基于小波分析的PSO-MBCNN 的风电齿轮箱故障诊断

2023-10-21 09:01:08刘彬豪孙敬伟邓志华
长春理工大学学报(自然科学版) 2023年5期
关键词:故障诊断特征模型

刘彬豪,孙敬伟,邓志华

(汕头大学 工学院,汕头 515063)

近年来,为了应对日益严重的能源短缺危机,风力资源的开发已经成为全球各国解决能源危机的重要举措,因此风力发电的规模越来越大,风电设备的智能化程度也越来越高,风电发展在未来也有很大的发展前景[1]。然而,机械设备必然会存在或高或低的故障率,故障会使得风力机的停机时间加长,进而导致风力发电效率变低。在众多风力设备的零部件里,齿轮箱的故障率较低,但其发生故障导致风力机停机的时间却是最长的[2],所以风力机齿轮箱的故障诊断一直是风力机故障检测的重要组成部分之一。而齿轮箱的齿轮故障一般包括断齿、齿面点蚀、齿根裂纹、齿面磨损、齿面胶合五种[3]。

目前,国内外对齿轮箱方面的故障诊断也已经开拓了许多方向,卷积神经网络(CNN)、堆叠稀疏自动编码器(Stacked Sparse Autoencoder,SSAE)和深度置信网络(Dynamic Bayesian Network,DBN)等深度学习模型已广泛用于故障诊断系统。Xiang 和黎阳羊等人[4-5]将CNN 融入长短期记忆网络以检测风电机组的故障与异常识别;Jing 等人[6]开发了一种一维CNN,可以分析获得的振动频率等信息特征,以此对齿轮箱故障作出诊断分类;Zhang[7]等人利用凯斯西储大学轴承数据集,提出了一种CNN 结构,它在第一层卷积层利用宽卷积核对原始信号提取特征并进行去噪,在前面的层中,使用了小卷积滤波器;Sun 等人[8]利用CNN 方法从振动信号的双树复小波变换获得的多尺度信号特征中识别齿轮故障特征;Du等人[9]研究750 kW 的风力机齿轮箱齿轮表面,采用低秩和卷积稀疏学习的方法实现故障的精准识别。……

登录APP查看全文

猜你喜欢
故障诊断特征模型
一半模型
重尾非线性自回归模型自加权M-估计的渐近分布
如何表达“特征”
不忠诚的四个特征
当代陕西(2019年10期)2019-06-03 10:12:04
3D打印中的模型分割与打包
基于LCD和排列熵的滚动轴承故障诊断
基于WPD-HHT的滚动轴承故障诊断
机械与电子(2014年1期)2014-02-28 02:07:31
线性代数的应用特征
河南科技(2014年23期)2014-02-27 14:19:15
高速泵的故障诊断
河南科技(2014年3期)2014-02-27 14:05:48