基于深度循环网络的风电齿轮箱故障诊断方法研究.pdfVIP

重庆大学硕士学位论文 中文摘要 摘 要 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 I 重庆大学硕士学位论文 中文摘要 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。 关键词：风电齿轮箱，状态预警，故障诊断，长短时记忆网络，卷积门控循环网 络 II 重庆大学硕士学位论文 英文摘要 ABSTRACT Wind turb