基于多尺度卷积双向长短期记忆网络与注意力机制的滚动轴承剩余寿命预测

通过卷积神经网络(Convolutional Neural Network, CNN)处理轴承一维时域或频域信号,难以提取具有代表性的非线性特征信息,且易忽略低层次信息。针对这一问题,基于多尺度特征提取,引入一种特征注意力机制,提出一种基于卷积双向长短期记忆网络(MSAM CNN BiLSTM)的轴承剩余寿命预测方法。基于西安交通大学（Xi′an Jiao Tong University,XJTU）轴承数据集中的3组数据对MSAM CNN BiLSTM、LSTM、CNN LSTM和MSAM CNN LSTM 4种方法的预测误差进行对比分析。结果表明：MSAM CNN BiLSTM方法在3组数据集中的预测误差均小于其他3种方法,说明该模型能同时学习数据中的低层次与高层次信息,可有效提高轴承的剩余寿命预测精度。     

多重分形的海上漂浮式风力机系泊状态特性分析

漂浮式风力机因长期受风浪流作用,系泊极易发生蠕变导致腐蚀加速,增加失效概率,影响平台稳定性。为保证海上漂浮式风力机的安全运行,在系泊蠕变早期阶段实现预警,提出了基于多重分形的漂泊式风力机系泊故障诊断方法。首先,通过变分模态分解(variational mode decomposition, VMD)方法提取了系泊故障非线性信息,分析了系泊蠕变和不同位置系泊失效对漂浮式风力机稳定性的影响;其次,针对非线性信号具有多测度性特征,采用多重分形去趋势波动分析法提取故障信号特征,并判断系泊是否发生蠕变以及系泊蠕变的位置;最后,对不同位置系泊蠕变下的平台响应数据进行了对比分析。结果表明：原始信号经VMD处理,并采用分形盒维数筛选特征信号,可有效滤除噪声,提取出具有代表性的非线性特征;系泊故障信号呈多重分形特征,通过奇异指数α₀可有效判断系泊蠕变及其位置;通过多重分形去趋势波动分析法分析VMD提取的非线性特征,可根据数据复杂度判断系泊状态。研究结果能够为海上漂浮式风力机系泊的信息提取和故障判断提供理论方法。     

改进CEEMDAN算法与CNN融合的深度学习系泊故障研究

针对海上漂浮式风力机在长期的海洋环境作用下,受到风、浪、流等复杂载荷的影响,发生腐蚀、蠕变和失效等故障问题,基于深度学习理论,提出了一种改进的完全集合经验模态分解(Improved Complete Ensemble EMD,ICEEMDAN)结合卷积神经网络(Convolutional Neural Network, CNN)的故障诊断方法,用于对海上漂浮式风力机的系泊系统进行故障识别。该方法基于平台艏摇响应信号状态,计算系泊蠕变与失效阶段,并分析不同位置系泊对漂浮式风力机稳定性的影响,诊断出系泊是否产生蠕变以及系泊蠕变位置。研究结果表明：改进后的方法能够较好地识别系泊蠕变到失效过程,挖掘了纵荡、横荡、横摇及艏摇等因素对风力机稳定性的影响,其在不同信噪比下均可有效地诊断出系泊状况与不同位置的蠕变,且准确率最高可达99.83%。