摘要:【意義】故障診斷技術(shù)是保證風(fēng)電機(jī)組運(yùn)行效率并降低運(yùn)維成本的關(guān)鍵。風(fēng)電傳動(dòng)鏈作為風(fēng)電機(jī)組的重要組成部分,了解其基本動(dòng)力學(xué)模型對(duì)故障診斷具有重大意義。【分析】通過(guò)文獻(xiàn)綜述,詳細(xì)介紹了風(fēng)電傳動(dòng)鏈關(guān)鍵部件——主軸承、齒輪箱、發(fā)電機(jī)軸承的故障診斷方法。隨著工況更加復(fù)雜、運(yùn)行條件更加惡劣,傳統(tǒng)的故障診斷方法受到限制。因此,復(fù)雜工況下風(fēng)電傳動(dòng)鏈的故障診斷變得更為重要。結(jié)合近5年復(fù)雜工況下風(fēng)電傳動(dòng)鏈故障診斷的發(fā)展,詳細(xì)概述了當(dāng)前復(fù)雜工況下大型風(fēng)電傳動(dòng)鏈的故障診斷方法,同時(shí)探討了風(fēng)電傳動(dòng)鏈故障診斷技術(shù)未來(lái)的主要研究發(fā)展方向。
關(guān)鍵詞:故障診斷;風(fēng)電機(jī)組;復(fù)雜工況;信號(hào)處理
中圖分類號(hào):TH174 DOI:10. 16578/j. issn. 1004. 2539. 2025. 04. 021
0 引言
隨著全球經(jīng)濟(jì)的不斷發(fā)展,人類對(duì)能源的需求也在不斷增長(zhǎng),風(fēng)能作為一種可再生的綠色能源,在當(dāng)前和未來(lái)的可再生能源中扮演著越來(lái)越重要的角色。風(fēng)力發(fā)電在過(guò)去的幾十年內(nèi)得到了快速發(fā)展。根據(jù)2022年中國(guó)風(fēng)電吊裝容量統(tǒng)計(jì)簡(jiǎn)報(bào)[1]40-56,截至2022年年底,我國(guó)累計(jì)裝機(jī)超過(guò)18萬(wàn)臺(tái),容量突破3. 9億kW,同比增長(zhǎng)14. 1%。其中,陸上風(fēng)電累計(jì)裝機(jī)容量為3. 6 億kW, 占全部累計(jì)裝機(jī)容量的92. 3%;海上風(fēng)電累計(jì)裝機(jī)容量為3 051萬(wàn)kW,占全部累計(jì)裝機(jī)容量的7. 7%。圖1所示為我國(guó)2012至2022年風(fēng)電新增裝機(jī)容量和累計(jì)裝機(jī)容量。
目前,我國(guó)的大部分風(fēng)力發(fā)電場(chǎng)都建在一些偏遠(yuǎn)地區(qū),如荒漠、高原、山區(qū)和東南沿海等地[2]。風(fēng)電機(jī)組受到外部惡劣環(huán)境的影響,長(zhǎng)時(shí)間運(yùn)行易導(dǎo)致風(fēng)電傳動(dòng)鏈發(fā)生故障,造成停機(jī);而風(fēng)力發(fā)電機(jī)存在部件尺寸大、運(yùn)輸距離遠(yuǎn)、作業(yè)資源匱乏、人工成本高等問(wèn)題,加大了運(yùn)維難度和成本[3],且還未考慮維修帶來(lái)的停電損失。為降低風(fēng)力發(fā)電機(jī)組的故障率,減少風(fēng)力發(fā)電機(jī)的運(yùn)行維修成本,有必要開展風(fēng)電傳動(dòng)鏈的故障診斷研究,總結(jié)其研究方法和成果,進(jìn)一步促進(jìn)該領(lǐng)域研究的發(fā)展。
本文首先介紹了大型風(fēng)電傳動(dòng)鏈的基本動(dòng)力學(xué)模型;然后,全面闡述了大型風(fēng)電傳動(dòng)鏈的3大部件(主軸承、齒輪箱、發(fā)電機(jī)軸承)的故障診斷方法;接下來(lái),對(duì)復(fù)雜工況下大型風(fēng)電傳動(dòng)鏈目前主流的故障診斷方法進(jìn)行了詳細(xì)介紹;最后,進(jìn)行歸納總結(jié),指出未來(lái)大型風(fēng)電傳動(dòng)鏈故障診斷的研究方向。
1 風(fēng)電傳動(dòng)鏈基本動(dòng)力學(xué)模型
風(fēng)電傳動(dòng)鏈?zhǔn)秋L(fēng)力發(fā)電機(jī)組將機(jī)械能轉(zhuǎn)化為電能的關(guān)鍵部件,主要由輪轂、主軸及其支撐軸承、齒輪箱和發(fā)電機(jī)組成[4]。隨著技術(shù)的不斷發(fā)展,也出現(xiàn)了無(wú)齒輪箱型的風(fēng)電傳動(dòng)鏈。無(wú)齒輪箱型的風(fēng)電傳動(dòng)鏈主要有直驅(qū)型和靜液壓型[5]。圖2所示為典型的齒輪箱型的風(fēng)電傳動(dòng)鏈[6]34。風(fēng)電傳動(dòng)鏈中的齒輪和軸承等組件可能會(huì)出現(xiàn)磨損和失效等問(wèn)題。建立風(fēng)電傳動(dòng)鏈的動(dòng)力學(xué)模型,可以幫助識(shí)別故障點(diǎn)、分析故障原因,并預(yù)測(cè)故障的發(fā)生,有助于制定有效的維護(hù)計(jì)劃和措施,避免意外停機(jī)、降低維修成本。因此,了解風(fēng)電機(jī)組傳動(dòng)鏈的基本動(dòng)力學(xué)模型,對(duì)風(fēng)電傳動(dòng)鏈的故障診斷具有重要意義。
風(fēng)電傳動(dòng)鏈動(dòng)力學(xué)模型一般基于牛頓力學(xué)原理和運(yùn)動(dòng)學(xué)方程建立,考慮傳動(dòng)鏈中各個(gè)部件的質(zhì)量、慣性、摩擦、彈性等因素,用于研究風(fēng)電傳動(dòng)鏈在不同工況下的運(yùn)行特性以及傳動(dòng)鏈中各個(gè)部件之間的相互作用。風(fēng)電傳動(dòng)鏈動(dòng)力學(xué)模型包括發(fā)電機(jī)、齒輪箱、軸承和齒輪等部件[7]。通過(guò)對(duì)風(fēng)電傳動(dòng)鏈動(dòng)力學(xué)模型的分析,可以了解風(fēng)力發(fā)電機(jī)組的動(dòng)態(tài)響應(yīng)特性,提出更有效的故障診斷方法,提高風(fēng)力發(fā)電機(jī)組的運(yùn)行效率和可靠性。
建立風(fēng)電傳動(dòng)鏈動(dòng)力學(xué)模型的傳統(tǒng)方法有集中參數(shù)法和有限元法。秦大同等[8]采用集中參數(shù)法和有限元法建立齒輪傳動(dòng)系統(tǒng)扭轉(zhuǎn)動(dòng)力學(xué)模型、考慮非線性因素的永磁同步發(fā)電機(jī)模型,結(jié)合風(fēng)機(jī)運(yùn)行控制,形成了適用于變速變載工況的風(fēng)電傳動(dòng)鏈的機(jī)電耦合動(dòng)力學(xué)模型。朱蕓等[9]利用集中參數(shù)法并結(jié)合齒輪副耦合剛度與軸承剛度建立了齒輪傳動(dòng)系統(tǒng)一維有限元模型,有效反映了系統(tǒng)特征。LI等[10]采用有限元裝配法和基于氣動(dòng)彈性松耦合方法,建立動(dòng)力傳動(dòng)系統(tǒng)整體耦合分析模型,細(xì)致分析比較了葉片重力、風(fēng)切變、塔影、偏航流入等非轉(zhuǎn)矩載荷對(duì)齒輪的影響。
建立風(fēng)電傳動(dòng)鏈動(dòng)力學(xué)模型的現(xiàn)代非傳統(tǒng)方法有多體動(dòng)力學(xué)方法和神經(jīng)網(wǎng)絡(luò)方法。多體動(dòng)力學(xué)方法把風(fēng)電傳動(dòng)鏈系統(tǒng)視為多個(gè)剛體或彈性體組成的多體系統(tǒng),考慮它們之間的相互作用和約束關(guān)系。WANG 等[11]通過(guò)多體系統(tǒng)建模方法建立了動(dòng)力傳動(dòng)系統(tǒng)數(shù)值模型。張孔亮等[12]將齒輪箱體柔性化,應(yīng)用剛?cè)狁詈戏ńX輪傳動(dòng)系統(tǒng)多剛體模型,采用模型仿真,得到了齒輪傳動(dòng)系統(tǒng)以及箱體表面的動(dòng)態(tài)響應(yīng)。神經(jīng)網(wǎng)絡(luò)方法通過(guò)對(duì)大量輸入、輸出數(shù)據(jù)的學(xué)習(xí)和訓(xùn)練,從而建立起系統(tǒng)的非線性映射關(guān)系。HAN等[13]提出一種大型風(fēng)力發(fā)電機(jī)的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Network, RBFNN)優(yōu)化模型預(yù)測(cè)控制(Model Predictive Control, MPC)方法,將RBFNN與MPC相結(jié)合,提高了系統(tǒng)的動(dòng)態(tài)性能。
