关键词： 卷积神经网络   优化算法   小样本   梯度加权   双重注意力  

摘要： 面对现代机械系统的高度复杂性和集成性的特点,诊断轴承故障需引入更高维特征数据。为解决特征维度低的问题,本文利用二维卷积特做以下研究。首先,对Adam算法进行了改进,又对卷积结构和输入维度进行了改进。以准确率和速率为指标,利用迁移学习初步挑选Le Net-5模型进行实验测试。提出新的动态调整学习率方式,引入指数衰减公式作为新的学习率衰减方式,实现齿轮箱轴承故障诊断模型快速收敛。经验证,此方法有效性高。引入残差块思想构建卷积模块并对比分析,经轴承实验验证,提出的外部并联模块能有效减少参数。为方便学科进行快速交叉,以图像作为新的信息载体,利用二维卷积代替一维卷积,实验结果表明该方法准确度高、损失值小。其次,针对齿轮箱轴承样本数据少的问题,提出了一种“三加一”模式的数据扩增方法。充分利用了解决数据不平衡的上采样和定义损失函数的两种方法,将无重叠重采样与图像增强结合,再利用smote方法对数据做进一步加强,微调损失函数。实验结果显示,本方法能很好地弥补不平衡数据的缺陷。针对卷积神经网络缺乏可解释性的问题,利用梯度对卷积神经网络的学习结果进行可视化分析。梯度加权类激活图结果与理论分析完全吻合,验证了学习位置的有效性。对特征利用无监督学习与有监督学习进行双向证明,证明了提取特征的正确性。最后,提出4DCEK方法,针对齿轮箱轴承故障诊断的泛化性做进一步加强,同时进一步规避小样本数据影响,在改进通道注意力基础之上,提出双重注意力机制。多组卷积网络提取出不同尺度的特征数据,再融合能量峭度传统指标以改善泛化性,利用双重注意力机制自动筛选特征,自动关注高质量特征数据。实验结果显示,本方法具有很强的泛化性能。针对套用同一轴承故障诊断模型解决不同工程问题引起诊断异常的问题,本文对诊断齿轮箱轴承故障的网络结构做了基础研究。实验结果显示,提出的方法具有一定的工程指导意义。

关键词： 非正交面齿轮   非对称齿轮   齿面修形   接触特性分析   啮合刚度  

摘要： 面齿轮传动作为一种新型的齿轮传动系统,相比于传统的锥齿轮传动,具有大传动比、承载能力强、能够分配扭矩以及对轴向安装误差不敏感等优点,正逐渐成为航空领域较先进的传动形式。由于齿形对齿轮传动性能起着决定性影响,而现行面齿轮设计技术大都选择对称齿廓形式,为了提高面齿轮的承载能力,增大有效齿宽,本文研究了一种任意轴交角传动且齿廓双侧压力角不等的非正交非对称面齿轮副。作为创新齿形设计,本文基于啮合原理、微分几何学、接触力学和弹性力学等理论,探索了非正交非对称面齿轮的结构特点、齿面修形、接触特性和啮合刚度,并通过有限元法加以验证。论文开展的工作如下: (1)推导非对称插齿刀的两侧渐开线齿廓方程和啮合方程,建立非正交非对称面齿轮的插齿加工坐标系,并借助数据可视化软件对非正交非对称面齿轮的驱动侧齿面和从动侧齿面进行离散求解,建立完整齿面的数学模型,分析轴交角、压力角和变位系数对齿宽的影响。 (2)基于蜗杆砂轮的磨削加工原理,设计抛物线型非对称齿条刀具,构建非对称金刚滚轮、非对称蜗杆砂轮的数学模型,经过多组共轭运动,推导出具有抛物线修形齿廓的非正交非对称面齿轮的齿面方程,并分析了不同修形参数对齿面形貌的影响。 (3)考虑装配过程中存在的安装误差,包括轴交角误差、偏置误差以及面齿轮的轴向位移误差,对非正交非对称面齿轮进行齿面接触分析(TCA)和齿面承载接触分析(LTCA),研究压力角、轴交角、抛物线参数对面齿轮接触特性的影响,使用有限元法计算不同压力角组合的面齿轮齿面接触应力和齿根弯曲应力。 (4)基于网格划分技术将非正交非对称面齿轮和非对称小轮划分为八节六面体网格模型,在有限元软件中设置载荷和边界条件,计算出传动系统的法向接触力、传动误差和相对位移,分析非正交非对称面齿轮在不同载荷和安装误差下啮合刚度幅值及均值的变化。

