基于注意力机制与残差胶囊网络的滚动轴承故障诊断

针对传统深度神经网络在风电机组滚动轴承变工况运行条件下特征学习能力不足、诊断效果不佳的问题,提出了一种通道注意力机制(Channel Attention,CA)与残差胶囊网络(Capsule Residual Network,CPRN)组合的故障诊断模型CA-CRPN,以实现变工况下滚动轴承故障的高性能诊断。首先,对振动信号进行连续小波变换生成对应的时频图,经矩阵化重构后作为训练样本,经过通道注意力模块为不同特征分配权重,削弱冗余特征对识别结果的影响,然后输入由卷积层、残差块和胶囊层堆叠搭建的CPRN中,并采取权值共享的仿射变换矩阵替换全连接胶囊层以减少参数量、提高训练速度,最终输出诊断结果。分别用CWRU轴承数据集与实验台模拟数据进行实验。结果表明:CA-CPRN模型在变工况下的平均诊断准确率分别达到97.63%和98.23%,相比其他模型具有更好的泛化能力;在噪声情况下,2个数据集上的诊断准确率均优于其他模型,平均准确率分别达到99.09%和96.32%,证明了模型在抗噪方面的优越性。

海上风力发电机组变桨系统故障分析

风力发电机组变桨系统是整机的重要组成部分,变桨系统的安全可靠运行既影响到机组的安全又影响机组的寿命。变桨系统接收主控发出的命令,快速、平稳、准确地执行命令,稳定发电机功率输出,且最大程度减少整机振动和降低噪音。海上风电机组运维作业受潮汐影响明显,既有台风等恶劣工况,还存在较多的大风、团雾、雷雨天气,又有大幅浅滩,通达困难,海上维护作业有效时间短。因此提高海上风电机组的可靠性,降低机组故障率,成为降低海上风电整体运维成本的关键因素之一。通过对变桨系统发生的典型故障进行分析,探索变桨控制系统故障的处理方法,实现风电机组的安全稳定可靠运行。

海上风电机组转速振荡状态识别技术

文章介绍了风电机组转速振荡状态,持续在转速振荡状态下运行,可能会导致机组触发故障停机,严重的甚至导致机组零部件损伤,威胁到风电机组的运行安全性;为提高尤其是海上风电机组的安全可靠性,提出一种在风电机组PLC可实现的转速振荡状态识别技术。先通过对应方法寻找局部极值点,分别线性插值出转速包络线,求取转速包络差值平均值,该过程稳定可靠、易实现;通过二次包络求取风场机组发电机转速的实际包络差值,再根据一定时间段内包络差值超过包络差值条件的次数,从而来判定当前状态是否处于转速振荡状态,并通过在风场机组测试的方式,验证了风电机组转速振荡状态识别技术功能的有效性,并开始应用于海上风电。

海上风电机组与Scada系统间通信故障分析

介绍某海上风电机组环形网络的构成及运行原理,监控系统的数据结构及数据运行与传输逻辑,对运行中出现的单台机组与监控系统间通信故障原因进行分析,并根据通信网络与原理快速定位故障点,提出对应的解决办法,提高单台机组通信故障处理效率。针对导致通信故障出现频率较高的故障原因进行分析,并提出改进措施,降低故障率,提升海上风电场监控系统稳定性。