2 風(fēng)電傳動(dòng)鏈主要部件的故障診斷方法
2. 1 基于傳統(tǒng)信號(hào)處理的方法
基于傳統(tǒng)信號(hào)處理的軸承故障診斷方法通過(guò)分析軸承振動(dòng)信號(hào)獲取反映故障特征的信息,從而進(jìn)行故障診斷。目前常用的振動(dòng)信號(hào)處理方法有頻譜分析、時(shí)頻分析等。
2. 1. 1 頻譜分析
頻譜分析通過(guò)傅里葉變換或其他變換手段對(duì)信號(hào)進(jìn)行時(shí)域到頻域的轉(zhuǎn)換,以獲取信號(hào)的頻譜信息。頻譜分析可以用于信號(hào)的頻率分析、頻率成分提取等。常見(jiàn)的頻譜分析的方法有能量譜、功率譜、倒頻譜等。郭偉超等[14]提取能量譜作為特征向量,利用主成分分析法對(duì)特征向量進(jìn)行降維并減小噪聲信號(hào)的干擾,獲得了增強(qiáng)的軸承故障特征。ZHENG等[15]用自回歸功率譜代替傅里葉分解方法中使用的原始傅里葉譜,提出了一種自適應(yīng)功率譜傅里葉分解方法。張博等[16]基于倒頻譜可分離信號(hào)中的邊頻成分對(duì)風(fēng)電主軸承進(jìn)行了故障診斷。結(jié)果表明,倒頻譜對(duì)于識(shí)別主軸承各頻率成分的諧波周期和邊頻成分、辨識(shí)其故障位置具有較好的效果。MURUGA?NATHAM 等[17] 采用兩種基于奇異譜分析(SingularSpectrum Analysis, SSA)的特征提取方法,分別選取SV數(shù)的奇異值(Singular Value, SV)和SV數(shù)對(duì)應(yīng)的主成分能量作為故障特征。
2. 1. 2 時(shí)頻分析
時(shí)頻分析是在時(shí)域和頻域上對(duì)信號(hào)進(jìn)行聯(lián)合分析,以研究信號(hào)的時(shí)變頻譜特性。常見(jiàn)的方法有短時(shí)傅里葉變換(Short-Time Fourier Transform, STFT)、Wigner-Ville分布、經(jīng)驗(yàn)?zāi)B(tài)分解、小波變換、變分模態(tài)分解等。
(1) 短時(shí)傅里葉變換。STFT將信號(hào)分解為不同頻率成分的時(shí)域和頻域表示,通過(guò)對(duì)信號(hào)的局部時(shí)間窗口應(yīng)用傅里葉變換來(lái)分析信號(hào)的頻譜特性。針對(duì)具有非平穩(wěn)性和噪聲干擾的滾動(dòng)軸承振動(dòng)信號(hào),李恒等[18]利用STFT提取軸承時(shí)頻分布特征,用于構(gòu)建軸承故障診斷模型。結(jié)果表明,軸承時(shí)頻分布特征能較好地表征軸承故障信息。余傳糧等[19]利用ST?FT生成的時(shí)頻圖能有效地反映信號(hào)的時(shí)頻特征,提高了齒輪故障診斷的準(zhǔn)確率。ZHANG等[20]針對(duì)振動(dòng)信號(hào)的STFT,研究了5種典型窗函數(shù)的窗型、窗寬和平移重疊寬度,得到了最優(yōu)窗函數(shù)并應(yīng)用于軸承故障診斷。
(2) Wigner-Ville 分布。Wigner-Ville 分布是通過(guò)將信號(hào)的自相關(guān)函數(shù)和傅里葉變換結(jié)合在一起得到的,可以提供信號(hào)在時(shí)域和頻域上的高分辨率表示,用于分析非平穩(wěn)信號(hào)的時(shí)頻特性。孫國(guó)棟等[21]采用互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解方法與Wigner-Ville 分布相結(jié)合,生成不同尺度的時(shí)頻圖像,可提高圖像的分辨率,增加時(shí)頻有效信息。WANG 等[22]利用Wigner-Ville 分布分辨率高、能量聚集和瞬時(shí)頻率跟蹤性能好等優(yōu)點(diǎn),提出一種抗噪聲Wigner-Ville 譜分析方法,可以提取軸承和齒輪的故障模式。LI等[23]采用奇異值分解改進(jìn)的Wigner-Ville分布,降低了交叉項(xiàng)的影響,使故障信號(hào)在時(shí)頻域上的特征更加突出。
(3) 經(jīng)驗(yàn)?zāi)B(tài)分解。經(jīng)驗(yàn)?zāi)B(tài)分解(EmpiricalMode Decomposition, EMD)通過(guò)信號(hào)的自適應(yīng)分解,可將復(fù)雜的非線性、非平穩(wěn)時(shí)間序列信號(hào)分解為多個(gè)本征模態(tài)函數(shù)(Intrinsic Mode Functions, IMF)。EMD應(yīng)用于信號(hào)去噪、特征提取、故障診斷等領(lǐng)域,已經(jīng)成為許多信號(hào)處理方法的基礎(chǔ)。馬新娜等[24]使用EMD對(duì)振動(dòng)信號(hào)進(jìn)行模態(tài)分解,然后通過(guò)相關(guān)系數(shù)過(guò)濾較大的本征模以進(jìn)行信號(hào)重建,再通過(guò)頻譜分析識(shí)別軸承的主要故障,最后通過(guò)自適應(yīng)陷阱再次診斷復(fù)合故障。ABDELKADER等[25]提出,因振動(dòng)信號(hào)有噪聲干擾,有關(guān)故障的信息可能會(huì)丟失,便利用EMD 和選擇相關(guān)模態(tài)的新方法結(jié)合優(yōu)化的閾值,對(duì)故障位置進(jìn)行了早期檢測(cè)和定位。江莉等[26]提出了基于信號(hào)固有模式深度建模分析的滾動(dòng)軸承故障診斷方法, 使用改進(jìn)的可變步長(zhǎng)最小均方(Variable Step-size Least Mean Square, VSSLMS)算法和完全自適應(yīng)經(jīng)驗(yàn)?zāi)B(tài)分解(Complete Ensemble Em?pirical Mode Decomposition with Adaptive Noise, CEEM?DAN)對(duì)采集到的軸承故障信號(hào)進(jìn)行濾波過(guò)程。雷春麗等[27]采用一種結(jié)合峭度、相關(guān)系數(shù)以及樣本熵的綜合指標(biāo)P 對(duì)EMD產(chǎn)生的分量進(jìn)行選取重構(gòu),突出信號(hào)的故障特征信息。谷玉海等[28]針對(duì)傳統(tǒng)故障診斷方法準(zhǔn)確率低、泛化性差等問(wèn)題,將EMD與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合,并將采集到的各類滾動(dòng)軸承數(shù)據(jù)轉(zhuǎn)化為特征明顯的二值化圖像。王奉濤等[29]將EMD與堆疊稀疏自動(dòng)編碼器相結(jié)合,減少對(duì)故障診斷先驗(yàn)知識(shí)的依賴,簡(jiǎn)化了多個(gè)特征的篩選與提取過(guò)程。陳宗祥等[30]將傳統(tǒng)的EMD方法進(jìn)行改進(jìn),結(jié)合雙譜分析,提出一種軸承故障檢測(cè)方法,抑制了噪聲信號(hào),有效提取出故障特征信息。GU等[31]提出了將互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解與置換熵結(jié)合的軸承故障診斷方法,該方法對(duì)EMD過(guò)程中出現(xiàn)的模態(tài)混淆有一定的抑制作用。YU等[32]利用希爾伯特黃變換(Hilbert-Huang Transform, HHT)從振動(dòng)信號(hào)的邊緣譜中選擇出顯著特征。
