关键词：
风电齿轮箱
健康评估
深度学习
弱数据
图网络
元学习
摘要：
随着我国风电产业的快速发展,大量风电机组逐渐走出质保期,一个巨大的风电运维市场正在逐渐显现,运维工作也日益成为关注焦点。齿轮箱作为风电机组传动系统中的核心部件,虽然发生故障的频率较低,但其故障维修十分困难,机组停机时间最长,严重影响发电量,容易造成巨大经济损失。如果能对齿轮箱健康状态进行准确监测,在故障萌芽阶段及时识别早期故障,预测关键部件退化趋势,并采取相应措施,则能提高风电机组运行的可靠性,延长其使用寿命。因此,研究风电齿轮箱健康状态监测、早期故障诊断、关键部件退化趋势预测等健康评估方法,对降低风电运维成本有着重要意义。深度学习因其能够自适应挖掘振动数据的隐藏特征,被广泛应用于机械设备健康评估之中。然而,由于运行工况复杂、振动信息耦合、服役环境恶劣,导致风电齿轮箱振动数据存在变工况、强噪声、小样本、不连续样本等弱数据问题,致使现有深度学习模型难以对风电齿轮箱进行准确健康评估。因此,如何抑制弱数据对深度学习模型影响,提高风电齿轮箱健康评估准确度是一个挑战性难题。具体来讲,在实际运维中弱数据对风电齿轮箱健康评估影响如下:在风电齿轮箱健康状态监测阶段,随机变化工况是影响深度学习模型构建监测指标主要因素,容易导致健康监测指标波动较大,致使风电齿轮箱监测容易出现误报和漏报;在早期故障识别阶段,强噪声和小样本均易导致深度学习模型特征提取不充分,进而影响风电齿轮箱早期故障诊断精度;在关键部件退化趋势预测阶段,由于样本不连续致使预测数据时序性差,降低了深度学习模型泛化性,进而导致退化趋势预测不精准。针对上述难题,论文开展了以下研究工作:针对深度学习模型在构建监测指标容易受到变工况干扰,导致风电齿轮箱健康状态难以准确监测的问题,提出一种基于多头注意力机制降噪自编码网络的风电齿轮箱健康状态监测方法。所提方法采用多头注意力机制抑制变工况对风电齿轮箱故障特征提取的干扰,并采用层正则化将输入特征分布映射到激活函数的非饱和区,最后结合所设计的一种随健康指标变化的动态阈值实现变工况条件下的风电齿轮箱健康状态监测。针对深度学习模型特征提取过程受强噪声干扰,导致风电齿轮箱早期故障诊断精度低的问题,提出一种快速图卷积网络的风电齿轮箱故障诊断方法。首先将风电齿轮箱振动信号通过小波包进行分解,并将小波包系数矩阵定义为包含节点与边的图;然后在图卷积神经网络中设计了一种快速图卷积操作,采用切比雪夫多项式拟合了自适应图卷积核,并通过图卷积核对图中节点与边进行特征提取,增强模型在强噪声条件下的泛化性;最后利用全连接层进行特征抽取和压缩,进而实现风电齿轮箱早期故障诊断。针对深度学习模型对样本特征和样本间关联特征提取不充分,导致小样本条件下风电齿轮箱故障难以准确诊断的问题,提出一种图权重增强网络的风电齿轮箱早期故障诊断方法。所提方法通过度量样本时域和频域特征的欧式距离构造图的邻接矩阵,实现小样本条件下图节点的预分类。此外,设计了图权重增强机制抑制背景噪声对风电齿轮箱故障特征提取的干扰。最后,通过设计的增强机制提取图中节点特征,计算节点的嵌入表示,并以节点分类方式实现小样本条件下风电齿轮箱早期故障诊断。针对深度学习模型在样本不连续条件下泛化性能差,导致风电齿轮箱关键部件退化趋势难以准确预测的问题,提出一种基于元学习门控神经网络的风电齿轮箱关键部件退化趋势预测方法。所提方法将齿轮箱原始振动信号经过特征提取、特征筛选以及特征融合后的指标作为门控神经网络的输入;在元学习框架下搭建门控神经网络,在提高退化趋势预测模型泛化性能的同时通过多任务的训练方式优化元学习门控神经网络,使得模型能够在样本不连续条件下快速收敛;最后通过门控神经单元学习部件性能演化规律,并实现齿轮箱关键部件退化趋势预测。为实现所提风电齿轮箱健康状态监测、早期故障诊断、以及退化趋势预测等模型的开发与在线应用,将所提模型部署到项目组开发的大型旋转机组健康管理系统软件通用平台上。首先,筛选数据对模型进行训练,并采用自动调优算法对所提模型进行离线调校;然后,依据平台的标准封装方案对调校后的模型进行封装,并部署到大型旋转机组健康管理系统软件通用平台;最后,接入数据并调用部署模型,实现风电齿轮箱健康评估模型的在线应用。最后,对本文的研究内容和主要创新点进行了总结,并展望了下一步的研究方向。
欢迎来到三峡大学图书馆！
