-
齿轮箱高速轴承温升是表征 5 MW 风力机运行状态与健康水平的重要指标.针对高速轴承温升受多因素耦合作用且非线性较强的问题,该文提出了一种基于 Bayesian-TCN 与 SHAP 分析的高速轴承温升回归预测方法.首先,构建时序卷积网络回归预测模型,并利用 Bayesian 优化算法对其超参数进行寻优.其次,引入 SHAP 方法对模型输入特征的重要性及其作用机理进行解释分析.最后,在 MATLAB 平台上开展仿真实验.结果表明,该方法具有较好的预测精度,可为风机状态监测、异常预警及运维决策提供参考.
风力机状态预测贝叶斯优化时空卷积网络Shapley值法
-
故障特征提取是故障识别的重要环节之一,针对风电机组齿轮箱故障振动信号的特征提取效果欠佳以及卷积神经网络相关超参数设置不合理导致模型故障识别效果受影响的问题,提出了一种同步压缩变换、鹦鹉优化算法和卷积神经网络相结合的 SST-PO-CNN 分类模型.首先采用同步压缩变换对风电机组齿轮箱的振动信号进行处理获得相关的时频图构造样本集,再分别采用 SST-CNN、SST-PSO-CNN和 SST-PO-CNN 模型对时频图样本进行识别.实例分析结果显示,与 SST-CNN、SST-PSO-CNN 模型相比,SST-PO-CNN模型的分类效果最好,有效提高了风电齿轮箱振动故障的准确率.
风电齿轮箱同步压缩变换振动故障诊断鹦鹉优化算法卷积神经网络
-
风力发电机组的齿轮箱零部件在运行过程中产生较大的热量,当热变形和结构的变形耦合在一起会导致本来不会干涉的零部件之间发生干涉,依靠传统的设计方法无法在考虑固热耦合的影响的情况下对装配部位的间隙进行定量计算.为了解决这一问题,提出一种通过ANSYS使用直接固热耦合的方法来分析装配工艺和热变形对于装配间隙的影响,并对装配间隙进行定量计算.为齿轮箱的实际运行提出一种更加可靠的设计方法,保证齿轮箱运行的安全性.
齿轮箱ANSYS有限元分析固热耦合干涉风力发电机
-
随着我国成为全球风力发电规模最大、增长最快的市场,对风力发电技术和设备的需求不断增加,风电设备的质量与可靠性就显得极其重要.齿轮箱作为风力发电机组的关键设备,其部件损伤会严重影响系统性能.针对齿轮的微点蚀、点蚀、磨损、胶合、塑性变形及断裂,以及轴承的点蚀、裂纹和主轴的裂纹等常见的损伤问题,本文通过对风电齿轮箱故障案例的分析,为预防事故、提升设备稳定性提供重要依据.针对齿轮箱关键部件失效,进行强度计算与微观结构失效过程的模拟,对不同失效形式进行数值分析,可以优化设计并提升设备性能.风电齿轮箱的损伤和失效显著影响风力发电设备的安全与效率.通过加强材料和设计、实施定期维护、引入先进监测技术等手段,风力发电行业将有效提升设备的稳定性和可靠性,保持在快速增长的市场中的竞争优势.
风力发电风电齿轮箱损伤模式损伤机理数值分析
-
针对风电机组齿轮箱故障样本不充足、质量差导致传统深度学习模型诊断不准确的问题,提出一种基于多尺度特征融合生成对抗网络的风电机组齿轮箱故障诊断方法.首先构建多尺度特征融合模块改进生成对抗网络,用于充分学习数据样本的深层和浅层特征,克服生成对抗网络易出现类内模式崩塌的缺点,提高生成样本的质量和多样性.其次,使用Wasserstein距离和谱归一化方法制定新的损失函数,提高模型对抗训练的稳定性,进一步增强生成样本质量.将所提模型用于有限的齿轮箱故障数据集,对多类别健康状态样本进行诊断分析.实验结果表明,与现有模型相比,新模型能对有限样本进行有效扩充,有效推动了智能诊断模型的训练,故障诊断的准确度显著提高.
风电机组齿轮箱生成对抗网络故障诊断特征融合
-
以大容量双馈风电机组传动系统为研究对象,在Matlab/Simulink软件平台建立了考虑弯扭耦合和不考虑弯扭耦合的传动系统动力学模型,计入了齿轮箱内时变啮合激励等非线性因素;并建立了不同湍流强度相同平均风速和相同湍流强度不同平均风速的风速模型;分析对比了考虑弯扭耦合和不考虑弯扭耦合时传动系统的模态和上述风速条件下的动态响应特性.结果表明:考虑弯扭耦合的传动系统模型的模态分为扭转振动、平移振动和弯扭耦合振动;在脉动风速下,考虑弯扭耦合的传动系统模型由于受齿轮箱内部件的支承作用,其对传动系统的扭振具有阻尼特性,且其阻尼力会随着风速湍流强度的增大而减小,随着平均风速的增大而增大.该研究成果为机组传动系统建模与动力学分析提供参考.