关键词： 齿轮箱故障预警   自注意力机制   图卷积神经网络   时空特征融合   故障树分析  

摘要： 增速齿轮箱是双馈异步风力发电机组最重要的系统之一,一旦发生故障,会导致机组发电效率下降、动力传输中断甚至系统停机,造成巨大经济损失。现运行的机组虽然基本都装备了 SCADA系统,能够为某些故障提供报警,但其报警时效性不强,发出报警时一般故障已经很严重。为了能够及时发现齿轮箱系统故障,有必要对其开展智能化的故障预警技术研究。现阶段基于SCADA数据的齿轮箱故障诊断方法主要围绕齿轮箱油池温度开展单一变量的预测,缺少对整个齿轮箱系统整体的描述,本文旨在建立齿轮箱系统整体的图结构,用图描述齿轮箱系统内各测点之间的能量、物质和信息的流动关系,实现多部件耦合下参数的合理预测。本文主要工作如下:(1)建立齿轮箱系统故障树。分析了风电机组尤其是齿轮箱冷却润滑系统的运行控制方法,结合现场实际数据讨论了齿轮箱系统的典型故障以及典型故障下的故障表征,运用故障树分析法建立了齿轮箱系统故障树,为后续模型故障识别和定位提供依据。(2)完善数据预处理和指标计算流程。探讨了不同风速下的理论风速-功率曲线特点,根据此规律筛除坏点数据,使用了四分位法筛除弃风限电数据。还定义了基于故障表征的部件状态指标。(3)基于自注意力机制的风电齿轮箱系统故障预警。将数据滑窗处理构造每个时刻下的短时序列样本,用自注意力机制去学习短时序列样本中的时间信息,聚合工况参数一齐预测目标测点下一时刻的值,分别对所有关键参数构建模型,将多个关键参数的预测结果与测量值对比计算两者欧式距离,得出部件的健康状态,实现故障预警。(4)基于图卷积的风电齿轮箱系统故障预警。考虑到齿轮箱系统内各测点的复杂耦合,提出用图抽象测点之间的信息传递关系,分别通过齿轮箱物理结构和数据驱动的参数重要度计算完善图结构,并结合图卷积神经网络提取工况和相关测点的空间位置信息,优化测点预测效果。(5)时空特征融合的风电齿轮箱系统故障预警。提出时空特征融合的故障预警模型框架,分别使用时间自注意力和图卷积聚合时间信息和空间位置信息,优化了多部件耦合下正常运行阶段和故障运行阶段的参数预测效果。

关键词： 深度学习   故障诊断   异常检测   风力发电机   齿轮箱  

摘要： 作为一种关键的可再生能源设备，风力发电机经常工作在环境恶劣的场所。而齿轮箱作为风力发电机的关键部位，经常出现故障。严重时造成较大的经济损失，甚至停机。为此，本文以风力发电机齿轮箱为研究对象，提出了不同的深度学习模型，用于解决不同状态下齿轮箱的故障诊断问题。　　首先提出了一种稀疏隔离编码林（SIEF），用于解决风力发电机齿轮箱的异常检测和新类故障识别问题。在所提出的SIEF方法中，首先只用正常状态下采集的数据训练一个稀疏自编码器（SAE），以获得一个优化和鲁棒的权值结构。新获得的与故障或健康状态对应的数据被发送到该编码器，通过编码到其低维空间进行特征提取。将低维空间中的所有数据输入孤立森林（IF）进行异常检测和新类故障识别。在所提出的SIEF方法中，只需要正常数据来训练模型，就可以进行故障检测和进一步的新类故障识别。　　其次，考虑到残差网络不能有效提取风力发电机齿轮箱的复杂故障信息，提出了基于一维卷积神经网络、残差网络和注意力机制（有效通道注意残差学习）相结合的模型，用于处理齿轮箱原始时间序列信息的故障诊断和分类问题。　　最后，为了有效处理风力发电机齿轮箱在不平衡数据下的故障诊断问题，采用了小波包变换进行特征提取，提出了改进的生成对抗网络模型用于故障数据的生成，并使用随机森林对特征进行分类。　　结合实际应用，所提出的深度学习模型都在真实的风力发电机齿轮箱上采集的数据进行了实验测试。结果表明，所提出的基于深度学习的模型能够有效识别数据中的异常信息和进行故障诊断。

