基于神经网络的泵机组故障诊断技术

利用神经网络对泵机组进行了故障诊断,探讨了故障诊断的神经网络方法和专家系统方法的联系和区别。该分析方法为转子临界速度的计算提供了比较完善的方法。     

风电机组效能和性能统一评估模型研究

风速和风向的不稳定、不确定性变化,使得风电机组难以保持稳定的风能转换状态,也直接导致了机组发电状态的不确定性.准确评估机组吸能与产能两种状态,对于制定生产、调度策略以及维护维修决策有着非常重要的意义.通过分析机组能量的转换过程,指出风电机组具有显性与隐性两种存在状态,并进一步研究风电机组效能和性能两种功能状态特性.采用云模型描述机组监测数据,应用云特征参数定量描述机组隐性状态的期望特性、偏离特性和离散特性,建立机组自有的、蕴藏在SCADA (Supervisory control and data acquisition,SCADA)数据中的、汇集机组效能与性能综合表现的隐性状态的评价模型.实现对机组不同风速、不同功率参数段局部评价和整个生产参数段整体综合评价,评估结果能为生产调度和维护维修决策提供依据,促进风电场科学、优化管理.最后,采用风电场现场监测数据验证算法的正确性和可靠性.     

基于多参数融合的风电机组齿轮箱油温预警方法

针对风电机组齿轮箱状态监测问题,提出一种基于多参数融合的齿轮箱油温预警方法。首先,通过相关性分析法提取与齿轮箱油温相关性高的参数作为模型的输入。采用改进的粒子群优化BP神经网络(imPSOBP),建立齿轮箱油温预测模型。然后,通过计算齿轮箱油温预测值与实际值的残差绝对值,并结合加权移动平均法、核密度估计法建立齿轮箱油温故障预警模型。基于某风场的数据进行了实验验证,对比分析了imPSO-BP模型和PSO-BP模型的预警效果。结果表明：提出的方法预测精度高,可提前齿轮箱油温异常预警时间,预警时间提前约27小时。     

基于自适应EEMD的风电机组联轴器松动故障诊断

联轴器是风电机组高速旋转齿轮箱和发电机之间的唯一机械连接件,针对联轴器松动后存在振动信号微弱、干扰大、故障特征难以识别的难题,提出了一种以协同信噪比（collaborative signal?to?noise ratio index,简称CSNR）为测度指标的自适应集成经验模式分解（ensemble empirical mode decomposition,简称EEMD）故障诊断方法。将该方法应用于数值仿真信号,实现了仿真信号构成分量的准确分离;应用于风场风电机组联轴器的松动故障诊断,有效提取了联轴器松动强噪声微弱信号中的故障特征,验证了该方法在工程实际应用中的有效性和实用性。     

基于支持向量机的风电机组主轴轴承故障诊断

主轴轴承是风电机组的重要部件之一。通常主轴轴承故障诊断方法主要是基于振动信号和温度信号以及润滑油成分分析等。这里利用支持向量机建立了风电机组发电机输出功率模型,输入量为风速、变桨角度、风向角与机舱角偏差;输出量为发电机输出有功功率。在相同输入条件下,当主轴轴承存在磨损等故障时,发电机输出有功功率将随故障的逐步加重而逐渐减小,发电机输出有功功率实际值与预测值之间的残差将超出正常的阈值。这里以某风电场风机主轴轴承实际故障进行了仿真验证。     

基于混合时频分析方法的风电机组故障诊断

针对风电机组传动链系统振动信号非高斯、非平稳性的特点,提出了一种基于混合时频分析的风电机组故障诊断方法。该方法首先采用参数优化Morlet小波消噪方法对原始振动信号进行分析,滤除强大的背景噪声干扰;进而通过自项窗方法抑制时频面的干扰项,增强信号特征成分,提取故障特征以实现故障诊断。在Morlet小波参数优化过程中,采用交叉验证法优化波形参数及连续小波变换的尺度参数;在自项窗的设计过程中,采用基于平滑伪魏格纳分布的函数进行设计,并通过两次阈值处理以减少运算量、提高运算效率。通过对风电机组监测振动数据分析,证明了该方法可以有效地实现背景噪声的消除和故障诊断。     

基于卷积神经网络的双馈风电机组独立变桨距优化控制方法

目前,双馈风电机组独立变桨距优化控制疲劳载荷的计算通常采用单目标的方式,测算控制的范围较小,挥舞载荷下降。基于此,设计基于卷积神经网络的双馈风电机组独立变桨距优化控制方法,明确风电机组独立变桨距控制指标,采用多目标的方式扩大测算控制的范围,实现对风电机组疲劳载荷的多目标计算。同时,构建卷积神经网络机组独立变桨距优化控制模型,采用反馈校正的方式实现优化控制,并设计对比实验进行测试。测试结果表明：在卷积神经网络的辅助下,所设计的双馈风电机组独立变桨距优化控制方法更为高效,具有实际应用价值。     

基于长短时记忆神经网络的锌液温度预测模型

锌液温度控制是热浸镀锌工艺的难点之一.通过对某铁塔制造企业热浸镀锌工艺分析和镀锌车间现场数据整理,选取影响锌液温度的多个因素,建立了基于长短时记忆神经网络的锌液温度预测模型.实验结果表明,该模型能有效预测未来时刻的锌液温度,为操作人员控制锌液温度提供有意义的参考.     