(4) 小波變換。小波變換利用小波基函數(shù)對(duì)信號(hào)進(jìn)行分解和重構(gòu),提取不同頻率和尺度上的信息。相較于傅里葉變換,小波變換具有多尺度分析的特性,能夠在不同的時(shí)間尺度上同時(shí)分析信號(hào)的特征。因此,小波變換在處理非線性、非平穩(wěn)信號(hào)方面具有顯著優(yōu)勢(shì)。小波變換在軸承故障診斷領(lǐng)域得到了廣泛應(yīng)用。BODLA等[33]利用正常和故障小波變換的振動(dòng)數(shù)據(jù)對(duì)軸承狀態(tài)進(jìn)行監(jiān)測(cè)試驗(yàn),采用不同的時(shí)域和頻域方法從數(shù)據(jù)中提取最佳特征,對(duì)提取的特征進(jìn)行統(tǒng)計(jì)回歸處理,準(zhǔn)確率高達(dá)87%。欒孝馳等[34]采用峭度值相關(guān)系數(shù)準(zhǔn)則對(duì)信號(hào)分量進(jìn)行劃分,再利用小波變換濾除背景噪聲,有效優(yōu)化了對(duì)噪聲濾除的效果。李志農(nóng)等[35]提出基于同步提取變換(Syn?chronous Extraction Transform, SET)和經(jīng)驗(yàn)小波變換的軸承故障診斷方法,在一定程度上解決了因信號(hào)瞬時(shí)頻率分量距離過(guò)小導(dǎo)致SET的結(jié)果出現(xiàn)瞬時(shí)頻率混疊的問(wèn)題。閆愛(ài)云等[36]結(jié)合小波變換能有效地處理非平穩(wěn)信號(hào)和支持向量數(shù)據(jù)描述(Support VectorData Description, SVDD)構(gòu)建超球體的方法,實(shí)現(xiàn)了僅利用正常數(shù)據(jù)就能進(jìn)行良好的故障分類。XU等[37]針對(duì)小波變換在邊界分割方面的不足,用插值法計(jì)算光譜的上包絡(luò)函數(shù)和下包絡(luò)函數(shù),再將它們的平均值作為光譜的趨勢(shì)分量,最后用趨勢(shì)分量的最小值作為邊界來(lái)分割頻譜。另外,XU等[38]還提出一種基于經(jīng)驗(yàn)小波變換的經(jīng)驗(yàn)掃描譜峰度(EmpiricalScanning Spectrum Kurtosis, ESSK)方法,該方法能自適應(yīng)地尋找最合適的中心頻率和帶寬,適用于強(qiáng)噪聲環(huán)境下的信號(hào)提取。崔朝臣[39]因單一小波變換無(wú)法充分分析風(fēng)電機(jī)組發(fā)電機(jī)軸承復(fù)雜故障情況的信號(hào)特征,提出一種基于多種小波變換的故障定位方法,能有效對(duì)軸承不同部位的故障進(jìn)行識(shí)別。CHEN等[40]提出基于經(jīng)驗(yàn)小波變換的風(fēng)電機(jī)組發(fā)電機(jī)軸承微弱故障及復(fù)合故障診斷方法,并通過(guò)試驗(yàn)驗(yàn)證了所提方法的有效性;將其應(yīng)用于故障識(shí)別,成功實(shí)現(xiàn)了風(fēng)電場(chǎng)中風(fēng)力發(fā)電機(jī)軸承的特性化。
除了以上時(shí)頻分析方法,變分模態(tài)分解(Varia?tional Mode Decomposition, VMD)、循環(huán)平穩(wěn)分析等方法也被廣泛應(yīng)用于故障診斷。AN等[41]提出一種基于VMD、排列熵和最近鄰算法的軸承故障診斷方法,試驗(yàn)數(shù)據(jù)分析表明,該方法能有效識(shí)別風(fēng)力發(fā)電機(jī)軸承的故障類型。馬天霆等[42]在脈沖激勵(lì)響應(yīng)的基礎(chǔ)上提出一種頻率誘導(dǎo)變分模態(tài)分解(Frequency-In?duced Variational Mode Decomposition, FIVMD)方法,并將其應(yīng)用于齒輪箱故障特征提取。晏云海等[43]則基于循環(huán)平穩(wěn)分析,結(jié)合信號(hào)分離技術(shù)、信號(hào)增強(qiáng)技術(shù)和能量熵量化評(píng)價(jià)技術(shù),實(shí)現(xiàn)了較強(qiáng)干擾環(huán)境下對(duì)軸承故障特征的提取。
傳統(tǒng)信號(hào)處理的故障診斷方法經(jīng)過(guò)多年的實(shí)踐應(yīng)用,相較于其他故障診斷技術(shù)已經(jīng)相當(dāng)成熟,然而,其診斷效果易受數(shù)據(jù)信號(hào)信噪比較低的影響。如何提高軸承振動(dòng)信號(hào)數(shù)據(jù)的信噪比、有效提取故障特征是目前研究的難點(diǎn)。風(fēng)力發(fā)電機(jī)運(yùn)行環(huán)境復(fù)雜、設(shè)備運(yùn)行狀態(tài)多變等因素會(huì)導(dǎo)致信號(hào)的復(fù)雜性和多樣性,需要進(jìn)一步研究和開發(fā)更加高效和準(zhǔn)確的信號(hào)處理方法。基于傳統(tǒng)信號(hào)處理的方法如表1所示。
1) 優(yōu)點(diǎn):①經(jīng)過(guò)多年的應(yīng)用,已經(jīng)成熟、規(guī)范,適用于旋轉(zhuǎn)設(shè)備;②具備各種良好靈敏度的傳感器;③可以直接在現(xiàn)有的設(shè)備上實(shí)施;④絕大部分的方法可以檢測(cè)、定位、診斷故障或損壞。
2) 缺點(diǎn):①需要將多個(gè)傳感器安裝在被監(jiān)測(cè)組件的表面或者內(nèi)部(增加線路的復(fù)雜性);②傳感器易受環(huán)境的影響,導(dǎo)致故障;③傳感器數(shù)據(jù)信噪比較低;④安裝維護(hù)傳感器又會(huì)帶來(lái)一筆不小的費(fèi)用,提高了運(yùn)維成本。
2. 2 基于機(jī)器學(xué)習(xí)的方法
機(jī)器學(xué)習(xí)通過(guò)對(duì)大量數(shù)據(jù)的學(xué)習(xí)和分析,使計(jì)算機(jī)系統(tǒng)能夠提取數(shù)據(jù)中的模式和規(guī)律,進(jìn)行預(yù)測(cè)和分類。目前,應(yīng)用于軸承故障診斷的機(jī)器學(xué)習(xí)方法有支持向量機(jī)(Support Vector Machine, SVM)、隨機(jī)森林(Random Forest, RF)、人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeural Network, ANN)、馬爾可夫鏈(Markov Chain,MC)、深度學(xué)習(xí)(Deep Learning, DL)等。
(1) 支持向量機(jī)。支持向量機(jī)通過(guò)引入核函數(shù),將高維特征空間映射到低維特征間,尋找能夠最大化間隔的最優(yōu)超平面,從而解決一些線性不可分的分類或回歸問(wèn)題。GAO等[44]針對(duì)風(fēng)電機(jī)組振動(dòng)信號(hào)的非平穩(wěn)、非線性特點(diǎn),采用積分可拓負(fù)荷均值分解法對(duì)預(yù)處理的振動(dòng)信號(hào)進(jìn)行分組,再利用多尺度熵法對(duì)分組得到的主要積函數(shù)進(jìn)行處理,最后利用最小二乘支持向量機(jī)進(jìn)行訓(xùn)練和分類。INSUASTY等[45]提出利用一類支持向量機(jī)算法的異常檢測(cè)方法, 實(shí)現(xiàn)了僅需基于健康數(shù)據(jù)采集與監(jiān)視控制(Supervisory Control And Data Acquisition, SCADA)數(shù)據(jù)的主軸承故障預(yù)測(cè)。WANG 等[46]提出了基于馬哈拉諾比斯半監(jiān)督映射和甲蟲天線搜索的支持向量機(jī)方法,用于風(fēng)力發(fā)電機(jī)滾動(dòng)軸承故障診斷,能夠有效、準(zhǔn)確地識(shí)別風(fēng)電機(jī)組滾動(dòng)軸承的不同狀態(tài),識(shí)別準(zhǔn)確率高達(dá)100%。
