基于本体的大型风力发电机组故障智能诊断研究

针对目前快速发展的风电行业中大型风力发电机组故障诊断方法多、理论复杂,维护人员难以掌握的问题,提出了基于本体的风力发电机组故障智能诊断系统,辅助维护人员选择合适的故障诊断方法。系统以本体形式表示风电机组故障诊断领域知识,提供了与用户进行信息交互的接口,并建立了诊断方法推理所需的规则集。基于Java平台开发了基于本体的风力发电机组故障智能诊断原型系统,该系统可用于风电机组故障智能诊断。     

基于图论的故障诊断技术及其发展

该文给出了基于图论的故障诊断原理，综述了基于图论的故障诊断研究现状，包括两种主要方法：基于故障传播有向图和基于符号有向图的诊断方法。     

风力发电机组故障诊断与预测技术研究综述

随着风力发电机组装机容量的快速发展,累计运行时间的持续增长,风电机组的维护问题日益突出,迫切需要研发有效的风电机组故障诊断与预测系统。从故障诊断和故障预测两个方面,归纳风力发电机组的主要故障特点;针对故障诊断难点问题,分析和总结基于振动、电气信号分析和模式识别算法的故障诊断方法的研究现状,指出各种方法的技术特点、局限性和今后的发展趋势;针对风电机组中机械结构和电子系统性能退化的各自特点,归纳当前的研究进展,提出物理失效模型和数据驱动模型融合的故障预测方法;最后,归纳了利用风力发电机组数据采集与监控系统(SCADA)数据进行故障诊断与预测的最新进展及需要进一步研究的问题。     

多通道一维残差卷积神经网络在风力发电机组轴承故障智能诊断中的应用

为提高卷积神经网络在风力发电机组轴承故障诊断上的准确率，本文对某2MW风力发电机组轴承故障数据，进行单通道及多通道、多种诊断网络模型、不同优化算法的故障诊断分析对比，提出将多个振动传感器的数据整合为多通道一维数据集，再使用一维残差卷积神经网络进行故障诊断。得出基于Adam优化算法的多通道一维残差卷积神经网络诊断准确率最高。因此，多通道一维残差卷积神经网络在风力发电机组轴承故障诊断中应用效果良好，能够准确的识别各类故障模式，为机组的安全、稳定运行提供了保障。     

基于声信号的风力发电机组故障诊断方法研究

针对以声信号为故障特征的风力发电机组故障诊断方法展开综述。分析了风力发电机组故障诊断的实际意义和价值以及风力发电机组故障诊断方法的研究现状,重点阐述了基于声信号的风力发电机组故障诊断的基本流程,并对故障诊断流程的每个部分做了切实可行的论述。     

基于免疫Agent的风力发电机组故障自愈系统的研究

以风力发电机组为研究对象,将Multi-Agent技术与故障自愈的原理结合,并引入人工免疫的思想,以故障的消除和抑制为目的,探讨一种新型的具有自身免疫能力的智能自愈理论和方法研究。采用Multi-Agent技术、人工免疫原理和专家系统等混合智能技术构建故障自愈免疫系统的结构模型,阐述了基于免疫agent的风力发电机组故障自愈系统的组织结构和诊断流程。该系统具有可扩充性、诊断资源的可重用性、诊断过程的自主性等,为机电装备故障诊断和自愈提供了一种新思路。     

风力发电机组故障诊断专家系统研究

随着风力发电行业的不断发展,风力发电机的装机数量不断增加。由于其结构复杂和工作环境恶劣,极易发生各种故障。文章通过对风力发电机组故障诊断专家知识进行总结,使用ASP.NET平台开发和SQL Server 2008数据库,利用产生式规则和主观贝叶斯方法相结合实现推理,构建了风力发电机组故障诊断专家系统,通过人机交互实现对风力发电机组故障的在线诊断,并通过其知识库的不断维护更新来提高系统故障诊断的能力。     

风力发电机组早期故障诊断

随着风力发电行业的快速发展,风力发电机组装机数量迅猛增加。然而恶劣的工作环境导致风力发电机组故障率较高。通过故障诊断技术及时发现设备存在的故障,进而确保发电机组安全可靠运行,是降低事故的有效途径。提出一种风力发电机组早期故障诊断的方法,通过对风力发电设备运行状态进行实时监测并进行趋势预测,及时发现运行过程中存在的故障隐患,并利用信号处理方法 EEMD对故障信号进行分析处理,提取故障特征信息,进而诊断故障发生的原因和部位等情况,最后综合评价决策釆取适当的应对措施,并通过实验验证了该方法的有效性。     

拟合故障振动信号模型实现滚动轴承故障诊断

针对传统故障诊断流程的缺点,提出通过拟合故障振动信号模型实现滚动轴承故障诊断,并在风力发电机组齿轮箱故障诊断中验证了有效性和实用性。首先根据滚动轴承发生故障时振动信号的特点,提出故障振动信号模型,然后通过遗传算法对该模型做数据拟合,拟合数据来自EMD(Empirical Mode Decomposition)方法对原始振动信号分解所得IMF(Intrinsic Mode Function)分量,最后将拟合结果和轴承各部件的故障特征频率作对比,可知损伤点所在部位。通过仿真、实验和现场信号的分析,验证了可通过拟合故障振动信号模型实现故障部位的准确诊断。     

风力机气动力不对称故障建模与仿真

风力机气动力不对称故障对风力发电机组的安全稳定运行有很大的影响,传统的基于振动的故障诊断方法需要在风力机上安装大量的传感器,成本较高,可靠性也较差。近年来,已有学者采用基于电信号的故障诊断方法对该故障进行了实验研究,但未对该诊断方法进行理论上解释。笔者研究了气动力不对称故障下的风力机的塔架振动和气动力的耦合规律,阐述了造成电功率波动的机理,指出电功率的波动来源于塔架的振动,建立了整个风力机组故障状态下的模型,仿真得到了故障条件下的塔架振动信号与电功率信号,对仿真得到的振动信号与电信号进行信号处理。结果显示其中均出现了叶轮旋转的一倍频分量,与德国ISET等实验研究的结果相符,对开发新的故障诊断算法具有重要意义。