基于节点优化型DAG-LDM的机组滚动轴承故障诊断方法

滚动轴承作为风电机组的关键部件,对于整个机组的安全运行起着决定性作用.针对机组滚动轴承故障诊断问题,提出一种节点优化型有向无环图大间隔分布机(O-DAG-LDM)的故障诊断方法.结合DAG多分类扩展性能与LDM二分类器泛化性能的优点,构建一种面向滚动轴承故障诊断的DAG结构扩展式LDM多分类器方法.在DAG-LDM算法框架下,利用优化算法对DAG节点进行优化排列以减小随机排布引起的累积误差,提高LDM故障分类准确率.实验表明,与其他主流智能诊断方法相比,所提出的节点优化型DAG-LDM故障诊断方法具有较高的准确率和更好的抗噪性能.     

基于改进深度卷积神经网络的轴承故障诊断

轴承为风电机组的重要且故障频发部件,传统基于轴承振动数据的图像转换的卷积神经网络(CNN)的故障诊断技术存在一定局限性。提出了一种基于改进深度卷积神经网络(IDCNN)的直接时间序列特征提取方法,依据采样频率将原始振动数据划分为单个样本,构建诊断模型训练数据集。设计了一种新型的深度卷积神经网络(IDCNN),自动提取复杂样本数据的故障特征,提高DCNN的鲁棒性和泛化性,并将IDCNN提取的高维故障特征输入到分类器中,从而实现轴承故障的智能诊断。对比实验结果表明本方法有效提升了故障诊断精度。