风电机组轴承在线监测与故障诊断系统的应用研究

风电机组的正常运行直接关系到系统的安全稳定。轴承是风电机组中的关键设备,对风电机组轴承进行深入分析具有重要意义,是保证风电机组正常运行的主要前提。本文将重点探讨风电机组轴承在线监测以及故障诊断系统的应用。     

风电机组风轮转动平衡检测技术的研究

风力发电是目前应用最广的可再生能源之一,对风电机组风轮转动平衡检测技术进行深入研究具有重要的理论意义和实用价值。针对风电机组转速低、转速不稳定的特点,搭建了低频振动信号采集硬件系统,设计了平衡检测软件系统,并通过对实验数据的分析,给出了不平衡检测的经验公式。     

基于改进组内方差算法识别风电机组异常数据

由于受数据测量误差、弃风限电及停机等因素的影响,风电机组SCADA采集数据中存在大量异常数据,清洗剔除异常数据是有效进行风电机组性能分析与预测研究的前提。本文采用改进最优组内方差算法对风电机组异常数据进行识别。经现场实例验证表明：改进最优组内方差算法可在不增加硬件设备的前提下,准确有效的识别风速-功率曲线中的底部堆积型、中部堆积型、上部堆积型和周围分散型四类异常数据。     

基于长短时记忆卷积神经网络的刀具磨损在线监测模型

为了提高机械加工过程中刀具磨损在线监测的准确性,提出了一种基于长短时记忆卷积神经网络（LSTM-CNN）的刀具磨损在线监测模型。在该监测模型中,通过振动、力、声发射传感器对刀具切削过程中的振动、力和声发射信号进行采集,采集的数据其本质为时间序列数据。考虑采集数据的序列和多维度特性,采用LSTM-CNN网络对采集的数据进行序列和多维度特征提取,利用线性回归实现特征到刀具磨损值的映射。通过实验验证了该模型的有效性和可行性,模型的精度较其他几种方法有了较大的提高。     

基于BAACMD和BESDFIF的风电机组主轴承故障诊断

针对风电机组主轴承故障难以诊断的问题,提出一种基于带宽感知自适应啁啾模式分解(Bandwidth Aware Adaptive Chirp Mode Decomposition, BAACMD)和秃鹰算法优化直接快速迭代滤波(Bald Eagle Search Direct fast Iterative Filtering, BESDFIF)的故障诊断方法。首先采用加权频谱趋势法准确划分信号频段,诊断各频段的有效成分,随后利用模型拟合方法确定ACMD方法中惩罚因子α和初始中心频率f,并通过BAACMD方法实现对故障信号进行处理实现故障特征信息的提取;其次利用秃鹰优化算法对DFIF方法中影响参数及分量选取过程进行寻优;最后使用最优滤波区间参数的BESDFIF方法对所得分量进行分解降噪处理,从中诊断出微弱的风电机组主轴承故障特征频率成分。现场数据分析结果表明,所研究方法可以有效诊断风电机组主轴承的微弱故障特征,实现风电机组主轴承的故障诊断。     

基于FISSA-DBN模型的风电机组运行状态监测

为提高风电机组运行效率,降低风电场运营成本,对风电机组运行状态监测显得尤为重要,提出一种基于数据采集与监控（supervisory control and data acquisition,简称SCADA）系统和萤火虫改进麻雀搜索算法优化深度置信网络（firefly improved sparrow search algorithm optimized deep belief network,简称FISSA-DBN）的风电机组状态监测新方法。首先,对SCADA数据进行预处理分析,并利用专家系统和皮尔逊相关系数分析,相关分析选取输入参数和输出参数;其次,利用预处理数据集建立基于FISSA-DBN的风电机组运行状态监测新模型,根据模型预测值和实际输出值之间的重构值误差,以及指数加权移动平均阈值（exponentially weighted moving average,简称EWMA）判断是否有异常;最后,以华东某风电场实际数据为例进行实例验证。结果表明,所提出方法的预警时间比实际记录时间最早可提前4 d多。同时,将所提出方法与其他方法进行对比,结果表明该方法预警时间提前,模型预测误差更小。     

