关键词：
风力发电机
齿轮箱
故障诊断
多尺度学习
摘要：
当今世界正面临着气候变化、能源安全等问题,发展清洁能源产业,是各国产业配置当中的重点。风能作为目前主要的清洁能源之一,发展风电产业势在必行。风力发电机作为一种复杂的大型旋转机电设备,内部传动件众多的同时,其运行环境也极其恶劣,因而机组零部件发生故障的几率极高,极易影响机组的平稳运行甚至安全运行,因此对风力发电机进行故障诊断是风电产业必不可少的一环。而对承担了机组大部分载荷的齿轮箱进行故障诊断研究,以高精度、高效率的方法对风机齿轮箱进行故障诊断更是显得极其重要。一般来说,齿轮箱故障特征在振动信号中会受到众多噪声的干扰,尤以早期故障受到的干扰最为严重。因此,研究如何减少信号中的噪声干扰,增强故障特征显得尤为重要。同样的,为提高诊断精度和诊断效率,降低维护成本,研究人工智能在故障诊断领域中的应用亦是势在必行。针对上述问题,本文以风力机齿轮箱为研究对象,提出了基于多尺度自适应信号处理方法与多通道融合多尺度动态自适应残差学习模型的故障诊断方法,实现了风机齿轮箱故障的高精度智能故障诊断,具体研究内容如下:(1)对风力机齿轮箱的常见故障形式进行了分析,并以信号调制现象为主,研究了风力机齿轮箱传动过程中的振动信号特点,为风力机齿轮箱信号处理及故障诊断提供了理论基础。(2)通过对变分模态分解(variational mode decomposition,VMD)方法和奇异值分解(singular value decomposition,SVD)进行基本理论研究,本文提出了多尺度自适应信号处理(multi-scale adaptive signal processing,MSASP)方法,去除分布在不同频率尺度上的多尺度噪声。首先,为了能够去除振动信号中的强背景噪声,并将原始信号分解在不同尺度,提出了基于排列熵变分模态分解(permutation entropy variational mode decomposition,PE-VMD)的信号去噪方法;其次,为了减少不同尺度上的多尺度噪声干扰,增强故障特征,提出了基于自适应奇异值分解(adaptive singular value decomposition,ASVD)的信号降噪方法,此方法对通过PE-VMD方法分解得到的每组子信号进一步自适应降噪;最后,将通过ASVD降噪的子信号进行重构,得到降噪后的重构信号。通过对仿真信号和在役风机齿轮箱平行级低速轴齿轮发生早期磨损的振动信号进行降噪实验,验证了MSASP方法的有效性。两次实验表明,对比其他传统信号处理方法,MSASP方法在降低信号中的强背景噪声和多尺度噪声方面性能更为优异,且适用于风机齿轮箱故障诊断。(3)在风机齿轮箱振动信号中,由于不同方向的振动所反映的故障信息侧重点不同,单方向的振动信号并不能提供全面的故障信息。为了全面而准确的学习齿轮故障特征,多尺度参考多方向的风机齿轮箱振动信号,通过对卷积神经网络(convolutional neural network,CNN)和残差学习(residual learning,RL)进行基本理论研究,本文建立了多通道多尺度动态自适应残差学习(multi-channel with multi-scale dynamic adaptive residual learning,MC-MSDARL)故障识别模型。首先,为了能够动态自适应调整不同尺度卷积核的权重,提高多尺度特征提取能力,建立了多尺度动态自适应卷积神经网络(multi-scale dynamic adaptive convolutional neural network,MSDACNN)模型;其次,在MSDACNN的基础上结合残差学习,进一步提出了多尺度动态自适应残差学习(multi-scale dynamic adaptive residual learning,MSDARL)模型,加快了模型训练速度;最后,为将多方向数据有机融合,基于MSDARL模型建立了MC-MSDARL故障识别模型,将齿轮箱的多通道数据进行动态融合,提取到全面的故障特征信息。在风机齿轮箱齿轮故障识别分类实验中,MC-MSDARL模型的故障识别准确率达到了97%,优于现有方法。实验结果证明,MC-MSDARL模型通过融合多个通道上的多个时间尺度信息,具备了优越的故障识别性能。(4)为了进一步提高模型的故障诊断性能,基于MSASP方法优秀的去噪性能和增强故障特征的能力,将其与MC-MSDARL模型相结合,建立了MSASP-MC-MSDARL故障诊断模型。首先,基于MSASP方法对信号进行降噪处理,增强齿轮箱故障特征;其次,通过MC-MSDARL模型对降噪信号进行多通道多尺度特征提取与融合,从而实现准确的故障诊断;最后,在单一故障类型的诊断实验中,MSASP-MC-MSDAR
欢迎来到三峡大学图书馆！
