基于selffer net构建的人工智能模型在风机叶根螺栓失效预测场景下的应用

针对风机叶根螺栓失效问题,文章提出了一种基于selffer net构建的叠加树人工智能模型。该模型集成了回溯训练层,叠加树模型,遮蔽特征模型,以及LightGBM模型,实现了对风机叶根螺栓失效概率的预测。经过实验验证,该模型在预测风机叶根螺栓失效概率方面具有较高的准确性和稳定性,为风机叶根螺栓失效预测场景提供了有效的解决方案。

PSO优化多尺度一维卷积神经网络的风机基础螺栓松动诊断

为在非经验指导下获取多尺度一维卷积神经网络中卷积核数目和尺度最优参数,实现风机基础螺栓松动智能诊断,提出粒子群优化(particle swarm optimization, PSO)多尺度一维卷积神经网络的风机基础螺栓松动诊断方法。首先,获取风机一维原始振动信号,划分训练集与验证集;然后,将多尺度一维卷积神经网络中卷积核数目和尺度作为PSO的粒子,以验证精度作为适应度值,根据适应度值更新粒子速度和位置,经训练后获得最优卷积核数目和尺度参数下的多尺度一维卷积神经网络;最后,输入测试样本,得到风机基础螺栓松动诊断结果。在稳定转速和升降速下进行风机基础螺栓松动诊断试验,结果表明,PSO优化多尺度一维卷积神经网络的风机基础螺栓松动诊断方法可在非经验指导下获取最优参数,可从一维原始信号中提取出有效松动特征,具备良好的松动诊断效果。

多尺度一维卷积神经网络的风机基础螺栓松动智能检测

为精细化表征风机基础螺栓松动状态特征,实现对风机基础螺栓松动的智能检测,提出多尺度一维卷积神经网络的风机基础螺栓松动智能检测方法。首先,以风机运行时振动时域信号作为多尺度一维卷积神经网络的输入,摆脱对信号处理和专业知识的依赖,并最大程度保留原始信号特征;然后,通过交替的多尺度卷积层和池化层对时域信号特征进行学习,其中多尺度卷积层设置不同尺度的卷积核进行卷积运算,避免单一尺度卷积核对不同精细度特征的忽略,增强网络对特征的表达能力,实现对时域信号特征精细化分布式表征;最后,在特征输出层后添加Softmax多分类器,利用反向传播逐层微调结构参数建立特征空间到松动状态空间的映射,输出风机基础螺栓松动检测结果。所提方法将松动特征自动学习与松动识别融为一体,实现了风机基础螺栓松动智能检测。通过在稳定转速和变转速下对风机基础螺栓松动检测试验,证明了所提方法的可行性和有效性。

风电机组高强度螺栓电磁超声轴力检测方法研究

风力发电机组(以下简称风机)高强螺栓由于施工工艺与设计存在不匹配等问题,加上施工轴力分散性大、漏拧、欠拧、超拧现象普遍,致使螺栓断裂问题频发。采取超声相控阵方法检测断裂螺栓,得到断裂螺栓数目与风险等级正相关规律。通过电磁超声技术对有风险的风机螺栓轴力(预紧力)进行测试,查找轴力不匹配螺栓。检测后,发现两台旧风机的超上限螺栓与低于下限螺栓情况同时存在,螺栓断裂风险极大。而新换螺栓的风机螺栓轴力范围基本在设计范围内,满足设计要求。通过螺栓轴力检测能够及时发现螺栓离散性超过设计要求的风机,保证螺栓轴力满足设计要求,降低螺栓断裂风险,保障风机的安全稳定运行。

风机高强度螺栓FAI(首件检验)的策划与实施

高强度螺栓是非常重要的紧固零件,公司采购的风机高强度螺栓要严格实施FAI(首件检验),对确保产品质量、有效防止批量不合格事故具有非常重要的意义。文章通过对高强度螺栓制造过程要素的确认,策划制定出FAI项目及检验要点,并通过对供方交检的首件实施FAI,验证所策划的检验项目及控制要点是充分有效的,确保了首件产品质量满足合同及技术标准要求,为批量生产提供有力保证。