基于图正则化堆叠自编码器的风机轴承故障诊断方法

【目的】为解决风电机组轴承故障诊断中的故障特征提取效率低、特征表示不够精准以及现有方法难以适应复杂信号需求的问题,提出一种基于图正则化的故障诊断方法,提升了对振动信号的分析能力,从而实现对不同故障类型的准确分类和可靠诊断。【方法】采用基于图正则化自编码器的技术,结合图嵌入思想,指导堆叠监督自编码器进行特征提取。在故障特征提取阶段,首先对诊断信号进行图表示,然后在堆叠自编码器中添加图正则化项,以确保嵌入后的低维特征保持流形结构,从而提取数据深层的复杂几何特征。【结果】所提取的特征能够实现对不同故障类型的准确分类,展现出在故障特征捕捉方面的显著优势。实验结果表明,该方法在实际风场数据的应用中,具有更高的诊断精度和可靠性,有效提高了故障特征的提取效率和分类准确性。【结论】所提方法在风电轴承故障诊断领域表现出显著的有效性和优越性,为实际应用提供了可靠的技术支持。

基于深度学习融合多源数据的风电塔筒螺栓声时预测

本文通过深度学习算法将多种影响螺栓状态的数据进行融合,并对螺栓声进行预测,为判断螺栓状态作准备。首先将风力机状态监测系统采集的塔筒振动、倾角、环境温度及声时信息进行数据处理,再把数据输入到CNN-BiLSTM模型中完成训练,最后通过监测数据对模型进行实验测试,并通过LSTM模型和BilSTM模型进行对比验证,结果表明:CNN-BiLSTM预测精度最高,可用于螺栓状态提前预警。

基于重采样降噪与主成分分析的宽卷积深度神经网络风机故障诊断方法

针对数据驱动的风机故障诊断面临的数据量少、信号噪声干扰等问题,提出了一种基于宽卷积深度神经网络的故障诊断方法。该方法采用了重采样、小波阈值去噪等信号预处理方式,既增加了信息密度,又保证了信息的完整性,结合主成分分析法(principal component analysis,PCA)替代人工经验进行数据通道的选取。利用卷积神经网络的强大特征提取能力,通过较少的数据训练即可对风机机组在时域上的故障信号进行有效的特征提取,从而可以对风机进行精确的故障诊断。基于某真实风机机组数据的实验结果,验证了该方法的有效性。