关键词： 两级星型齿轮传动系统   齿廓修形   模型修正   多目标优化   试验验证  

摘要： 空气涡轮起动机的技术发展朝着高效率、尺寸小、噪声小、重量轻等方向发展,而作为空气涡轮起动机前置部分,两级星型齿轮传动系统起到的作用极为显著。在工程上,两级星型齿轮传动系统的振动与噪声关乎整个空气涡轮起动机的动力系统的综合性能。因此,为减小空气涡轮起动机两级星型齿轮传动系统的振动与噪声,本文针对两级星型齿轮传动系统齿廓修形方法展开了研究,主要研究工作如下: 在两级星型齿轮传动系统动力学建模方法研究中,形成了准静态传动误差计算方法,开展了内外齿轮副线外啮合冲击位置与冲击速度的研究,推导了内外齿轮副考虑冲击衰减的冲击动能计算方法,研究了单级齿轮副动力学建模方法,建立了两级星型齿轮传动系统动力学模型。 在两级星型齿轮传动系统动力学模型修正方法研究及响应分析中,基于模态试验理论与方法,设计并研制了动力学主要基本参数识别试验件,开展了动力学主要参数识别试验,形成了两级星型齿轮传动系统修正动力学模态分析方法,求解了系统的理论固有频率与固有振型,开展了两级星型齿轮传动系统模型修正研究,基于修正动力学模型,建立了两级星型齿轮传动系统仿真模型,求解了两级星型齿轮传动系统准静态传动误差、各支路内外齿轮副动态啮合力与振动响应。 在两级星型齿轮传动系统齿廓修形方法研究中,定量描述了齿廓修形参数,研究了齿廓修形准静态传动误差计算方法,形成了两级星型齿轮传动齿廓修形动力学模型,分析了太阳轮、内齿圈、星型轮2和星型轮3齿廓修形参数对传动系统动力学响应的影响规律,结合多目标优化方法,设计了齿廓修形优化方法,进行了齿廓修形优化计算,分析了齿廓修形传动系统动力学响应。 在两级星型齿轮传动系统齿廓修形试验验证中,制定了两级星型齿轮传动系统齿廓修形动态响应测试方案,进行了了两级星型齿轮传动系统齿廓修形动态响应试验,对比分析了理论仿真与试验测试的振动响应结果。

关键词： 风电机组齿轮箱   物联网   PLC   LSTM-SVM   故障诊断系统  

摘要： 齿轮箱作为风电机组传动的核心部件,决定了整个风电机组的运行。风电场位置偏远,风机设备分散,统一管理难度大。一旦发生故障,工作人员难以及时发现。为解决风电机组齿轮箱传统护维手段效率低、耗时长、成本高的问题。设计一套基于物联网的风电机组齿轮箱故障诊断系统势在必行。 首先,对风电机组齿轮箱故障诊断系统需求进行分析,并据此确定整个系统的框架。详细阐述了系统的硬件设计,信息采集以PLC为核心控制器,利用各传感器收集信息,数据传输通过PLC与MQTT网关进行连接配置。最后通过4G无线网络传输到云端,通过物联网系统将齿轮箱的各个监测参数以可视化的方式呈现在工作人员面前。 其次,针对齿轮箱的齿轮故障诊断依赖人为经验和准确率低的问题。提出了一种长短时循环记忆网络(long short-term memory,LSTM)与支持向量机(Support Vector Machine,SVM)相结合的故障诊断模型,通过对比其它经典故障诊断模型,验证了LSTM-SVM故障诊断模型在齿轮故障诊断中的优越性。将该模型输出的故障诊断结果与物联网系统进行交互,实现远程故障诊断。 最后,详细介绍了系统界面的设计和搭建过程。根据实际需求,进行系统的搭建。实现了风机设备的统筹管理、各个参数的实时监测、故障报警等功能。基于物联网的风电机组齿轮箱故障诊断系统可以有效的提高工作人员的效率,降低风电场的运维成本。 图47幅;表10个;参51篇。