基于ANSYS的风电机组主机吊具强度分析及优化设计

风电机组主机吊具的结构强度关系着吊装作业的安全,需要进行严格校核.以某MW级风电机组的主机吊装为例设计了吊具,采用ANSYS软件,结合实际的吊装过程进行有限元建模,并计算吊具的强度;根据有限元计算结果、应力分布以及变形情况,对风电机组主机吊装过程中吊具的受力情况进行了分析,优化了主机吊具的结构.优化后的风电机组主机吊具最大von Mises应力由733.71 MPa减小到224.86 MPa,应力降低了69.4％,满足强度要求;同时,主机吊具的重量由10685.07 kg减小到9587.46 kg,重量减少了约10.3％,降低了吊具的材料成本.     

基于云模型的风电机组输出功率特性分析

风电机组性能的优劣直接影响着风电场安全生产和经济效益。输出功率是风电机组最重要、最具代表性的性能指标之一,风功率曲线是机组发电能力最直观的表述。以输出功率和风速为数据源,应用云模型特征量研究风电机组输出功率的波动特性,有利于掌握风电机组性能状态。在对风电机组SCADA系统风速、功率数据筛选的基础上,描绘风电机组正常工作状态下的风功率散点图,采用比恩法建立风电机组实际风功率曲线;统计分析不同风速区间的输出功率,利用逆向云发生器建立不同风速下的输出功率云模型,得到不同机组的整体功率云;通过对比分析功率云的特征值,实现输出功率大小、波动范围和离散程度的量化分析;同时计算风速、功率相关系数反映和评价机组响应的灵敏度。云模型的应用,把机组状态从定性评价拓展到定量评价,从宏观综合评价深入到风速区间段精准评价,提高了风电机组性能分析的准确性和全面性。最后,应用实例验证了算法的有效性和可靠性。     

基于VMD小波包能量熵的风电机组变流器故障诊断方法

变流器是实现风电机组并网运行的关键电力装备,在外界环境因素、内部电压电流应力作用下,其功率器件易发生机械或电气故障。该文提出一种基于变分模态分解(VMD)小波包能量熵与支持向量机(SVM)的永磁同步风电机组变流器故障诊断方法。首先,对风电机组网侧变流器的输出电流进行变分模态分解,得到多个固有模态分量;然后,利用小波包分解提取出各模态分量的小波包能量熵作为故障特征向量,以减少故障特征的维数。最后,将约简的故障特征向量输入SVM中进行训练和故障识别。研究结果表明,所提方法可对网侧变流器的典型单一和双开路故障进行诊断,对提升永磁同步风电变流器的可靠性和安全性具有现实指导意义。     

基于概率神经网络的大机组快速响应智能诊断系统

介绍大机组快速响应智能诊断系统。该系统采用概率神经网络作为故障分类器，收敛速度为反向传播（ＢＰ）算法的２万倍，并稳定收敛于贝叶斯优化解，避免了ＢＰ网络局部最小的弱点，可以在线快速追加故障。进一步提高系统诊断能力；同时，采用智能化信号处理技术自动提取全息话获得丰富的诊断信息．极大降低对操作人员的要求，实现对大机组常见故障快速、简捷、自动的智能化诊断并减少对专家的依赖。研制出实用的“傻瓜”式智能诊断软件，已在国内多家大型石化企业装机使用。     

基于EEMD小波阈值去噪和CS-BP神经网络的风电齿轮箱故障诊断

针对风电机组齿轮箱中齿面点蚀、齿轮磨损、断齿等故障的诊断问题,提出一种基于EEMD小波阈值去噪和布谷鸟算法优化BP神经网络的故障诊断方法。采用EEMD分解和小波阈值去噪方法对故障振动信号进行数据预处理,抑制原始振动信号中的噪声干扰。利用布谷鸟算法优化BP神经网络对预处理后的信号进行诊断。小波阈值能更好地对EEMD分解中的高频分量进行去噪处理,CS-BP神经网络具有准确的模式识别精度和出色的全局寻优能力。通过实例仿真表明,提出的故障诊断方法具有良好的诊断精度、速度和成功率,具有较高的应用价值。     

基于在线油液磨粒检测的风电机组齿轮箱磨损状态监控

针对风电机组齿轮箱的早期磨损故障监测需求及降低维护成本诉求,提出基于在线油液磨粒检测的磨损状态监控技术。设计适用于风机的大孔径油管的金属磨粒检测传感器,开发适用于风电场所有风电齿轮箱磨损状况分布式测量的智能监控系统。试验及数据分析表明该技术和产品具有灵敏度高、抗干扰能力强、颗粒检出正确率高等优点,满足风电机组齿轮箱磨损监测的实际应用需求。