基于深度学习与SPRT的风电机组齿轮箱轴承状态监测

发布时间：2021-07-04 17:57

　　为提高故障发生率较高的齿轮箱高速轴轴承状态监测效率和准确性,提出了一种基于深度学习模型的状态监测方法。首先采用ReliefF方法初选建模变量,并通过降噪自编码网络对这些变量进行降维处理,使用长短期记忆网络对降维简化后的高速轴轴承温度与其影响变量之间的非线性关系进行建模,然后在监测阶段引入序贯概率比检验方法,捕捉模型预测轴承温度残差的异常变化,及时发出机组运行异常报警,最后以华东地区2台1.5 MW实验机组为例对模型进行验证。结果表明:采用本文方法能够及时准确地发现齿轮箱异常导致的高速轴轴承温度超温,为风电机组齿轮箱状态监测和故障预警提供参考。 

【文章来源】：动力工程学报. 2020,40(11)北大核心CSCD

【文章页数】：8 页

【部分图文】：

参数权值

ReliefF算法可以有效确定与齿轮箱高速轴轴承温度密切相关的变量(见表1),但该算法的局限在于无法去除冗余变量。如功率与发电机三相定子电流之间因为物理关系具有很高的相关性,功率增大,定子电流也相应增大,若将这几个参数一起选为建模变量,会增加变量的冗余性和模型复杂度,模型训练时间长,且存在过拟合风险。降噪自编码网络的编码过程在保留模型输入重要特征的基础上,去除冗余变量和特征,有效降低模型特征的维数,其结构图见图2。降噪自编码(Denoising Autoencoder,DAE)通过对输入数据添加随机噪声的方式对数据进行破坏,在训练过程中学习消除噪声干扰能力,获取更为稳健的特征表达,重构未污染的输入信息。假设数据个数为m,参量个数为n,隐藏层个数为d,则输入样本数据x∈Rm×n,对x进行随机加噪处理得到 x ? ,再经过编码器函数编码式得到隐藏层特征向量h:

齿轮箱高速轴轴承温度变化具有一定的惯性,并且齿轮箱高速轴轴承温度模型的历史时刻输入对模型的当前时刻输出也有较大影响。而LSTM网络作为一种动态反馈网络(见图3),能够将模型的历史时刻信息反馈至模型输入,使模型能够很好地反映温度变化的较大惯性,非常适合齿轮箱高速轴轴承温度建模。LSTM有3个结构相同的门控制器:输入门、输出门和遗忘门,主要由激活函数sigmoid函数和点积操作组成。由于sigmoid函数的取值范围是(0,1),则LSTM通过门控制器选择状态信息,决定信息能否通过。

【参考文献】：
期刊论文
[1]基于SCADA系统的风电机组主轴承故障预警方法[J]. 向健平,凌永志,詹俊,李鹏辉.  电力科学与技术学报. 2019(03)
[2]基于核极限学习机的风电机组齿轮箱故障预警研究[J]. 刘帅,刘长良,曾华清.  中国测试. 2019(02)
[3]风电机组齿轮箱高速轴端轴承热-应力耦合故障分析[J]. 谭博文,邱颖宁,李丹,冯延晖.  动力工程学报. 2017(02)
[4]基于支持向量机的风电机组主轴轴承故障诊断[J]. 黄元维.  仪器仪表用户. 2016(11)
[5]风电机组传动系统网络化状态监测与故障诊断系统设计[J]. 马婧华,汤宝平,韩延.  重庆大学学报. 2015(01)
[6]风电机组齿轮箱温度趋势状态监测及分析方法[J]. 郭鹏,David Infield,杨锡运.  中国电机工程学报. 2011(32)



本文编号：3265264