基于LabVIEW的风机故障检测数据采集系统研究

针对风力发电机出现故障会从多个方面反映出来的特点,提出了一种多通道的基于LabVIEW的风机故障检测数据采集系统。运用DSP28335采集传感器数据,MAX3232芯片实现DSP到PC的电平转换,通过RS232串口与上位机通信。LabVIEW通过串口命令写入、读取数据、字符串处理、数值显示、数据存储功能,建立了数据采集虚拟检测平台。通过永磁发电机实验台验证该系统实现了对风机运行时电压、电流、振动、噪声多路数据的实时采集、监测与存储。结果表明该系统对风机故障信息检测具有可行性,有一定的应用价值。

基于多模态数据融合的风机叶片故障检测

本文介绍了一种基于多模态数据融合的风机叶片状态检测方法及系统,结合特征级融合和决策级融合的多模态数据融合方式,在减轻任务量、减少冗余数据的同时,又增强可解释性、提高数据利用率,从总体上提升叶片检测的准确性、便捷性和实时性。

基于改进的BSMOTE和时序特征的风机故障采样算法

针对风机数据集的不平衡问题,提出了一种BSMOTE-Sequence采样算法,在合成新样本时综合考虑空间和时间特征,并对新样本进行清洗,从而有效减少噪声点的生成。首先,根据每个少数类样本的近邻样本的类别比例,将少数类样本划分为安全类样本、边界类样本和噪声类样本。然后,对每个边界类样本都遴选出空间距离、时间跨度最接近的少数类样本集,利用线性插值法合成新样本,并过滤掉噪声类样本以及类间重叠样本。最后,以支持向量机(SVM)、卷积神经网络(CNN)、长短期记忆(LSTM)人工神经网络作为风机齿轮箱故障检测模型,F1-Score、曲线下面积(AUC)和G-mean作为模型性能评价指标,在真实风机数据集上把所提算法与常用的多种采样算法进行对比,实验结果表明:相比已有算法,BSMOTE-Sequence算法所生成样本的分类效果更好,使得检测模型的F1-Score、AUC和G-mean平均提高了3%,该算法能有效地适用于数据具有时序规律且不平衡的风机故障检测领域。