(2) 隨機(jī)森林。隨機(jī)森林通過(guò)構(gòu)建多個(gè)決策樹進(jìn)行分類、回歸和異常檢測(cè)等任務(wù)。將隨機(jī)森林應(yīng)用于軸承故障診斷,可以提高故障診斷的準(zhǔn)確性和效率。彭成等[47]采用離散小變換處理信號(hào),得到5層小波近似系數(shù),再利用Sigmoid熵構(gòu)造出n 維特征向量,最后結(jié)合隨機(jī)森林進(jìn)行故障診斷。WU等[48]利用多尺度幅值感知排列熵對(duì)振動(dòng)信號(hào)進(jìn)行分解,再利用故障特征集構(gòu)建隨機(jī)森林多分類器,實(shí)現(xiàn)了對(duì)滾動(dòng)軸承的故障診斷。張西寧等[49]使用多維縮放方法對(duì)特征選擇后的故障特征集進(jìn)行降維,再結(jié)合隨機(jī)森林對(duì)降維后的故障特征進(jìn)行診斷,提高了軸承故障診斷的準(zhǔn)確性。饒雷等[50]結(jié)合機(jī)理分析和數(shù)據(jù)驅(qū)動(dòng),提出基于隨機(jī)森林的海上風(fēng)電機(jī)組發(fā)電機(jī)軸承異常狀態(tài)監(jiān)測(cè)方法,先通過(guò)機(jī)理分析選取變量、清洗數(shù)據(jù)和標(biāo)定樣本狀態(tài),然后通過(guò)數(shù)據(jù)驅(qū)動(dòng)的方法對(duì)海上風(fēng)電機(jī)組發(fā)電機(jī)軸承的狀態(tài)進(jìn)行預(yù)測(cè)。
(3) 人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)通過(guò)學(xué)習(xí)大量的故障樣本特征,建立樣本特征到分類標(biāo)簽的映射模型, 用于識(shí)別和分類不同類型的軸承故障。BERETTA等[51]開發(fā)、實(shí)施和驗(yàn)證一種基于人工神經(jīng)網(wǎng)絡(luò)和隔離森林集成的風(fēng)電機(jī)組主軸承故障預(yù)測(cè)方法,即使無(wú)以往所研究的故障數(shù)據(jù),也可以應(yīng)用于任何小波變換。ZHANG等[52]基于現(xiàn)有的SCADA數(shù)據(jù),建立正常行為的人工神經(jīng)網(wǎng)絡(luò)模型,并計(jì)算了參數(shù)理論值與實(shí)際值的差值,可識(shí)別主軸承早期階段的故障。ZHANG[53]還提出一種基于人工神經(jīng)網(wǎng)絡(luò)和現(xiàn)有SCADA數(shù)據(jù)的風(fēng)力發(fā)電機(jī)部件故障預(yù)測(cè)和自動(dòng)預(yù)警報(bào)警方法,能夠成功預(yù)測(cè)風(fēng)力發(fā)電機(jī)部件的故障,并在故障發(fā)生前及時(shí)發(fā)出警告、進(jìn)行報(bào)警。劉杰等[54]為提高發(fā)電機(jī)主軸承溫度預(yù)測(cè)的準(zhǔn)確性,提出一種基于長(zhǎng)短期記憶(Long Short-Term Memory, LSTM)神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)模型的預(yù)測(cè)方法,實(shí)現(xiàn)了對(duì)風(fēng)電機(jī)組發(fā)電機(jī)主軸承溫度的準(zhǔn)確預(yù)測(cè),為進(jìn)一步對(duì)發(fā)電機(jī)軸承故障檢測(cè)和預(yù)警提供了參考依據(jù)。針對(duì)人工提取齒輪箱故障特征易引入人為誤差和淺層神經(jīng)網(wǎng)絡(luò)提取特征困難的問(wèn)題,徐碩等[55]以深度殘差神經(jīng)網(wǎng)絡(luò)為主要框架,引入選擇性內(nèi)核和全局上下文網(wǎng)絡(luò)結(jié)構(gòu),提出了一種基于改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)的故障診斷方法。
(4) 馬爾可夫鏈。馬爾可夫鏈?zhǔn)怯梢唤M狀態(tài)和狀態(tài)間的轉(zhuǎn)移概率組成的數(shù)學(xué)模型?;诮⒌鸟R爾可夫鏈模型,可以利用當(dāng)前的狀態(tài)信息,通過(guò)馬爾可夫鏈的狀態(tài)轉(zhuǎn)移概率,推斷出風(fēng)電機(jī)組可能的故障模式和故障原因。SHIN等[56]提出一種使用隱馬爾可夫模型(Hidden Markov Model, HMM)的故障檢測(cè)算法,可識(shí)別風(fēng)力發(fā)電機(jī)的機(jī)械部件是否行為異常,并通過(guò)試驗(yàn)證明所提出的 HMM 算法利用長(zhǎng)期信號(hào)實(shí)現(xiàn)了大于95% 的檢測(cè)成功率。ZHAO 等[57] 針對(duì)HMM在故障診斷的準(zhǔn)確性和靈敏度上的不足,采用模糊標(biāo)量量化減少異常值影響,提高了HMM在軸承故障診斷的效果。龍舟等[58]以HMM為基礎(chǔ),再利用EMD進(jìn)行信號(hào)分解,建立了軸承故障狀態(tài)識(shí)別模型。
(5) 深度學(xué)習(xí)。深度學(xué)習(xí)通過(guò)多層神經(jīng)網(wǎng)絡(luò)來(lái)學(xué)習(xí)和提取數(shù)據(jù)中的深層次特征和潛在模式。與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比,深度學(xué)習(xí)能自主學(xué)習(xí)數(shù)據(jù)中的多層次特征,提高模型的泛化性能和預(yù)測(cè)能力,更好地適應(yīng)復(fù)雜多變的故障診斷場(chǎng)景[59]。在強(qiáng)烈背景噪聲環(huán)境下,主軸承局部故障所引發(fā)的振動(dòng)沖擊容易受到干擾,為解決這一問(wèn)題,黃祥聲等[60]提出一種基于奇異值分解包(Singular Value DecompositionPacket, SVDP)基尼指數(shù)圖和自適應(yīng)解卷積的主軸承故障診斷方法,可提取強(qiáng)背景噪聲環(huán)境下的微弱故障特征。ZHAO 等[61] 利用一種基于深度自編碼器(Deep Auto-Encoder, DAE)網(wǎng)絡(luò)的深度學(xué)習(xí)方法,實(shí)現(xiàn)了故障部件的早期預(yù)警,且可以利用DAE殘差推斷出故障部件的物理位置。JAMIL等[62]提出一種深度遷移學(xué)習(xí)的方法,當(dāng)將故障檢測(cè)知識(shí)從源機(jī)器傳輸?shù)侥繕?biāo)機(jī)器時(shí),可以防止深度學(xué)習(xí)模型中的負(fù)遷移。
