(重庆工商大学 重庆 400000)
风力发电机状态监测和故障诊断在风机运行和维护上的地位越来越重要。故障诊断过程主要包括特征信号检测、特征信息提取、系统状态识别。特征信号检测即检测系统状态的特征信号。特征信息提取即从所检测得的特征信号中提取征兆信息。系统状态识别根据征兆和其它诊断信息来识别系统的状态,进行故障定位,并做出诊断决策。
多传感器融合技术也称信息融合技术。它有一个非常明显的特点,即它不是单一学科的技术,它的综合性非常强。
本文提出基于多信息融合的风力发电机齿轮箱故障诊断研究按照“理论研究-方法研究-试验验证”的总体思路开展研究,将理论分析、算法设计、算法仿真、实验验证相结合。主要内容为将监测到的风机齿轮箱振动信号和电流信号进行信息融合,然后使用储备池计算(ESN)模型进行特征提取,最后输入到门控循环单元模型(GRU)中进行故障诊断。研究思路如下图1所示的:
图1 研究技术路线图
图2 ESN模型特征提取可视化
ESN作为一个训练高效的循环神经网络的新型计算方法,通过随机固定的单个隐含层对信息进行提取,直接从时频域信号中自适应地提取故障特征,摆脱了对信号处理技术和诊断经验的依赖,免去了人工提取故障特征繁琐复杂的过程。从而构建更深层次的特征表示方法。图2所示为ESN的特征提取可视化。
为了突出本文所提出的基于ESN进行特征提取的GRU方法分类准确度,再分别采用门控循环单元(GRU)、多层长短期记忆(MLSTM)、长短期记忆(LSTM)和储备池计算(ESN)方法进行比较。为了探究模型的稳定性,分别进行五次实验,结果表明EGRU在故障诊断方面具有很准确的诊断效果。
表1 故障诊断分类精度表
可靠性管理研究是管理科学与工程领域的重点问题。而故障诊断决策问题又是可靠性管理研究的重点课题之一。本文以大型设备故障诊断决策方法有效性为挑战,指出故障诊断决策方法存在的问题,并以风力发电机的齿轮箱为研究对象,结合齿轮箱零部件的各种异常状态信息和监测信号分析探究故障诊断决策方法,为设备管理维护提供依据。总之本文以风力发电机齿轮箱为研究对象,通过特征选择方法筛选与齿轮箱故障相关的物理信号特征,并深层学习各物理特征与故障诊断的相关性,建立了基于多信息融合的风力发电机齿轮箱故障诊断的深度学习模型,结果表明EGRU模型具有最高的分类精度,从而根据当前状态为齿轮箱可预防性维护提供策略。