关键词：
风电齿轮箱
深度学习
故障诊断
开集故障诊断
开集领域适应
摘要：
风电发展日益迅速,已形成较大规模的风机装机总量。风电机组运行在变载荷、大温差等极端环境中,导致风电机组容易发生故障。风电齿轮箱作为风机的关键传动部件,虽然发生故障概率不高,但其维修困难,造成的停机时间最长,经济损失最大。因此,及时精准识别风电齿轮箱故障,并进行预防性维护,对保障风机安全稳定运行,降低运维成本具有重要意义。深度学习故障诊断方法是风电齿轮箱故障诊断的常用方法。然而,由于部分风场缺乏长期故障收集、不同故障发生频率差异大等原因,有标签样本稀缺,难以形成完备故障库,导致未知故障的存在,传统深度学习模型无法对未知故障进行识别,容易造成误诊断。开集故障诊断方法通过构建未知故障判别指标,并增强已知故障的类内聚集性,提高模型对未知故障的识别效果。然而,现有的开集故障诊断方法没有对聚类中心进行约束,学习得到的类中心随机性较大,模型对未知故障诊断的鲁棒性差。此外,不同应用场景条件下,数据分布存在差异,目标域存在未知故障,源域训练的模型难以直接应用到目标域,导致诊断精度降低。针对上述问题,本文开展了开集条件下深度聚类网络的风电齿轮箱故障诊断方法研究,主要研究内容如下:(1)针对现有的开集故障诊断方法未考虑类中心位置,学习到的类中心随机性大,导致模型对未知故障诊断鲁棒性差的问题,提出了一种类中心固定聚类损失的风电齿轮箱故障诊断方法。首先,通过类中心固定聚类损失增强已知故障特征的类内聚集性和类间区分性,并将类中心固定为相互远离的点,保证已知故障特征分布在特征空间边缘,降低未知故障与已知故障重合的可能;然后,同时考虑样本特征在空间和角度方向上的分布,结合欧氏距离和余弦距离作为未知故障判别指标;最后,通过极值理论,对已知故障的特征分布进行拟合,从而获得未知故障判别阈值,实现开集条件下风电齿轮箱故障诊断。(2)针对领域适应任务中目标域存在未知故障,导致模型诊断精度降低的问题,提出了一种聚类损失和加权子域对齐的风电齿轮箱故障诊断方法。首先,采用中心聚类损失和集成分类器对分类网络进行预训练,增强源域已知故障的类内聚集性;其次,通过加权领域适应模块降低目标域未知故障样本的权重;然后,通过子域对齐模块,将权重较大的目标域样本作为已知故障与源域对应故障类别进行分布对齐,提高领域适应效果;最后,将目标域样本的权重作为未知故障判别指标,实现风电齿轮箱开集领域适应故障诊断。(3)进行了风电齿轮箱故障诊断系统集成开发。首先,将论文所提出的风电齿轮箱故障诊断算法部署到课题组研发的大型旋转机组健康管理系统软件;然后,依据数据仓库建模理论,开展风电齿轮箱振动数据数据仓库的设计与开发,通过规范化的数据接口与系统平台进行数据交互,将系统平台海量数据存储与部分计算功能解耦至大数据集群;最后,对风电齿轮箱故障诊断关键信息进行可视化设计与开发,实现了风电齿轮箱故障诊断系统。最后,对本文的研究内容、工程应用以及存在的局限性进行了总结,并展望后续工作。
欢迎来到三峡大学图书馆！