基于機(jī)器學(xué)習(xí)的故障診斷方法的主要思路是先進(jìn)行數(shù)據(jù)的預(yù)處理,再提取數(shù)據(jù)中的特征信息,然后設(shè)計(jì)分類器,最后實(shí)現(xiàn)故障診斷。然而,通常情況下獲得的數(shù)據(jù)是非平穩(wěn)的,且往往摻雜著大量的噪聲干擾。盡管已經(jīng)進(jìn)行了初步的數(shù)據(jù)處理,但在處理后的信號(hào)中,噪聲成分仍然顯著存在,這對(duì)實(shí)現(xiàn)有效故障診斷構(gòu)成了重大挑戰(zhàn)。因此,亟須研發(fā)和應(yīng)用更為先進(jìn)的信號(hào)處理技術(shù)來(lái)對(duì)采集到的數(shù)據(jù)進(jìn)行深度降噪和解析,以提升故障特征提取的精度和可靠性[63]。同時(shí),傳統(tǒng)的機(jī)器學(xué)習(xí)方法在人工特征提取階段高度依賴于專業(yè)人員的知識(shí)水平和經(jīng)驗(yàn)。特征提取的質(zhì)量決定了分類性能的優(yōu)劣,這意味著進(jìn)行有效特征提取的前提是具備深厚的專業(yè)知識(shí)背景。這一要求無(wú)疑大幅度提高了故障診斷的成本投入。此外,當(dāng)面對(duì)未曾出現(xiàn)過(guò)的數(shù)據(jù)或者數(shù)據(jù)分布發(fā)生變化時(shí),已訓(xùn)練的模型診斷精度可能會(huì)下降,進(jìn)而需要重新進(jìn)行模型訓(xùn)練[64]?;跈C(jī)器學(xué)習(xí)的方法的優(yōu)缺點(diǎn)如表2所示。
2. 3 基于知識(shí)驅(qū)動(dòng)的方法
基于知識(shí)驅(qū)動(dòng)的故障診斷方法通過(guò)累積有效的經(jīng)驗(yàn)和專門知識(shí),建立知識(shí)庫(kù);然后,通過(guò)對(duì)設(shè)備狀態(tài)的持續(xù)觀測(cè),利用分類器對(duì)觀測(cè)數(shù)據(jù)進(jìn)行檢查,以確定設(shè)備運(yùn)行狀態(tài)與知識(shí)庫(kù)中數(shù)據(jù)的匹配程度。通過(guò)這種匹配性判斷,可以確定設(shè)備是否發(fā)生了故障。目前,基于知識(shí)驅(qū)動(dòng)的方法主要有專家系統(tǒng)、故障樹分析、符號(hào)有向圖(Signed Directed Graph,SDG)、模糊邏輯等[65-68]。
(1) 專家系統(tǒng)。專家系統(tǒng)可以模擬專家的知識(shí)和經(jīng)驗(yàn),通過(guò)推理和判斷來(lái)解決特定領(lǐng)域的問(wèn)題。簡(jiǎn)單地說(shuō),專家系統(tǒng)就是一個(gè)知識(shí)處理系統(tǒng),是一個(gè)獲得知識(shí)并運(yùn)用知識(shí)的過(guò)程[69]。BERREDJM等[70]將模糊專家系統(tǒng)(Fuzzy Expert System, FES)應(yīng)用于軸承局部故障診斷和分布式故障診斷,采用改進(jìn)距離重疊(ImprovedRange Overlap, IRO)方法,克服了相似度度量方法構(gòu)建FES的缺點(diǎn),有效提高了分類器的分類精度。
(2) 故障樹分析。故障樹分析將故障事件及其可能的原因組織成一個(gè)樹狀結(jié)構(gòu),可直觀地表示出事件之間的邏輯和因果關(guān)系[71]。GARCíA等[72]通過(guò)故障樹和二元決策圖對(duì)風(fēng)電機(jī)組的機(jī)械部件和電子元件進(jìn)行可靠性動(dòng)態(tài)分析,為制定中長(zhǎng)期維護(hù)策略提供依據(jù)。陶勇劍等[73]采用一種折中的組成單元故障診斷排序法生成診斷決策樹,彌補(bǔ)了僅以組成單元的診斷重要度確定最小割集診斷順序的不足。
(3) 符號(hào)有向圖。符號(hào)有向圖是描述復(fù)雜系統(tǒng)的有效方式,通過(guò)符號(hào)和箭頭表示節(jié)點(diǎn)和邊,展現(xiàn)節(jié)點(diǎn)關(guān)系和信息流動(dòng)。符號(hào)有向圖有助于理解和分析系統(tǒng)結(jié)構(gòu)和行為,為建模和決策提供基礎(chǔ)[74]。針對(duì)傳統(tǒng)的風(fēng)力發(fā)電機(jī)組故障診斷方法診斷耗時(shí)長(zhǎng)、診斷過(guò)程復(fù)雜等缺點(diǎn),劉友寬等[75]研究風(fēng)力發(fā)電機(jī)各部件的物理連接、故障傳播關(guān)系以及相互作用的機(jī)制,建立故障診斷SDG模型,并通過(guò)關(guān)聯(lián)算法對(duì)故障部件排序,提高了故障診斷的精度和效率。
(4) 模糊邏輯。模糊邏輯通過(guò)引入模糊集合和模糊推理的概念,能夠在不犧牲理解和解釋能力的情況下處理復(fù)雜和不確定的問(wèn)題[76]。錢小毅等[77]針對(duì)傳統(tǒng)風(fēng)電機(jī)組故障識(shí)別方法精度難以保證且缺乏可解釋性的問(wèn)題,提出一種風(fēng)電機(jī)組故障識(shí)別與解釋性分析方案。該方案通過(guò)多種群量子進(jìn)化和模糊規(guī)則提升診斷精度,并利用近鄰規(guī)則競(jìng)爭(zhēng)生成可解釋的故障特征排序,提供了可靠的故障解釋性結(jié)果。ZHOU等[78]利用模糊分類方法處理有限數(shù)據(jù)標(biāo)簽的齒輪故障診斷,有效地處理了未見(jiàn)故障情況并實(shí)現(xiàn)高準(zhǔn)確度的分類。
除了上述方法,面對(duì)新手維護(hù)人員存在診斷知識(shí)缺乏、診斷效率低的問(wèn)題,為滿足風(fēng)電機(jī)組故障診斷的需求,ZHOU等[79]提出了一種基于本體和失效模式、影響和臨界性分析的智能故障診斷方法,建立深度知識(shí)和淺層知識(shí)相結(jié)合的知識(shí)庫(kù),為診斷決策提供了更好的支持。然而,基于知識(shí)驅(qū)動(dòng)的方法存在一定局限性。首先,它不具備自學(xué)習(xí)的能力,需要大量專業(yè)知識(shí)的積累;其次,當(dāng)故障模式的數(shù)量增加時(shí),診斷模型的大小將會(huì)呈指數(shù)增長(zhǎng),導(dǎo)致計(jì)算成本高昂。因此,基于知識(shí)驅(qū)動(dòng)的方法尚未被廣泛應(yīng)用于實(shí)際故障診斷中?;谥R(shí)驅(qū)動(dòng)的方法的優(yōu)缺點(diǎn)如表3所示。
不同于其他部位的軸承,發(fā)電機(jī)軸承有獨(dú)特的故障誘發(fā)因素,因軸電壓和軸電流導(dǎo)致的軸承失效即電蝕效應(yīng)該得到足夠的重視[80]。電蝕效應(yīng)是當(dāng)軸承上油膜被擊穿在滾道上產(chǎn)生軸電流后,軸承滾道上產(chǎn)生的電化學(xué)腐蝕[81]。近年來(lái),風(fēng)力發(fā)電機(jī)的單機(jī)容量在不斷增加,2018年,全球主要風(fēng)機(jī)廠商的設(shè)計(jì)能力在5 M~6 MW 徘徊[82],而到2023 年,三一重能發(fā)布了全球陸上最大的15 MW 風(fēng)電機(jī)組WSI-270150,金風(fēng)科技推出了GWH252-16. 5MW,東方風(fēng)電推出了DEW-18000/18MW,明陽(yáng)智能發(fā)布了全球最大的海上機(jī)型MySE22MW,遠(yuǎn)景能源推出EN-270/14MW。發(fā)電機(jī)軸承承受更高的電流和電壓,增大了發(fā)電機(jī)軸承電蝕的風(fēng)險(xiǎn)。發(fā)電機(jī)軸承有獨(dú)特的故障原因,那么,針對(duì)性地設(shè)計(jì)故障診斷的方法,應(yīng)當(dāng)會(huì)比應(yīng)用普遍的軸承故障診斷方法取得更好的效果。CHEN等[83]提出了一種基于電氣信號(hào)分析的風(fēng)電機(jī)組軸承故障監(jiān)測(cè)技術(shù),具有高精度和低成本的優(yōu)點(diǎn)。
2. 4 基于模型的故障診斷方法
