论文部分内容阅读
随着风力发电机组容量的不断提升和机组复杂性程度的不断增大,故障率高、可靠性低和高昂的生产运维成本等一系列问题已经严重影响到了风电企业的生存空间。为实现风电机组的稳步快速发展,降本增效,风电机组的状态监测与故障诊断技术已成为解决这些问题的关键技术手段。本文从齿轮箱传动系实验平台的原始振动故障数据和风电场数据采集与监视控制（Supervisory Control and Data Acquisition,SCADA）系统的齿轮箱实测数据出发,针对目前风电齿轮箱故障特征信号提取困难和传统故障诊断方法中的不足,结合人工智能领域的前沿理论——极限学习机（Extreme Learning Machine,ELM）及其变体核极限学习机（Kernel Extreme Learning Machine,KELM）、深度学习（Deep Learning,DP）、多传感器信息融合技术以及Pearson相关技术等挖掘隐藏于设备的深层次故障特征信息,实现风电齿轮箱的状态监测和故障诊断研究,主要完成的工作如下:1)针对风电场业主对机组故障数据的保密性和齿轮箱不同故障模式难以全部获取的问题,搭建风电齿轮箱传动系动力学实验平台并采集原始振动故障数据。针对原始振动数据信息量庞大和故障特征微弱的问题,采用时域分析法处理原始振动信号,有效地提高了信号信噪比和降低了信号信息维度;针对单一传感器不具备获取所有目标信息能力的问题,基于并行叠加方式采用决策层和特征层融合的多传感器信息融合技术获取目标信息,达到提高数据有效性的目的。在此基础上,创新性的建立基于时域分析的多传感器风电齿轮箱信息融合特征提取模型,实例应用和算法仿真验证了该模型的有效性和优越性。2)针对风电机组故障数据噪声污染大、复杂度高和数据量信息大的问题,结合时域分析的多传感器信息融合模型,提出了基于粒子群优化算法（Particle Swarm Optimization,PSO）改进ELM的风电齿轮箱故障诊断新方法。该方法首先利用时域分析的多传感器信息融合模型提取故障特征成分,降低了数据信息维度和故障诊断时间;然后,利用PSO改进ELM的寻优过程,解决由于初始参数隐层偏差和输入权重的随机设置对ELM模型稳定性所造成的影响;进而,以时域特征指标值作为模型输入参数,以故障类别作为模型输出参数,建立基于PSO-ELM的故障分类识别新模型,实现机组齿轮箱的状态监测评估。对本文所提的PSO-ELM方法以及蝗虫优化算法（Grasshopper Optimization Algorithm,GOA）、人工鱼群算法（Artificial Fish Swarm Algorithm,AFSA）改进ELM的方法进行对比分析,实例应用与算法仿真验证了本文所提出的PSO-ELM故障诊断新方法的优越性和有效性。3)为进一步提高风电机组故障诊断率,更好地满足工程实际需要,本文利用ELM的变体KELM进行风电齿轮箱的状态监测与故障诊断研究。结合时域分析的多传感器信息融合模型,提出了基于云模型—蝙蝠算法（Cloud Bat Algorithm,CBA）改进KELM的风电齿轮箱故障诊断新方法。相比于ELM,KELM以核映射代替随机映射,以核矩阵?ELM代替H矩阵,提高了ELM模型的泛化能力和稳定性能。但核函数的存在将导致KELM模型对参数?和C的设置非常敏感,为解决该问题,本文结合CBA方法对KELM模型的关键参数?和C进行寻优求解,建立了基于CBA-KELM的故障分类识别新模型,实现了风电齿轮箱的故障诊断研究。对本文所提的CBA-KELM方法和灰狼算法（Grey Wolf Optimization,GWO）改进KELM的方法进行对比分析,实例应用和算法仿真验证了本文所提出的CBA-KELM故障诊断新方法的优越性和实用性。4)为降低高昂的设备部署成本,进一步对风电机组齿轮箱进行状态监测和故障诊断研究,本文利用风电机组SCADA系统的齿轮箱实测数据,结合Pearson相关系数、领域专家知识和指数加权平均阈值法,提出了基于鲸鱼优化算法（Whale Optimization Algorithm,WOA）的深度置信网络（Deep Belief Networks,DBN）风电机组齿轮箱故障诊断新方法。针对不同样本数据会对模型诊断精度造成较大影响的问题,结合Pearson相关系数和领域专家知识选择故障诊断模型的输入条件参数,改善人为选择条件参数经验的不足;针对初始参数值的选取将造成DBN模型波动性较大的问题,采用鲸鱼优化算法对深度置信网络的初始参数进行寻优计算,建立了基于WOA-DBN的风电齿轮箱故障诊断新模型,并以重构误差为依据利用指数加权平均阈值法实现机组齿轮箱的故障监测和异常状态判别。实例验证和算法仿真结果表明了该方法的优越性和有效性,仅以现场一次齿轮箱的状态监测与故障诊断研究为例产生的经济效益就高达80万元左右。