试结果可显示机组局部故障对风电机组各关键参量的动态影响,同时表明UKF方法对不同故障条件下输入参数的变化有特殊响应。因而根据风电机组不同的故障模式,通过有针对性的算法输入参量设计可实现风电机组多种故障的有效诊断,为分析SCADA数据隐含的故障信息提供了一种有效手段。     

基于小波BP神经网络的风电机组变桨系统故障预测

变桨故障是风电机组重要的停机故障之一,对变桨系统进行故障预测并提高预测精度,是风电开发的关键技术,不但保证电网安全运行而且减少运维成本。分析处理SCADA系统数据,提取相关联参数,即输出功率、风速、桨距角和转子转速。采用BP神经网络对系统进行模型训练,考虑到风电机组参数具有波动性、不确定性等,同时采用小波BP神经网络进行模型训练。建立变桨故障预测模型,预测未来15 d的变桨系统运行情况,用于制定合理的运维方案。通过MATLAB系统仿真研究,对比分析了预测模型性能指标、误差指标和输出数据图形,小波BP神经网络训练预测模型诊断精度比BP神经网络提高了17%,可信率提高了18%,诊断能力提高了15.4%,诊断误报率降低了17%。     

基于概率神经网络的船用柴油机共轨系统限流阀故障诊断研究

基于船用柴油机高压共轨系统工作原理分析限流阀失效模式,利用AMESim液力仿真平台搭建共轨系统模型,通过仿真分析得出限流阀在3种典型故障模式下的故障特征。建立概率神经网络对限流阀故障进行诊断,结合试验与仿真数据完成网络训练和验证。结果表明:采用概率神经网络可有效地实现限流阀故障诊断。     

基于模糊SOM神经网络的汽轮机通流部分故障诊断研究

汽轮机实际运行时通流部分经常出现故障,对其进行监测与诊断很有必要。以某600MW机组为对象,提出一种基于模糊理论与SOM神经网络相结合的故障诊断方法。该方法通过对故障样本进行训练,建立故障诊断模型,根据输出神经元在输出层上的位置对故障进行诊断,分析其所属故障模式。研究结果表明:基于SOM神经网络的汽轮机通流部分故障诊断方法是准确和可靠的。该方法克服了故障样本选取的困难,通过聚类功能,对故障模式分类实现了具体数字化和图形可视化,诊断结果简单和直观。     

基于迁移学习的风电机组轴承故障诊断研究

针对风电机组运行工况复杂，实际采集的振动信号存在分布差异，导致故障诊断模型的分类效果偏低问题，提出一种具有多核领域适应（MKDA）的多尺度卷积神经网络（MSCNN）风电机组轴承故障诊断研究方法（MKDA-MSCNN）。该方法通过迁移理论将已知风电机组知识迁移至目标风电机组实现故障诊断。首先，利用源域数据预训练MSCNN网络，再利用多核领域适应减小源域和目标域分布差异，最终获得目标风电机组故障诊断模型。试验结果表明，该文提出的MKDA-MSCNN方法在实际风电机组轴承故障诊断中分类精度高达96.17%，对比结果表明该文所提方法的故障分类准确度优于其他深度学习和深度迁移学习方法，对迁移学习理论在实际工程风电机组轴承故障诊断中的研究具有一定价值。     

改进小波包联合PNN的风电故障诊断研究

针对风电机组故障信号的非平稳性以及故障与征兆的非线性映射导致的故障识别困难问题,提出了改进型的节点重构小波包频带能量谱与PNN(概率神经网络)的联合故障诊断新方法。文章深入分析了传统小波包频带错乱的问题,借助傅里叶变换与傅里叶逆变换改进了小波包,消除了小波包频带错乱的缺陷。首次采用改进型小波包提取故障信号特征量作为PNN的输入,然后利用PNN快速准确的非线性映射能力进行故障诊断。最后,采用风力发电机故障试验台的故障轴承的实际数据对所提方法进行验证,结果表明,所提方法可行且有效。     

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。     

基于深度信念网络的风电机组齿轮箱故障诊断方法

针对风电机组故障诊断中存在的数据量大,提取故障特征困难等问题,结合深度学习理论的强大感知与自我学习能力,提出一种基于深度信念网络的风电机组齿轮箱故障诊断方法。将原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对深度信念网络进行整体微调,提高分类准确性;同时,在训练过程加入Batch Normalization,减少过拟合几率,提高网络的收敛速度。将该方法用于风电机组行星齿轮箱的故障诊断,比DBN和BPNN算法及传统故障诊断方法的准确率更高。     

基于瞬时转速和ART2神经网络的柴油机故障诊断

分析了利用瞬时转速诊断柴油机故障的可行性,针对多数基于神经网络的故障模式诊断方法存在对未学习过的故障诊断能力差的缺陷,提出将瞬时转速与ART2神经网络相结合的柴油机故障诊断方法。在怠速工况下采集相关数据,实测数据的测试表明该方法诊断精度高、诊断结果可靠,故具有较高的实际应用价值。     

基于改进深度森林算法的风电机组故障诊断技术研究

为了及时有效地检测出风电机组发生的具体故障,同时克服传统故障诊断方法的局限性,文章提出一种基于改进深度森林算法的风电机组故障诊断方法。首先,利用有效的数据预处理方法处理SCADA原始数据并提取故障特征;然后,基于深度森林算法对风电机组具体故障进行诊断,同时,针对深度森林算法在故障诊断领域存在的缺陷,对算法提出改进;最后,利用河北某风场1.5 MW风电机组实际运行数据对文章提出的故障诊断算法进行验证,通过正确率、AUC等指标验证了所提故障诊断算法相比传统机器学习算法的有效性和优越性。该研究为风电机组运行和维修提供了依据,同时也为故障诊断领域提供了新的方法和思路。     