基于模型的故障診斷方法通過(guò)建立部件的動(dòng)力學(xué)模型,根據(jù)模型參數(shù)的變化,實(shí)現(xiàn)故障的檢測(cè)。孫娟[84]建立風(fēng)力發(fā)電機(jī)齒輪箱傳動(dòng)系統(tǒng)模型,從系統(tǒng)的角度進(jìn)行故障物理機(jī)制分析,發(fā)掘了齒輪箱不同故障模式下的故障特征。為消除應(yīng)用過(guò)程中獲取足夠標(biāo)記故障樣本的困難,LI等[85]通過(guò)建立改進(jìn)的行星齒輪系集總參數(shù)動(dòng)力學(xué)模型來(lái)模擬產(chǎn)生的振動(dòng)信號(hào),對(duì)行星輪系的振動(dòng)信號(hào)進(jìn)行仿真,并考慮信號(hào)的傳遞路徑,對(duì)振動(dòng)響應(yīng)進(jìn)行了分析。丁顯等[86]將維納過(guò)程(布朗運(yùn)動(dòng)過(guò)程)引入粒子濾波狀態(tài)空間模型,充分利用其隨機(jī)增量性質(zhì),增強(qiáng)了模型的非線性表達(dá)能力,提高了故障預(yù)測(cè)的準(zhǔn)確性。
基于模型的故障診斷需要充分了解系統(tǒng)運(yùn)行機(jī)理,建立合適的數(shù)學(xué)模型,才能達(dá)到想要的故障診斷效果。然而,風(fēng)電機(jī)組結(jié)構(gòu)復(fù)雜,屬于典型的非線性動(dòng)態(tài)系統(tǒng),難以建立準(zhǔn)確的系統(tǒng)機(jī)理模型。因此,這種方法在風(fēng)電機(jī)組故障診斷中應(yīng)用較少。
3 面向復(fù)雜工況下風(fēng)電傳動(dòng)鏈的故障診斷方法
復(fù)雜工況是指風(fēng)電傳動(dòng)鏈在運(yùn)行過(guò)程中,受多種不確定因素和復(fù)雜環(huán)境的影響,其傳動(dòng)系統(tǒng)工作狀態(tài)和性能出現(xiàn)多變、多樣、多因素綜合作用的情況。在復(fù)雜工況下,風(fēng)電傳動(dòng)鏈的故障率和故障原因增加,部件的振動(dòng)信號(hào)會(huì)出現(xiàn)數(shù)據(jù)不平衡、數(shù)據(jù)有限、非平穩(wěn)性、頻率模糊等問(wèn)題,僅依靠單一技術(shù)的特征提取無(wú)法很好地解決以上問(wèn)題。目前,專家學(xué)者提出的關(guān)于復(fù)雜工況下的故障診斷方法主要有信號(hào)分析處理、深度學(xué)習(xí)和遷移學(xué)習(xí)[88]27。
3. 1 角域信號(hào)分析處理
階次跟蹤是一種基于信號(hào)分析處理的故障診斷方法,被廣泛應(yīng)用于解決變轉(zhuǎn)速的問(wèn)題[88]27。階次跟蹤法的基本原理是將振動(dòng)信號(hào)中的階次頻率分離出來(lái),通過(guò)對(duì)信號(hào)進(jìn)行頻譜分析,將信號(hào)分解成不同階次的成分,然后對(duì)每個(gè)階次的振動(dòng)進(jìn)行分析[89]。LI等[90]基于信號(hào)稀疏分解理論和階次跟蹤技術(shù),提出了一種時(shí)變轉(zhuǎn)速條件下齒輪箱復(fù)合故障診斷的非平穩(wěn)振動(dòng)信號(hào)處理方法,關(guān)鍵步驟在于角域的準(zhǔn)穩(wěn)態(tài)分量分離和時(shí)域的沖擊共振分量提取。郭俊[91]研究了從發(fā)電機(jī)電流和軸承振動(dòng)信號(hào)中估計(jì)轉(zhuǎn)速的方法,然后再進(jìn)行階次分析,實(shí)現(xiàn)了變轉(zhuǎn)速工況下的風(fēng)機(jī)軸承的故障診斷和模式識(shí)別。該方法適用于永磁直驅(qū)式風(fēng)力發(fā)電機(jī)在變轉(zhuǎn)速工況下的故障診斷。萬(wàn)書亭等[92]基于VMD和SET,提出一種無(wú)轉(zhuǎn)速計(jì)階次跟蹤方法,優(yōu)化了軸承故障特征提取效果。崔誠(chéng)等[93]采用基于SET局部的能量極大值法對(duì)發(fā)電機(jī)軸承的振動(dòng)信號(hào)進(jìn)行轉(zhuǎn)頻提取,隨后基于沃德卡曼濾波對(duì)瞬時(shí)頻率進(jìn)行精確提取,提出一種瞬時(shí)頻率估計(jì)與階次分析相結(jié)合的故障診斷方法,為無(wú)轉(zhuǎn)速計(jì)的階次分析提供了新方法。無(wú)轉(zhuǎn)速計(jì)的階次跟蹤方法不需要速度信息作為輸入,擺脫了硬件限制,但是對(duì)信號(hào)質(zhì)量要求較高。可考慮將階次跟蹤法與機(jī)器學(xué)習(xí)算法相結(jié)合,通過(guò)學(xué)習(xí)數(shù)據(jù)特征和模式識(shí)別來(lái)提高故障診斷的準(zhǔn)確性。
3. 2 針對(duì)不平衡強(qiáng)噪聲數(shù)據(jù)的深度學(xué)習(xí)
近年來(lái),基于深度學(xué)習(xí)的故障診斷取得了很大的成功。然而,大多數(shù)此類方法一定程度上都依賴于大量標(biāo)記數(shù)據(jù),在復(fù)雜工況下往往需要用有限的數(shù)據(jù)訓(xùn)練出一個(gè)具有魯棒性的故障診斷模型。LI等[94]根據(jù)元學(xué)習(xí)協(xié)議隨機(jī)采樣,形成元學(xué)習(xí)故障診斷的任務(wù),通過(guò)優(yōu)化初始化參數(shù)獲取先驗(yàn)知識(shí),并利用學(xué)習(xí)到的知識(shí)實(shí)現(xiàn)了未知工況下快速準(zhǔn)確的小樣本軸承故障診斷。李炳達(dá)[95]設(shè)計(jì)不同深度的神經(jīng)網(wǎng)絡(luò)以實(shí)現(xiàn)在復(fù)雜工況下的軸承故障診斷,在軸承故障分類、噪聲場(chǎng)景下的軸承故障診斷、軸承在變工況下缺少標(biāo)簽數(shù)據(jù)3個(gè)方面實(shí)現(xiàn)了復(fù)雜工況下的故障診斷。XU等[96]將動(dòng)態(tài)模型與深度學(xué)習(xí)相結(jié)合,提出了一種新工況下無(wú)故障數(shù)據(jù)的軸承故障診斷方法。王連云[97]利用深度學(xué)習(xí)技術(shù),針對(duì)復(fù)雜工況下滾動(dòng)軸承故障診斷中的3個(gè)問(wèn)題(有標(biāo)簽樣本下故障診斷模型的抗噪聲和負(fù)載遷移性能差、無(wú)標(biāo)簽樣本下故障診斷模型的抗噪聲和負(fù)載遷移性能差、樣本類別不平衡條件下如何進(jìn)行故障診斷),分別進(jìn)行了深入研究。
金國(guó)強(qiáng)[98]利用深度學(xué)習(xí)技術(shù),在高噪聲、不同工況等復(fù)雜背景下,實(shí)現(xiàn)了端到端的軸承故障診斷。從利用局部稀疏結(jié)構(gòu)優(yōu)化網(wǎng)絡(luò)、解決高噪聲下的軸承故障診斷精度、采用知識(shí)遷移提高不同工況的軸承診斷性能3方面展開研究,并采用網(wǎng)絡(luò)可視化方法展示了所提出神經(jīng)網(wǎng)絡(luò)的工作原理。王廣書[99]基于振動(dòng)信號(hào)數(shù)據(jù),將信號(hào)處理技術(shù)和深度學(xué)習(xí)技術(shù)相結(jié)合,對(duì)復(fù)雜工況下風(fēng)電機(jī)組齒輪箱關(guān)鍵零部件故障診斷方法進(jìn)行研究;針對(duì)故障特征間相互混疊干擾的問(wèn)題、模型計(jì)算復(fù)雜的問(wèn)題、變工況下模型特征提取尺度單一和泛化性與抗噪性能差的問(wèn)題,給出相應(yīng)的解決方法。WANG等[100]針對(duì)復(fù)雜工況下行星齒輪箱變速變載的工作條件、故障數(shù)據(jù)的嚴(yán)重不平衡和分布差異等問(wèn)題,提出一種自適應(yīng)歸一化卷積神經(jīng)網(wǎng)絡(luò)(Adaptive Normalized Convolutional NeuralNetwork, ANCNN),在考慮復(fù)雜變工況和數(shù)據(jù)不平衡的情況下,能準(zhǔn)確、自動(dòng)地診斷行星齒輪箱的不同故障位置和嚴(yán)重程度;試驗(yàn)結(jié)果顯示診斷準(zhǔn)確率達(dá)99. 8%以上,并且具有較好的魯棒性和穩(wěn)定性。
