基于深度自编码网络模型的风电机组齿轮箱故障检测

Posted 电工技术学报

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了基于深度自编码网络模型的风电机组齿轮箱故障检测相关的知识,希望对你有一定的参考价值。

基于深度自编码网络模型的风电机组齿轮箱故障检测

2017第四届轨道交通供电系统技术大会

基于深度自编码网络模型的风电机组齿轮箱故障检测
文章正文开始

华北电力大学电气与电子工程学院、中国科学院大学物理科学学院、国网冀北电力有限公司电力科学研究院的研究人员刘辉海、赵星宇、赵洪山等,在2017年第17期《电工技术学报》上撰文,为了实现风机齿轮箱的故障检测分析,提出一种基于风电机组齿轮箱的数据采集与监视控制(SCADA)数据和振动信号的深度自编码网络模型。

 

该模型作为一种典型的深度学习方法,通过逐层智能学习初始样本特征,可以获取数据蕴含的规则与分布特征形成更加抽象的高层表示。首先,利用限制性玻尔兹曼机对网络参数进行预训练和反向传播算法对参数进行调优,建立深度自编码网络模型。然后,通过对齿轮箱的状态变量进行编码和解码,计算重构误差并将其作为齿轮箱的状态检测量。

 

为了有效检测重构误差的趋势变化,选用自适应阈值作为风机齿轮箱故障检测的决策准则。最后,利用对齿轮箱故障前、后记录的数据进行仿真分析,结果验证了深度自编码网络学习方法对齿轮箱故障检测的有效性。

 

风电做为一种清洁、高效的新型能源,随着其装机容量的持续增长,风机的故障问题也变得更加突出。齿轮箱做为风电机组的关键部件,由于承受复杂的载荷及其特殊的工作环境,造成风电机组停机时间最长。因此,利用数据采集与监视控制(Supervisory Control and Data AcquisitionSCADA)数据或状态监测信息分析研究齿轮箱故障检测,能够有效降低齿轮箱的维修成本,提高经济效益。

 

通常风电机组齿轮箱处于早期故障阶段时,由于故障产生的冲击成分比较微弱,并且受到环境噪声的干扰,使得齿轮箱早期故障特征难以提取。目前故障检测方法一般分为基于数据的研究方法和基于模型的分析方法。基于模型的分析方法通常是建立部件的物理模型,根据模型参数的变化实现故障的检测。

 

文献[4]通过构建齿轮箱模型,分析其故障物理机制,从而提取不同故障状况下的故障特征。基于数据的分析方法又可以分为基于状态监测数据和基于SCADA运行数据两种方法。齿轮箱状态监测信息一般用于监测设备的健康状况(如振动信号和油分析),利用状态监测信息可以实现对故障特征准确提取。

 

文献[5]运用多尺度线性调频小波分解法研究了齿轮箱变工况条件下的振动信号,实现了故障诊断。为了分析振动信号的频域特征,文献[6]将非平稳的时域信号转换为平稳或准平稳的频域信号,并采用K邻近度异常检测方法,提取了齿轮箱的故障信息。

 

文献[7, 8]运用EMD方法分解齿轮箱振动信号,然后对其模态函数建模分析,从而判断出齿轮箱轴承的性能退化程度。文献[9]利用小波包分析提取信号特征向量,从而提高信号的分辨效果,然后对特征向量进行降维处理,实现对故障诊断时间的提高,但该方法易受强噪声的影响。

 

文献[1011]通过对齿轮箱油液采样分析,根据油液粒子成分对比反映齿轮箱的故障。SCADA信息一般指的是设备的运行数据,可利用这些数据的趋势变化来实现故障检测。

 

文献[12, 13]针对齿轮箱油温和轴承温度的实际值与估计值,运用统计过程控制法分析温度的残差趋势,实现了齿轮箱异常状态的检测。文献[14, 15]通过采用内存批处理技术和Storm实时流数据处理方法构建风电机组在线预警和故障诊断模型,能够实现对齿轮箱故障的判定。风机在运行过程中产生的SCADA数据蕴含着特定的规则与结构,这使得数据挖掘方法在齿轮箱的故障研究中得到应用。

 

文献[16]分析了风机SCADA数据变量间的相关性,从而实现对风机不同运行状况下的健康状态的定量评估。风电机组SCADA数据与状态监测数据具有变量多、数据量大、类型复杂的特点。深度学习方法能够深层学习数据内在的结构特征,并将学习到的特征信息融入模型的建立过程中,从而减少了人为设计特征的不充分性和传统特征提取所带来的复杂性。深度学习算法与传统故障诊断方法相比,克服了传统方法对诊断经验的依赖性和大数据下模型诊断能力与泛化能力的不足。

 

本文基于风电机组SCADA数据和振动信号,提出深度自编码网络(Deep AutoencoderDA)模型,对齿轮箱的状态进行整体分析,深度学习数据规则,挖掘其蕴含的分布式特征,从而提取齿轮箱状态检测量,实现故障检测。

 

DA网络模型的分析过程包括:首先采集正常状态下风机齿轮箱的SCADA数据和振动数据创建训练数据集;基于训练数据集建立DA模型,然后运用建立的DA模型计算风机齿轮箱的重构误差Re序列;根据将要发生故障的齿轮箱的Re的趋势会发生变化,运用自适应阈值法检测Re的趋势,在风电机组齿轮箱发生故障但未失效之前,检测出即将发生的故障,实现齿轮箱的故障预测。

 

1  DA模型的逐层学习过程

 

结论

 

针对齿轮箱故障检测方法的研究,本文提出了基于风电机组齿轮箱SCADA数据与振动信号相结合的齿轮箱DA网络模型故障检测方法,实现了齿轮箱的故障检测。通过运用正常状态下齿轮箱的状态数据建立DA模型,使其深度学习齿轮箱运行数据的内在特征。

 

选取重构误差Re做为齿轮箱故障检测变量,并引入Re的自适应阈值做为齿轮箱故障预警的决策准则,仿真结果验证了该方法能够基于SCADA数据与振动信号对齿轮箱故障实现有效检测。


进一步阅读,请点击左下角“阅读原文”,访问期刊官方网站,可下载全文PDF版。


免费赠阅《电气技术》样刊


扫描右侧二维码,访问H5索刊页面,准确填写登记表,您将免费获赠一次样刊,刊期随机。如果您已经在我刊各个微信公众号留言索取过样刊,请勿重复填写。



以上是关于基于深度自编码网络模型的风电机组齿轮箱故障检测的主要内容,如果未能解决你的问题,请参考以下文章

基于Simulink的风电机组变桨距控制系统仿真研究

预测模型基于 bp神经网络风电功率预测matlab源码

【目标检测】 论文推荐——基于深度神经网络的目标检测

《神经网络与深度学习》 常用模型之自编码器

风电功率预测基于matlab麻雀算法优化BP神经网络风电功率预测含Matlab源码 1319期

精彩论文基于神经网络模型及预测控制DMC的火电机组脱硝控制策略