关键词:
风电齿轮箱
深度学习
故障诊断
领域自适应
无源数据约束
摘要:
由于运行环境恶劣且长期承受高动态载荷,导致风电机组容易发生故障。风电齿轮箱作为风电机组的关键部件,尽管故障发生概率比较低,但其造成的停机时间最长,维修成本高。因此,及时准确识别风电齿轮箱的故障,进行针对性维护,对保障风电机组的安全运行,降低风场运维成本有着重要意义。在风电齿轮箱故障诊断中,深度学习的故障诊断方法是一种常见的有效方法。但由于样本标记成本高和部分风场缺少长期系统地收集故障样本数据,风电齿轮箱有标签样本稀缺,导致深度学习模型容易产生过拟合,降低诊断精度。领域自适应方法可以结合源域数据和目标域无标签数据进行目标域故障诊断,减少对标签样本的依赖,但通常只关注特征分布之间的对齐,未考虑类间关系和样本与聚类中心间关系,导致模型泛化能力差,诊断精度低;此外,传统领域自适应方法需要源域数据参与模型训练,但是风电齿轮箱运行数据包含机组敏感信息,考虑到数据的隐私和安全性,可能无法直接提供源域数据参与目标域模型的训练过程,限制了传统领域自适应方法在风电齿轮箱故障诊断中的应用。针对上述问题,本文开展了领域自适应风电齿轮箱故障诊断方法研究。本文主要研究内容如下:(1)针对传统领域自适应方法未考虑类间关系和样本与聚类中心间关系导致风电齿轮箱故障诊断模型泛化性差、精度低的问题,提出了一种基于类别原型领域自适应网络风电齿轮箱故障诊断方法。该方法通过引入类别原型,将域不变性学习和故障识别作为一个整体自然结合在一起;首先,通过MMD度量进行源域和目标域全局特征分布对齐;然后,通过类别原型之间的距离度量进行类级别对齐;最后,通过域内样本与类别原型的相似性对比学习,缩小类内差距,扩大类间差距。(2)针对无法直接接触源域数据导致传统领域自适应故障诊断方法不可用的问题,提出了一种参数迁移的多源域自适应风电齿轮箱故障诊断方法。该方法将源域预训练模型的参数迁移到目标域模型,固定其分类模块;首先通过信息最大化损失使源域与目标域数据在特征空间进行对齐;然后利用自监督伪标签策略更新聚类中心,挖掘目标域数据的特征表征信息,并采用熵筛选策略抑制噪声伪标签的影响;最后通过自适应加权利用多个源域的知识并抑制负迁移影响,实现无法直接接触源域数据约束下的目标域风电齿轮箱故障诊断。(3)进行了风电齿轮箱故障诊断算法模型的封装部署和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模型部署在课题组研发的大型旋转机组健康管理软件中;然后,结合风电智能运维需求,基于大型旋转机组健康管理系统软件,实现风电运行数据的接入、存储、解析与故障诊断等功能,并提供相应的标准API接口;再采用VUE网页前端框架进行风电齿轮箱故障诊断系统前台个性化页面的可视化开发;最后,通过标准API接口实现风电齿轮箱故障诊断系统集成。