3. 3 單一工況到復(fù)雜工況的遷移學(xué)習(xí)
遷移學(xué)習(xí)(Transfer Learning, TL)是將已經(jīng)學(xué)習(xí)到的知識(shí)或經(jīng)驗(yàn)應(yīng)用到新的任務(wù)或領(lǐng)域中。傳統(tǒng)的故障診斷方法通常是從零開始訓(xùn)練模型,而遷移學(xué)習(xí)則利用已有的模型在新任務(wù)上進(jìn)行初始化或調(diào)整,以提高學(xué)習(xí)效果和泛化能力。
利用遷移學(xué)習(xí)的特性可以有效地完成從單一工況到復(fù)雜工況的故障診斷,尤其是在目標(biāo)域缺乏標(biāo)簽數(shù)據(jù)的情況下[101]。李東東等[102]研究設(shè)計(jì)了適用于風(fēng)電機(jī)組齒輪箱在變工況下的故障診斷方法,將診斷模型推廣到未知轉(zhuǎn)速的故障診斷。LIU等[103]提出一種基于條件變分生成對(duì)抗網(wǎng)絡(luò)的遷移學(xué)習(xí)方法,采用頻譜作為模型信號(hào),可以生成其他工況的缺失數(shù)據(jù),從而提高分類精度,解決了變工況數(shù)據(jù)的分類問(wèn)題。針對(duì)軸承故障在跨工況遷移診斷時(shí),域不變特征難以提取的問(wèn)題,包從望等[104]提出一種基于無(wú)參數(shù)注意力機(jī)制的軸承故障遷移診斷模型,利用自適應(yīng)批量歸一化和改進(jìn)的激活函數(shù),有效提取了跨工況域下的域不變特征。WAN等[105]利用基于遷移學(xué)習(xí)的稀疏自編碼器,將單一工況下學(xué)習(xí)到的知識(shí)遷移到復(fù)雜工況中,試驗(yàn)證明,該方法在復(fù)雜工況下是有效的,并且發(fā)現(xiàn)遷移學(xué)習(xí)對(duì)多工況和未知工況都有積極的影響。
4 結(jié)論與展望
隨著風(fēng)力發(fā)電技術(shù)的廣泛應(yīng)用,風(fēng)電機(jī)組的工作環(huán)境變得愈加復(fù)雜,長(zhǎng)期處于高轉(zhuǎn)速、負(fù)載大、極端溫度等復(fù)雜工況下,大型風(fēng)電傳動(dòng)鏈中的軸承和齒輪箱等部件極易發(fā)生故障。針對(duì)這一問(wèn)題,并結(jié)合近5年的文獻(xiàn),對(duì)大型風(fēng)電傳動(dòng)鏈故障診斷方法進(jìn)行了研究。綜述了大型風(fēng)電傳動(dòng)鏈的基本動(dòng)力學(xué)模型、主要部件的故障診斷以及復(fù)雜工況下風(fēng)電傳動(dòng)鏈的故障診斷方法;并針對(duì)現(xiàn)有大型風(fēng)電傳動(dòng)鏈故障診斷中存在的問(wèn)題,提出以下研究要點(diǎn)及趨勢(shì):
1) 智能傳感網(wǎng)絡(luò)。數(shù)據(jù)采集是任何狀態(tài)監(jiān)測(cè)和故障診斷中必不可少的一步。風(fēng)力發(fā)電機(jī)所處環(huán)境惡劣、噪聲大,開發(fā)高信噪比、壽命長(zhǎng)的傳感器,可在風(fēng)機(jī)狀態(tài)監(jiān)測(cè)和運(yùn)維方面發(fā)揮重要作用。智能傳感器技術(shù)在大型風(fēng)電場(chǎng)的遠(yuǎn)程實(shí)時(shí)數(shù)據(jù)采集和傳輸方面有顯著優(yōu)勢(shì),可能會(huì)是風(fēng)電在線故障診斷系統(tǒng)的重要發(fā)展方向。
2) 復(fù)合故障診斷。風(fēng)電傳動(dòng)鏈?zhǔn)且粋€(gè)復(fù)雜的系統(tǒng),由多個(gè)部件組成,包括主軸承、齒輪箱、發(fā)電機(jī)等。風(fēng)電傳動(dòng)鏈的故障具有并發(fā)性和繼發(fā)性,1個(gè)部件的故障可能會(huì)導(dǎo)致其他部件的故障,多故障共存成為常態(tài)。目前的故障診斷方法大多針對(duì)的是單一故障,針對(duì)風(fēng)電傳動(dòng)鏈復(fù)合故障診斷的研究還很少。風(fēng)電傳動(dòng)鏈復(fù)合故障診斷技術(shù)的研究可能是今后的研究熱點(diǎn)之一。
3) 多源信息融合。從目前的研究現(xiàn)狀可知,不同的信號(hào)處理方法有各自的優(yōu)勢(shì)與局限。如何結(jié)合各種信號(hào)處理方法的優(yōu)點(diǎn),克服每種方法單獨(dú)帶來(lái)的挑戰(zhàn),實(shí)現(xiàn)多源、多尺度、多參數(shù)的信息融合故障診斷技術(shù),將會(huì)是未來(lái)的研究方向之一。
4) 遠(yuǎn)程實(shí)時(shí)監(jiān)測(cè)。與陸上風(fēng)能相比,海上風(fēng)能資源更為豐富,且風(fēng)質(zhì)量更加穩(wěn)定。隨著風(fēng)力發(fā)電技術(shù)的不斷成熟,歐洲風(fēng)電強(qiáng)國(guó)如英國(guó)、法國(guó)、德國(guó)、荷蘭等已經(jīng)制定了相應(yīng)的海上風(fēng)電發(fā)展規(guī)劃。然而,海上風(fēng)力發(fā)電面臨著更為復(fù)雜和嚴(yán)峻的環(huán)境挑戰(zhàn),易導(dǎo)致風(fēng)電機(jī)組故障率增加。為了提高風(fēng)電運(yùn)維的可靠性和可用性、降低運(yùn)維成本,采用遠(yuǎn)程實(shí)時(shí)狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)至關(guān)重要。這些技術(shù)的應(yīng)用將有助于及時(shí)發(fā)現(xiàn)和解決故障,確保風(fēng)電系統(tǒng)的穩(wěn)定運(yùn)行,為海上風(fēng)力發(fā)電的可持續(xù)發(fā)展提供有力支持。
5) 數(shù)模融合診斷。目前的大部分故障診斷方法都是基于數(shù)據(jù)驅(qū)動(dòng),因?yàn)榛跀?shù)據(jù)驅(qū)動(dòng)的方法不依賴于對(duì)系統(tǒng)模型的深入理解,可以應(yīng)用在各種復(fù)雜的非線性系統(tǒng),但是其可解釋性較差,難以揭示系統(tǒng)內(nèi)在的故障機(jī)制。對(duì)要深入理解故障本質(zhì)的應(yīng)用場(chǎng)景來(lái)說(shuō),可能會(huì)限制數(shù)據(jù)驅(qū)動(dòng)方法的應(yīng)用。因此,基于數(shù)模融合的故障診斷方法可能會(huì)是大型風(fēng)電傳動(dòng)鏈的重要研究方向。
參考文獻(xiàn)
[1] 中國(guó)可再生能源學(xué)會(huì)風(fēng)能專業(yè)委員會(huì). 2022 年中國(guó)風(fēng)電吊裝容
量統(tǒng)計(jì)簡(jiǎn)報(bào)[J]. 風(fēng)能,2023(4):40-56.
Wind Energy Professional Committee of China Renewable Energy
Society. Statistical brief report on wind power hoisting capacity in
China in 2022[J]. Wind Energy,2023(4):40-56.
[2] 葉凱. 風(fēng)電機(jī)組傳動(dòng)鏈發(fā)電機(jī)軸承故障診斷方法研究[D]. 淄
博:山東理工大學(xué),2022:1-5.