基于工况细化条件下数据统计分析的风电机组齿轮箱油温故障预警方法

文章针对风电机组齿轮箱油温劣化特征识别问题,提出了一种基于工况细化的异常变化检测和故障早期预警方法。该方法根据风机叶轮转速将机组运行数据进行细化分仓,在每个叶轮转速仓中建立基于概率统计分析的齿轮箱油温正常行为模型并设定其温度分布和温升变化的异常阈值;然后对现场机组齿轮箱油温变化进行监测,利用时序滑动窗口的评估方式实现风机齿轮箱油温故障预警。     

风力发电机组状态监测和故障诊断技术的应用研究

风力发电机状态监测是通过实时监测风力发电机运行状态,旨在发现潜在故障,预防事故的发生,进而提高风电设备的可靠性与安全性。由于风力发电机组长期运行在恶劣环境下,容易出现各类故障问题,为避免经济损失,保证风力发电机组稳定运行,做好实时状态监测和故障诊断至关重要。文章针对风力发电机组的运行以及故障处理等相关技术进行了分析,从发电机、齿轮箱、叶片、电气系统、液压传动系统状态监测和故障诊断几方面,研究了风力发电机组状态监测和故障诊断技术应用,以此确保整个系统安全稳定运行。     

基于虚拟惯性的双馈异步风力发电机控制方法及其稳定性分析

针对传统的同步发电机缓慢运行可能会影响微网系统稳定的问题,研究虚拟惯性控制方法在双馈异步电机风力发电机中的应用。首先详细介绍引入虚拟惯性的2种控制方法及其数学模型,然后通过构建小信号模型研究所提出的控制方法对于孤岛模式下微网系统稳定性的影响,比较使用双馈风电机组旋转质量或超级电容器作为虚拟惯性源的优缺点以及风速变化的对于系统稳定性的影响。最后,基于Matlab/Simulink建立仿真模型,仿真结果证明,引入虚拟惯性可显著增加系统稳定性,但基于旋转质量虚拟惯性控制效果受风力发电机转速影响较大,基于超级电容器的虚拟惯性控制效果最佳。     

基于神经网络的双馈式风机故障诊断研究

文章提出了一种基于BP神经网络的双馈式风力发电机(DFIG)相间短路故障诊断方法,利用Park变换对DFIG进行建模,并对发生在DFIG定转子侧的相间短路故障进行了仿真,确定了在故障状态下,将DFIG定转子侧的电流量和电压量作为典型故障数据的可行性。在此基础上,通过典型故障数据对BP神经网络的训练,使新的诊断方法在DFIG发生相间短路故障时,能精确地对DFIG的相间短路故障类型进行判断。最后,利用MATLAB对神经网络进行编程设计和仿真分析,验证了该方法的可行性,为DFIG的相间短路故障诊断方法提供参考。     

CQPSO-BP算法在风电机组齿轮箱故障诊断中的应用

为实现风电机组齿轮箱故障模式的有效识别,提出一种基于混沌量子粒子群优化BP神经网络(CQPSOBP)的故障诊断方法。在该算法中,利用混沌序列来初始化粒子的初始角位置,可提高种群的遍历性;通过引入变异操作,避免算法陷入早熟收敛,并依此来对BP神经网络的初始权值和阈值进行优化。实例表明,同粒子群优化BP神经网络(PSO-BP)与BP网络的诊断结果相比,CQPSO-BP算法具有收敛速度快、识别精度高的优点,可有效用于风电机组齿轮箱的故障诊断系统中。     

基于EEMD-LSTM的汽轮机转子碰磨故障诊断模型及其工程应用

汽轮机转子与静子间的碰磨严重影响着机组的安全运行。为了解决汽轮机转子发生在早期和中期的碰磨故障难以通过基于振动信号检测诊断方法进行有效识别的问题,本文提出一种基于EEMD-LSTM的汽轮机转子碰磨故障诊断方法。首先,该方法通过声发射技术监测汽轮机转子的碰磨故障信号;然后,利用EEMD信号分解方法处理获取的声发射信号,并提取能量特征参数和相关的时域特征参数,从而获得碰磨故障特征数据集;最后,利用划分的数据集对LSTM神经网络进行训练与测试,从而获得碰磨故障诊断模型。工程应用结果表明,本文提出的方法能够有效识别机组在不同转速时期的早期碰磨故障,且故障诊断的准确率较高。     

基于并行模糊C-均值聚类的风电机组发电机故障诊断研究

提出一种基于并行化的改进模糊C-均值聚类的风电机组发电机故障诊断方法。首先通过邻近聚类算法确定数据集可能的最大类簇数C_(max),以C_(max)为上限,利用改进的模糊C-均值算法,以BWI(between-within index)指标为聚类有效性判别指标,提出新的确定最佳聚类数的方法。并结合Spark内存处理技术,将其应用在风电机组发电机的故障诊断中,通过UCI机器学习数据库数据集以及风电监测实时数据的实验测试,表明该算法不仅能准确判别发电机的故障模式,并且能更好地处理电力系统的海量数据。