关键词:
风机齿轮箱
故障识别
注意力机制
迁移学习
残差网络
摘要:
风力能源,作为一种清洁的可再生能源,在实现我国碳中和目标进程中扮演着至关重要的角色。随着风力发电行业的蓬勃发展,如何促进其健康、可持续的增长已逐渐成为研究和政策制定的重点。目前国内风力发电场的运维服务主要依赖于传统的巡检和事后维修策略,因此推动风电场向智能化运维转型已经成为业界共识。
在风力发电机组的传动系统中,齿轮箱作为核心组成部分,如果发生故障,维修成本和停机造成的损失大,凸显了实施齿轮箱健康状态监测的必要性。齿轮箱在运行过程中产生的振动信号,是识别其健康状态的关键,因此,通过分析振动信号,可以构建故障识别模型,实现故障的早期预警。然而,传统的齿轮箱故障识别方法需要大量依赖人工选择,面对数据呈指数级上升时,难以保持高识别率;其次在不同的工况负载下,构建的故障识别模型泛化能力较弱;在噪声的干扰情况下故障识别模型准确率快速降低。
针对上述问题,本文以风力发电机组齿轮箱为研究对象,探讨基于深度学习故障识别方法。通过深入分析不同故障类型的时频特征,并以信号的原始数据为基础,试图实现对不同工况下故障类型的准确识别。本文的意义不仅在于提高风电场运维的效率和降低成本,更在于确保风力发电机组的安全稳定运行,减少经济损失及人员伤亡风险,对促进风电行业的健康发展具有重要的现实意义和广泛的应用前景。具体研究内容如下:
1、详细介绍所采用的风力发电机组齿轮箱数据集,并对齿轮箱中常见故障的形成机制进行深入分析;通过时域和频域特征处理的方法,对不同故障的时频特征进行数值分析;进一步,探讨数据处理的常用方法,并详细阐述深度学习理论,特别是卷积神经网络和长短时记忆网络的关键特性。
2、构建基于混合神经网络的故障识别模型,并探讨其在风力发电机组齿轮箱故障识别中的应用;通过将注意力机制集成到模型中,强化模型对局部特征的捕捉能力以优化监测模型,实现在保持识别精度的同时压缩模型规模,加速训练过程便于模型部署;此外利用迁移学习理论验证在变工况条件下模型的泛化性。
3、通过引入残差网络并对其内部结构进行改进,结合改良的双向门控循环单元,提出一种新的基于残差网络的风力发电机组齿轮箱故障识别模型;通过向原始数据中添加不同信噪比的高斯白噪声模拟真实工况,在噪声干扰情况下验证模型的抗干扰能力;最后,以美国凯斯西储大学公开的轴承数据集为研究对象,通过所提出的模型进行故障识别,进一步验证本文提出的模型。