论文部分内容阅读
风电机组长期在变风载、大温差等恶劣、变化的工况下工作,在交变载荷的作用下容易出现故障,导致机组停机,极大影响了其使用寿命。齿轮箱作为风电机组传动链的重要部件,虽然其故障率相对较低,但导致的停机时间长、维修费用高,因此风电齿轮箱的故障诊断是一个重要的研究课题。传统的风电运维模式是先根据数据采集与监测系统(Supervisory Control and Data Acquisition,SCADA)的故障预警信息初步判断风电齿轮箱的运行状态,再结合状态监测系统(Condition Monitoring System,CMS)的振动数据,进行风电齿轮箱的故障定位与诊断。SCADA系统往往采用单一监测参数或结合传统机器学习方法融合SCADA多个监测量建立正常行为模型进行风电齿轮箱状态预警,然而容易出现误判、运算精度不高等问题,无法有效实现风电齿轮箱的状态预警。结合CMS振动信号进行风电齿轮箱故障诊断,通常采用信号处理方法或传统机器学习方法,但需要依赖人工干预、无法建立复杂深层的非线性模型,容易引起风电齿轮箱故障的错判和漏判。深度学习是一种能通过逐层训练过程构建深层次模型的方法,可以从高维数据中自动地学习出判别性的特征以替代传统的统计特征,基于深度学习的风电齿轮箱状态预警与故障诊断方法在近年来开始得到研究。针对SCADA数据与CMS数据均为时序数据的情况,本文采用具有时序数据挖掘能力的深度循环网络构建模型,开展风电齿轮箱的故障诊断。首先,针对不具有时间记忆能力的深度学习算法因不能充分挖掘SCADA数据的时序信息,导致风电齿轮箱状态预测精度不高的问题,提出一种长短时记忆网络(Long Short-Term Memory,LSTM)融合SCADA数据的风电齿轮箱状态预警方法。采用灰色关联度选择与模型状态监测量关联密切的SCADA参数作为模型输入量,以提高模型计算效率与精度;计算模型预测值与实测值的残差,得到用于状态评估的监测量;基于三西格玛准则计算出上下阈值,以更准确地判断残差变化,识别风电齿轮箱异常运行状况;通过风场实测的SCADA数据验证了方法的有效性。其次,针对现有故障诊断方法未考虑CMS数据时序信息的问题,提出一种卷积门控循环网络(Convolutional Gated Recurrent Unit)的故障诊断方法。采用一维卷积神经网络(Convolution Neural Network,CNN)在不破坏数据时序相关性的情况下,初步提取CMS原始时域的特征;将提取的特征输入门控循环网络(Gated Recurrent Unit,GRU)以挖掘CMS数据的深层时间信息;将左侧软饱和的ELU作为一维卷积神经网络的激活函数,以解决采用ReLU激活函数使得网络部分参数无法更新的情况;通过风场实测的CMS数据验证了提出方法的有效性。最后,针对风电齿轮箱故障诊断的实际需求,开发了基于LSTM模型的状态预警模块,可以实现SCADA参数查看与风电齿轮箱的状态预警;开发了基于CNN+GRU模型的故障诊断模块,可以实现CMS数据时域波形显示与风电齿轮箱的故障诊断;通过风场实测数据验证了风电齿轮箱的故障诊断模块的有效性。