关键词： 齿轮传动系统   磨损状态   油液参数   信息融合  

摘要： 齿轮传动系统作为机械设备使用最广泛的部件之一，其运行状态直接影响设备生产效率，决定企业生产安全与经济效益。实时、准确地对齿轮传动系统进行状态识别能保证设备的高效可靠运行，避免设备运行过程中非必要的人为干预，提高设备自动化、智能化水平。目前，在齿轮传动系统磨损状态识别方面，存在准确率低、模型训练与识别时间耗时长等问题，针对于此本文采用理论分析、模型构建以及实验研究相结合的方式，开展了基于油液多参数信息的齿轮传动系统磨损状态识别方法研究，具体内容如下:　　(1)分析齿轮传动系统磨损过程、磨损类型及原理，基于粘着理论、疲劳理论以及能量损耗理论构建齿轮磨损计算模型，研究齿轮磨损对油液各参数的影响，通过实验研究的方式分析磨合、正常磨损、严重磨损以及失效四种不同状态齿轮传动系统润滑油各参数的变化趋势，对磨损状态和油液参数进行关联性研究，研究结果表明油液磨粒颗粒数、粘度、密度、温度等参数的变化能够直接反映齿轮传动系统的磨损状态，结合不同类型传感设备的监测原理，确定了针对以上四种油液参数的监测方法。　　(2)结合对不同时期、不同状态油液中磨损颗粒的数量、油液的密度、粘度和温度等参数进行采集分析，确定了润滑油特征参数的数据采集方案，并开发了油液在线监测软件,实现了油液的实时定量取样、多参数实时采集分析和数据交互等功能。根据齿轮传动系统实际工况，采用相似性原理完成了磨损跑合实验系统的搭建和油液参数采集的性能测试,得各监测参数相对标准偏差均小于1.5％,系统运行可靠。　　(3)分别对磨合期、正常磨损期、严重磨损期和失效四种不同状态下的齿轮进行加载跑合和油液特征参数采集实验，结合Grubbs理论对原始数据进行去噪处理，形成油液特征参数数据集;采用长短期记忆网络(LongShort-TermMemory，LSTM)方法构建磨损状态识别模型，针对小于100微米铁磁磨粒数、大于100微米铁磁磨粒数、粘度、密度、温度以及非铁磁磨粒数单一参数以及油液多参数信息数据进行模型训练测试，通过对识别模型进行测试可得不同输入参数的模型准确率分别为75.188％、76.182％、74.362％、70.142％、67.218％、64.006％、87.63％。　　(4)采用卷积神经网络(ConvolutionalNeuralNetworks,CNN)方法构建多信息融合模型，将融合模型引入长短期记忆网络状态识别模型，形成CNN-LSTM的耦合模型。针对模型训练和评估效率低、准确性差等问题，采用早停法(EarlyStopping,ES)、自适应矩估计(AdaptiveMomentEstimation,Adam)方法，对CNN-LSTM的耦合模型进行优化，并使用不同数据集对优化后的CNN-LSTM模型进行测试,磨损状态识别准确率提高至98.996％、效率提高了75.85％。对工业现场不同磨损状态油液进行采集分析，以现场油液数据进行状态识别方法验证，通过测试结果得模型的平均识别准确率为98.79％。

