基于AFSA-PSO-LSSVM的风电机组齿轮箱故障诊断

针对LSSVM算法参数优化选取的问题,提出一种结合人工鱼群(AFSA)和粒子群优化(PSO)的混合智能算法,优化LSSVM的参数,利用AFSA算法进行全局寻优搜索参数初值,PSO算法局部更新最优解、加速跳出局部最优。最后通过对风电机组齿轮箱振动加速度数据进行模拟实验,建立了PSO-LSSVM、AFSA-LSSVM和AFSA-PSO-LSSVM算法模型。实验结果表明,AFSA-PSO-LSSVM相较于PSO-LSSVM和AFSA-LSSVM模型,收敛速度更快、精度更高,验证了方法的有效性。     

基于DHNN的风电机组齿轮箱故障诊断

运用具有联想记忆功能的离散Hopfield神经网络(DHNN)对风电机组齿轮箱的故障进行诊断,选用时域和频域的5个故障特征指标作为评价因子,利用MATLAB工具箱建立一个可以对风电机组齿轮箱的3种故障进行诊断的DHNN模型,并将该模型用于北方某风电场的实测数据的故障诊断,验证模型的泛化能力.仿真结果表明,DHNN的诊断结果准确率高、收敛速度快,具有很好的实用性.     

基于信息融合的风电机组齿轮箱轴承故障诊断

针对风电齿轮箱轴承故障问题,提出一种基于信息融合将BP神经网络与D-S证据理论相结合的风电轴承故障诊断方法。首先基于大数据,挖掘SCADA(supervisory control and data acquisition)系统中与风电齿轮箱轴承故障有关的振动、温度、电流、转矩和转速信号等故障特征;然后将各信号故障特征量作为神经网络输入,将神经网络的输出归一化作为证据理论基本概率分配值(BPA值),为解决各证据之间冲突问题,采用一种基于加权的方法来改进各条证据,以减小冲突;最后利用组合规则将各条改进的证据融合,得出最终诊断结果。研究基于某风场2 MW风电机组的实际运行数据,结果表明:随着融合信号维度的增加,最终诊断结果的准确率也逐步提高,融合多维信号的可靠性明显高于单一信号。     

基于无故障数据的风电机组齿轮箱可靠度预测

以1.5 MW国产风电机组齿轮箱为研究对象,基于风电齿轮箱的无故障数据,在威布尔分布场合下,应用Bayes方法和最优置信限法对其进行可靠性分析.在配分布曲线的思想下,应用Bayes方法结合加权最小二乘法建立风电齿轮箱可靠度模型;引入保守估计的经典估计方法,结合Bayes方法得出的结论,给出风电齿轮箱寿命分布函数形状参数的估计范围,将此范围应用于最优置信限法,求出风电齿轮箱可靠度在置信水平为1-α下的最优置信下限,并验证此估计范围的合理性;最后分别应用Bayes方法和最优置信限法对风电机组齿轮箱可靠度进行预测,得出此型号风电齿轮箱无故障运行9a的可靠度约为45%,运行10a的可靠度约为30%.     

风电机组振动故障的检测方法

论述了风电机组振动故障检测的重要性及常用的振动故障的检测方法;归纳比较了小波变换法、神经网络法、神经网络与模糊理论结合法及人工免疫法的性能与优缺点;分析了我国在风电机组故障检测预警系统方面的现状与发展趋势;指出目前小波变换故障诊断法在我国已趋成熟,而人工智能检测法的应用才刚刚起步.     

一种在线预测故障的方法

根据生产过程主控制变量的最大动态误差变化趋势，提出一种建立在随机过程统计规则上的预估诊断方法，并通过一个实例说明本方法的应用     

基于联合特征的风电机组故障检测

为了提高风电机组的运行可靠性,有必要对风电机组的故障信号进行实时采集并分析.在风电机组的故障检测诊断技术中,有语音信号诊断技术、振动信号诊断技术、电量参数诊断技术,振动信号诊断技术相对于其它诊断技术能更好地反映风电机组的实际工况.提出一种基于小波分析的联合特征提取方法,结合BP神经网络对风电机组的故障进行分析和诊断.以风电机组齿轮箱故障诊断为例,通过频谱分析和模式识别,发现基于联合特征的分析相对于单特征提取在一定程度上提高了诊断精度.     

提高风电齿轮箱功率密度的方法

从齿轮接触疲劳强度出发,讨论了提高风电齿轮箱功率密度的几种途径。通过功率分流等形式可大大降低设计的计算载荷;通过优质材料选取、精密热处理控制、喷丸强化等齿面改性技术可有效提高齿轮的疲劳极限应力;采用齿根过渡曲线形貌优化、轮齿修形、齿面超精加工等齿廓改形技术也可明显提高齿轮的承载能力;通过减小最小安全系数或增大齿宽也可有效地减小中心距;通过行星架等零件的结构优化和行星齿轮传动的均载技术,可进一步提高齿轮箱的功率密度。     

一种基于正弦模型的齿轮箱诊断方法

齿轮箱作为许多工业机械中核心部件,优良的故障诊断方法是保证其可靠性和稳定性的关键因素.基于正弦信号模型,结合剩余能量理论,提出一种应用于齿轮箱故障诊断的新方法.该方法通过正弦模型对齿轮箱振动信号进行修正,再结合剩余能量模型,从齿轮箱振动信号中提取出故障特征参数并对其分析.通过提取的剩余能量信号来判断出齿轮箱故障所在.最...     