双馈风电机组脉动风传动系统弯扭耦合振动
-
[目的]针对风电四点支撑传动链按纯扭设计、忽略弯矩传递的问题,深入探究液压弹性支撑受载机制及系统微变形导致的额外弯矩传递规律,为传动链部件设计优化提供参考.[方法]首先,分析液压弹性支撑的刚度组成与弯矩传递机制,明确弯扭耦合叠加特性,为建模提供依据;其次,基于SIMPACK软件建立传动链动力学模型,提出等效扭转刚度计算方法,实现垂向与扭转刚度解耦,保障模型真实性;然后,在6自由度试验台开展弯扭耦合测试,通过控制变量法施加不同工况载荷,获取轮毂中心与齿轮箱输入端载荷数据;最后,对比仿真与测试结果,分析偏差原因并修正模型,验证方法可靠性.[结果]结果表明,仿真与测试在弯矩传递趋势及定量上高度一致,齿轮箱输入端弯矩最大偏差≤7.71%;轮毂中心弯矩部分传递至齿轮箱,大载荷区间传递比例<3%,小载荷区间<4%.该结果对传动链相关部件设计具有实际指导意义.
风电传动链四点支撑液压弹性支撑弯矩传递
-
为实现风电机组齿轮箱故障的早期预警,针对现有模型在时域和频域特征提取方面的不足,以及传统阈值设置方法适应性差的问题,提出一种基于时频特征提取网络(IA Crossformer)-流式自适应阈值法(ESPOT)的风电机组齿轮箱状态监测方法.首先,对风电机组数据采集与监控系统(SCADA)数据进行预处理,并通过最大信息系数(MIC)筛选出与齿轮箱油温相关的变量,将其作为模型输入;然后,借助交互式卷积(ICB)和自适应频谱(ASB)的特征提取能力,基于IA Cross-former 算法有效捕捉齿轮箱油温数据时频域中的复杂模式变化,从而建立齿轮箱正常油温模型;最后,采用ESPOT算法自适应地设置预测残差的阈值.结果表明:所提出的方法可精确建立齿轮箱正常油温模型,且阈值设置算法具有良好的参数适应性,能够实现齿轮箱故障的早期预警.
风电机组齿轮箱状态监测IA CrossformerESPOT
-
针对风电齿轮变速箱在复杂工况下存在故障标签不完整及单一信号诊断信息不足的问题,提出了一种基于对比学习的双源信息融合对抗网络(DFCAN),用于无监督下的齿轮箱故障跨域诊断.首先,构建了基于孪生网络的对比学习(CL)模块,在无监督条件下提取了具有判别性与通用性的共享深度特征表示;然后,设计了振动信号与输入端编码器信号的双模态融合机制,采用特征级加权策略实现了多源异构信息整合,形成了增强的联合特征表达;接着,在此基础上,引入了基于最大分类器不一致性的对抗迁移模块,利用双分类器结构对目标域预测差异进行了建模,并引导特征生成器优化了跨域分布对齐;最后,利用风电齿轮箱多工况数据集,在异构测试场景中开展了实验验证,用于证明DFCAN在无监督条件下的跨域诊断性能与应用潜力.研究结果表明:在风电行星齿轮箱多工况数据集的迁移任务中,DFCAN方法平均诊断准确率高于94.2%,较传统领域自适应(DA)方法提高明显,整体优于主流无监督迁移模型;在振动与编码器信号融合比例设定为7∶3 下,个别任务准确率可达98.79%;在异构齿轮箱数据集上进行迁移测试时,无标签条件下模型仍可保持90%以上准确率.DFCAN方法在标签缺失条件下具备稳定的跨域特征提取与迁移能力,能够显著提升多源信号融合下的故障识别性能,验证了其在无监督条件下的跨域诊断有效性.
齿轮传动双模态故障诊断对比学习信息融合领域自适应基于对比学习的双源信息融合对抗网络
-
为了预防断裂、失速、磨损、点蚀、塑性变形、胶合故障的发生,提出一种利用遗传算法(genetic algorithm,GA)优化反向传播(back propagation,BP)神经网络模型参数的齿轮箱高速轴故障预测方法.首先,采用Pearson系数和Spearman系数对多源数据进行相关性分析,筛选转速、有功功率、风速、转矩等相关联的变量.其次,利用BP神经网络建立齿轮箱高速轴的振动预测模型,采用相关联的变量数据作为BP神经网络的输入数据,并利用GA进行优化来确定权值和阈值.结果表明,GA+BP神经网络算法比传统BP算法的振动预测精度更高.同时,对比其他两种算法,GA+BP神经网络的预测精度更准确,验证了所提算法的可行性和准确性,为风电机组齿轮箱高速轴的故障预测提供了理论依据.
风电机组齿轮箱高速轴故障预测相关性分析GA+BP神经网络
