论文部分内容阅读
为了缓解工业化带来的环境污染问题,大力发展风电成为了一个重要选择。近年来,我国风电装机容量连年递增,目前已经成为我国的第三大主力电源。然而恶劣的气候条件和复杂运行工况导致风电机组故障频发,给风电机组的稳定安全运行带来了巨大挑战,其中传动系统的故障往往需要较长的停机处理,严重影响经济效益,滚动轴承是风电传动系统的重要组成部分,也是主要故障源之一,开展风电机组的滚动轴承运行状态监测及故障诊断研究具有重要现实意义。近年来,随着传感监测技术、数据存取技术以及大数据分析技术的快速发展,轴承故障诊断领域也得到相应的发展和完善,传统的信号处理方法有了进一步发展,机器学习和深度学习方法越来越多地应用到故障诊断领域。提高故障诊断准确率的同时减少对先验知识和专家知识的依赖成为了当今从事故障诊断行业的普遍诉求。此外,以往难以解决的诸多复杂问题也得到进一步的关注,如小样本情况和变工况下的滚动轴承故障诊断成为了目前研究的热点问题。基于此,本文提出了基于卷积神经网络的风电滚动轴承故障诊断方法,主要内容如下:（1）介绍了风电传动系统模拟试验台及振动和声发射信号采集系统,给出了在故障诊断领域常需要提取的一些时域、频域和时频域特征。（2）针对深度学习对提取的大量特征缺乏选择性问题,提出了基于一维卷积神经网络（One-Dimensional Convolution Neural Network,1D-CNN）和卷积块注意力模块（Convolutional Block Attention Module,CBAM）的滚动轴承故障识别方法。首先利用1D-CNN提取输入信号多角度多层次的特征,然后通过CBAM增加重要特征的权重以发挥更大的作用,最后用池化层代替全连接层。使模型对特征具有选择性,提高了在强噪声情况下的诊断准确率,加快了训练速度。（3）针对样本量不足,难以满足深度学习模型的训练要求而容易造成过拟合的问题,提出了一种基于变分模态分解（Variational Mode Decomposition,VMD）和多尺度卷积神经网络（Multi-scale convolutional neural network,MSCNN）的变工况下滚动轴承故障诊断方法。首先利用VMD将原始信号分解,然后利用能量算子对多个分解信号进行包络解调并通过角域重采样和傅里叶变换得到包络阶次谱,最后输入到MSCNN中进行滚动轴承故障诊断。实验结果表明,该方法识别精度高,在小样本情况和变工况下具有良好的识别性能。（4）为了降低变工况下的故障诊断对专家知识的依赖,提出了一种基于卷积自编码（Convolutional Auto-encoders,CAE）和CNN的滚动轴承的故障诊断方法。首先以某一工况下的数据作为源域,以其他工况下的数据作为目标域,利用CAE实现特征提取以及源域与目标域的邻域自适应,然后将得到的特征向量输入到卷积神经网络中进行滚动轴承故障诊断。对比实验表明,该方法在变工况下具有良好的诊断效果,能够实现端到端的滚动轴承故障诊断。