关键词： 不平衡数据流   齿轮箱轴承   预测与预警   FBProphet   融合模型  

摘要： 随着风力发电技术迅猛发展,严重故障导致的非计划停机以及高昂的维修费用已经成为影响其经济性的重要因素之一。风电机组实际运行中的工况复杂多样,这对机组安全、稳定高效运行带来了极大挑战。目前,对风电机组运行状况缺乏预先的了解,被动、迟延的维修措施对机组高效、安全、稳定、经济运行非常不利,且现存的预测预警研究并没有关注数据的不平衡问题。风机齿轮箱轴承发生的故障导致停机的时间最长,而温度变化较容易提取也能很好反映机组故障情况。因此,基于SCADA系统进行的齿轮箱轴承温度预测与预警研究,可以帮助我们更好地监控轴承温度,更快地检出可能出现的问题,从而降低由此造成的损失,同时也可以确保系统运行稳定。 本文将以不平衡的风机齿轮箱轴承温度的预测及应用作为研究目标,基于不平衡的风电机组SCADA运行数据,进行以下三部分内容的研究: (1)将常用于分类问题的数据不平衡概念引入回归问题,对风电机组的SCADA系统运行数据进行预处理,利用均值法提取和剔除相关数据的缺失值,采用灰色关联分析法和斯皮尔曼相关性分析提取关联度高的特征。 (2)首先,选用多元线性回归模型对风电机组齿轮箱轴承温度的平衡数据集和不平衡数据集进行预测研究,其结果表明在平衡数据流上预测效果较好的多元线性回归模型无法在不平衡数据流上很好的进行预测。随后选取基于网格搜索优化的XGBoost预测算法对不平衡的齿轮箱轴承温度进行预测,其在不平衡数据流上的预测效果较传统的多元线性回归模型预测精度有了明显的提升;最后,提出了一种基于残差优化的FBProphet-XGBoost融合模型,该模型使用FBProphet来预测齿轮箱轴承温度的趋势项,用XGBoost模型来预测随机项,基于残差将两个模型的结果结合,得到最终的预测结果。保留了FBProphet模型的趋势项与周期项的预测能力,又具有XGBoost模型的精度高、灵活性强的特点,从而预测精度较传统模型更优。 (3)基于温度预测的研究成果,对多模型的预测结果和残差进行数据分析,提出了一种基于残差变化的风电机组齿轮箱轴承故障预警。该预警方法主要监控两个指标:报警阈值与超过阈值的时间。分别使用多元线性回归、基于网格搜索法优化的XGBoost、FBProphet-XGBoost融合模型应用此预警方法进行案例仿真,其结果显示,网格搜索优化的XGBoost模型与FBProphet-XGBoost模型均可以实现基于不平衡SCADA运行数据的风电机组齿轮箱轴承故障预警。同时FBProphet-XGBoost融合模型相较于XGBoost模型预警效果提升了12%。

关键词： 浸入边界法   海上风电机组   齿轮故障   识别方法  

摘要： 目前针对海上风电机组齿轮故障识别的正确率较低，而且传统识别方法的计算较复杂。本文提出基于浸入边界法的海上风电机组齿轮故障识别方法。通过PALHE数据采集系统采集初始故障信号，再对其进行滤波处理提高精准程度，将故障信号根据浸入边界法进行耦合，最后将耦合后的多维特征向量输入CSD处理器中完成故障识别。通过实验发现，基于浸入边界法的海上风电机组齿轮故障识别方法可以有效地对三种故障状态进行识别，识别的分析过程也较传统识别方法简便，而且识别的准确率较高，可以达到100%，提高了海上风电机组的运行效率。

关键词： 维修间隔期优化   模糊-TOPSIS方法   比例风险模型   NSGA-Ⅱ优化算法   故障率递增因子  

摘要： 风电机组通常建造于海上、山林等较为偏远地区,其发电受制于气候、环境等自然不可控变量,具有间歇性、不稳定性、调峰性等特点。齿轮箱作为风电机组的关键组成部分,其发生故障的概率较大,在由于设备故障造成的停机时间中,齿轮箱影响时间占比高居第二,容易造成经济损失。因此其维修方案对风电机组的高效运行起决定性作用。本文对风电机组齿轮箱维修决策的全过程进行研究,为风电机组齿轮箱或其他关键部件的维修方案优化提供了一套的完整研究思路和有效依据。首先,对齿轮箱进行故障模式及影响分析,找出其主要故障和发生的原因,提出相应的解决对策。在定性分析的基础上,构建故障树对主要故障进行定量分析。其次,建立基于模糊-TOPSIS方法的齿轮箱维修策略评价体系。将三角模糊数法和TOPSIS方法相结合,利用三角模糊数量化评价指标得到初始模糊矩阵,应用基于三角模糊数的层次分析法计算各指标权重,最终得到各维修策略与理想解的贴近度排序,确定视情维修为最优的维修策略。本文针对不同的维修目标建立的相对应的维修间隔期模型。首先,以可用度为目标,建立基于比例风险模型的齿轮箱维修间隔期优化模型。利用案例中的故障数据和齿轮箱状态监测数据,得到可用度最大时对应的维修间隔期,验证了该模型的适用性。同时,将齿轮箱的状态监测数据应用于以可靠度为目标的维修间隔期模型,验证了该模型的科学性。除此之外,引入故障率递增因子,建立以可靠度为目标兼顾经济性的维修间隔期模型,求解多目标优化问题。应用NSGA-II优化算法进行实例验证,得到有限时间内最优的维修次数和维修间隔期,及其对应的最小维修成本。