一种指纹的自动识别方法

分析了几种指纹自动识别方法的优缺点，提出了一种新的识别方法，有向图集法，此法中，结点表示指纹中隆线上的分叉点，有向边表示这些分叉之间的关系，此外，还给出了与此有关的２个算法，有向图集的匹配算法及指纹图象的识别算法。     

基于时频联合特征提取的风电机组齿轮箱齿轮磨损程度识别

针对风电机组齿轮箱齿轮发生磨损故障时其声信号非平稳非线性的特点,提出一种基于小波域倒谱的时频域联合特征提取,并与支持向量机相结合的方法,对齿轮磨损程度进行识别.特征提取部分选用db3小波对原始声信号进行三层小波包分解,对每一个节点分别进行小波包重构,计算出重构信号的能量值并进行归一化;对重构信号进行倒谱变换并选取频域异常幅值对应的频率作为特征值,形成一个八维的特征向量;以波形、峰值、峭度、脉冲、裕度五个时域因子组成时频联合特征向量作为原始信号的特征输入;用支持向量机作为模式识别的工具.试验结果表明,基于时频联合特征的分析相对于单特征提取在一定程度上提高了故障识别的准确率.     

基于PCA和SPC-动态神经网络的风电机组齿轮箱油温趋势预测

针对风电机组齿轮箱油温趋势预测中存在的信号非线性、多变量相关、各相关变量之间存在数据冗余等问题,同时为了克服人工神经网络离线训练的不足,该文提出了一种基于主成分分析(principal component analysis,PCA)和动态神经网络的齿轮箱油温趋势预测模型,并结合统计过程控制(statistical process control,SPC)实现该模型在线学习能力。确定影响油温变化的相关变量集,利用PCA消除相关变量间的数据冗余,采用有外部输入的非线性自回归动态神经网络(nonlinear autoregressive with external input,NARX)对油温和相关变量集进行建模,采用考虑残差分布规律的SPC方法控制模型在线学习行为。实际应用结果表明:该方法具有较高的稳定性和准确度,能够有效实现油温趋势预测。     

风电增速齿轮箱动力学性能优化方法

建立增速齿轮箱动力学分析有限元模型,利用Lanczos法求得齿轮系统的振动模态;以齿轮副时变啮合刚度激励、齿面综合误差激励和轮齿啮合冲击激励为内部作用激励,采用直接积分法求得箱体表面节点的动态响应。选取箱体上12个主要结构参数作为动力学性能优化的设计变量,齿轮箱体积为状态变量,以齿轮箱表面振动加速度的均方根值最小为动力学性能优化的目标函数,利用零阶与一阶优化算法求得最优设计变量。结果表明:优化前后箱体均不产生共振,且满足静力学条件;优化后目标函数减小37.5%,箱体各计算点的振动响应均有较大幅度的减小,最大减小量为54%。     

基于Bagging集成策略和多元状态估计的风电机组齿轮箱状态监测

风电机组齿轮箱的故障率和维护成本相对较高,有必要对其运行状态进行实时监测。多元状态估计(multivariate state estimate technique, MSET)是一种常用的状态监测方法,但在记忆矩阵规模较大时,MSET在线计算的实时性较差。为此,提出一种基于Bagging集成策略和MSET的新方法:首先基于Bagging集成策略,对训练数据进行多次随机抽样,构造多个记忆矩阵规模较小的MSET子模型,最终将子模型的结果平均后作为集成模型的输出。以某2 MW风电机组的运行数据为算例,对集成MSET的性能进行了对比实验。结果表明:在精度相当的前提下,集成方法的计算时间仅为常规方法的60%;结合统计过程控制技术设计了预警阈值和滑动窗口异常率,并对集成MSET的故障预警能力进行验证,结果表明,集成方法能够提前约10 d预警齿轮箱的实际故障。     

一种GAF-CNN行星齿轮箱故障诊断方法

为将深度学习识别2D图像的优势应用于行星齿轮箱故障诊断,提出一种格拉姆角场-卷积神经网络行星齿轮箱故障诊断模型.利用格拉姆角场中的格拉姆角差场和格拉姆角和场两种方法,将行星齿轮箱振动信号转化为2D图像,提取图像特征并输入优化后的卷积神经网络模型,最终获得理想的识别精度.通过研究网络参数、不同网络层对故障诊断模型的影响,构建模型的最优组合.试验和对比结果表明,格拉姆角差场卷积神经网络比格拉姆角和场卷积神经网络具有更高的识别精度,在行星齿轮箱故障诊断方面的效果优于其他智能算法.     

一种在线检测与预测传感器故障的方法研究

分析了人工神经网络和模糊逻辑，并结合二者各自的优势，针对传感器故障检测的特点，提出一种对传感器故障在线检测与预测的方法。该方法采用在线学习训练网络，并给出传感器的预测信号，对传感器是否发生故障做出检测，仿真实验证明，该方法对传感器的故障能在线做出准确的检测，同时隔离故障传感器并为系统和设备提供临时的预测信号。     

基于孤立森林法风电机组数据处理方法分析

中小型风电机组中被动侧偏限速应用广泛,针对中小型风电机组数据预处理,提出一种数据处理方法采用孤立森林法对误差失真数据进行筛选剔除,使用比恩法进行数据选点,曲线拟合方法采用多项式拟合,多项式拟合系数由最小二乘法确定。选取2kW被动侧偏限速发电风电机组进行算例分析,论证该数据处理方法的有效性,后并建立 -λ之间的关系,对2kW风电机组性能进行分析得出,在13m/s以上时,机组输出功率开始下降,同时表明该机组侧偏限速机构设计合理、安全性较高。     

一种基于DSP的FFT幅度谱校正方法

在分析FFT频谱计算中两个主要误差能量泄露和栅栏效应的基础上,提出了用矩形窗和平顶窗谱窗函数联合进行幅度谱优化的方法,并在DSP开发平台上通过实例验证了算法的有效性.