YE Kai. Research on fault diagnosis for generator bearing of wind
turbine drive chain[D]. Zibo:Shandong University of Technology,
2022:1-5.
[3] 李德尚玉,陳斯達(dá). 實(shí)現(xiàn)碳中和目標(biāo)2050 年風(fēng)電裝機(jī)要超30 億
千瓦[N]. 21 世紀(jì)經(jīng)濟(jì)報(bào)道,2023-06-15(8):1-3.
LI Deshangyu,CHEN Sida. Achieving carbon neutrality goal:over
300 million kilowatts of wind power installed capacity by 2050
[N]. 21st Century Business Herald,2023-06-15(8):1-3.
[4] 白聰兒,孫哲杰,秦美娟,等. 風(fēng)電機(jī)組傳動(dòng)鏈動(dòng)力響應(yīng)特性與支
撐系統(tǒng)影響[J]. 浙江大學(xué)學(xué)報(bào)(工學(xué)版),2023,57(6):1165-
1174.
BAI Cong’er,SUN Zhejie,QIN Meijuan,et al. Dynamic response
characteristics of wind turbine drivetrain and influence of support
system[J]. Journal of Zhejiang University (Engineering Science),
2023,57(6):1165-1174.
[5] TAHERIAN-FARD E,SAHEBI R,NIKNAM T,et al. Wind turbine
drivetrain technologies[J]. IEEE Transactions on Industry Applications,
2020,56(2):1729-1741.
[6] 廖明夫. 風(fēng)力發(fā)電技術(shù)[M]. 西安:西北工業(yè)大學(xué)出版社,
2009:34.
LIAO Mingfu. Wind power generation technology[M]. Xi an:
Northwestern Polytechnical University Press,2009:34.
[7] 尹堯杰. 大型雙饋風(fēng)電機(jī)組傳動(dòng)鏈動(dòng)力學(xué)特性研究[D]. 西安:
西北工業(yè)大學(xué),2018:8-15.
YIN Yaojie. Research on dynamics characteristics of large doublyfed
wind turbine transmission chain[D]. Xian:Northwestern Polytechnical
University,2018:8-15.
[8] 秦大同,呂雪慧,陳銳博,等. 運(yùn)行工況下風(fēng)電傳動(dòng)系統(tǒng)機(jī)電耦合
建模及其動(dòng)態(tài)特性分析[J]. 中國(guó)機(jī)械工程,2022,33(3):
253-260.
QIN Datong,Lü Xuehui,CHEN Ruibo,et al. Modeling and dynamic
characteristic analysis of electromechanical coupling in
wind power transmission system under operating conditions[J].
China Mechanical Engineering,2022,33(3):253-260.
[9] 朱蕓,尤強(qiáng)強(qiáng). 齒輪傳動(dòng)系統(tǒng)建模與動(dòng)態(tài)響應(yīng)特性分析[J]. 機(jī)械
傳動(dòng),2018,42(10):154-159.
ZHU Yun,YOU Qiangqiang. Modeling and dynamic response
characteristic analysis of gear transmission system[J]. Journal of
Mechanical Transmission,2018,42(10):154-159.
[10] LI Z W,WEN B R,PENG Z K,et al. Dynamic modeling and analysis
of wind turbine drivetrain considering the effects of nontorque
loads[J]. Applied Mathematical Modelling,2020,83:
146-168.
[11] WANG S S,NEJAD A R,MOAN T. On design,modelling,and
analysis of a 10‐ MW medium ‐ speed drivetrain for offshore wind
turbines[J]. Wind Energy,2020,23(4):1099-1117.
[12] 張孔亮,肖正明,張圓東,等. 基于剛?cè)狁詈辖5凝X輪箱動(dòng)力學(xué)
仿真與實(shí)驗(yàn)研究[J]. 振動(dòng)與沖擊,2020,39(7):108-115.
ZHANG Kongliang,XIAO Zhengming,ZHANG Yuandong,et al.
Simulation and experimental research on dynamics of gearboxes
based on rigid-flexible coupling modeling[J]. Journal of Vibration
and Shock,2020,39(7):108-115.
[13] HAN B,KONG X F,ZHANG Z W,et al. Neural network model
predictive control optimisation for large wind turbines[J]. IET
Generation,Transmission amp; Distribution,2017,11(14):3491-
3498.
[14] 郭偉超,趙懷山,李成,等. 基于小波包能量譜與主成分分析的軸
承故障特征增強(qiáng)診斷方法[J]. 兵工學(xué)報(bào),2019,40(11):2370-
2377.
GUO Weichao,ZHAO Huaishan,LI Cheng,et al. Fault feature enhancement
diagnosis method for rolling bearing based on wavelet
packet energy spectrum and principal component analysis[J]. Acta
Armamentarii,2019,40(11):2370-2377.
[15] ZHENG J D,HUANG S Q,PAN H Y,et al. Adaptive power spectrum
fourier decomposition method with application in fault diagnosis
for rolling bearing[J]. Measurement,2021,183:109837.
[16] 張博,程珩. 倒頻譜在直驅(qū)風(fēng)機(jī)主軸軸承故障診斷中的應(yīng)用[J].
機(jī)械設(shè)計(jì)與制造,2014(7):265-267.
ZHANG Bo,CHENG Heng. Application of inverse frequency
spectrum in fault diagnosis of main shaft bearing of direct drive
wind turbine[J]. Machinery Design & Manufacture,2014(7):
265-267.
[17] MURUGANATHAM B,SANJITH M A,KRISHNAK-UMAR B,
et al. Roller element bearing fault diagnosis using singular spectrum
analysis[J]. Mechanical Systems and Signal Processing,
2013,35(1/2):150-166.
[18] 李恒,張氫,秦仙蓉,等. 基于短時(shí)傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)的
軸承故障診斷方法[J]. 振動(dòng)與沖擊,2018,37(19):124-131.
LI Heng,ZHANG Qing,QIN Xianrong,et al. Bearing fault diagnosis
method based on short-time Fourier transform and convolutional
neural network[J]. Journal of Vibration and Shock,2018,37
(19):124-131.
[19] 余傳糧,梁睿君,冉文豐,等. 基于STFT和CNN的齒輪箱故障診
斷[J]. 機(jī)械制造與自動(dòng)化,2022,51(3):152-154.
YU Chuanliang,LIANG Ruijun,RAN Wenfeng,et al. Fault diagnosis
of gearbox based on STFT and CNN[J]. Machine Building
amp; Automation,2022,51(3):152-154.
[20] ZHANG Q,DENG L F. An intelligent fault diagnosis method of
rolling bearings based on short-time Fourier transform and convolutional
neural network[J]. Journal of Failure Analysis and Prevention,
2023,23(2):795-811.
[21] 孫國(guó)棟,王俊豪,徐昀,等. CEEMD-WVD多尺度時(shí)頻圖像的滾
動(dòng)軸承故障診斷[J]. 機(jī)械科學(xué)與技術(shù),2020,39(5):688-694.
SUN Guodong,WANG Junhao,XU Yun,et al. Rolling bearing
fault diagnosis based on multi-scale time-frequency images of
CEEMD-WVD[J]. Mechanical Science and Technology for Aerospace
Engineering,2020,39(5):688-694.
[22] WANG H C,DU W L. A noise-resistant Wigner-Ville spectrum
analysis method based on cyclostationarity and its application in
fault diagnosis of rotating[J]. Journal of Vibroengineering,2020,
22(3):566-577.
[23] LI H,ZHANG Q,QIN X R,et al. K-SVD-based WVD enhance‐
ment algorithm for planetary gearbox fault diagnosis under a CNN
framework[J]. Measurement Science and Technology,2020,31
(2):025003.
[24] 馬新娜,楊紹普. 滾動(dòng)軸承復(fù)合故障診斷的自適應(yīng)方法研究[J].
振動(dòng)與沖擊,2016,35(10):145-150.
MA Xinna,YANG Shaopu. Research on adaptive method for rolling
bearing composite fault diagnosis[J]. Journal of Vibration and
Shock,2016,35(10):145-150.
[25] ABDELKADER R,KADDOUR A,DEROUICHE Z. Enhancement
of rolling bearing fault diagnosis based on improvement of
empirical mode decomposition denoising method[J]. The International
Journal of Advanced Manufacturing Technology,2018,97
(5):3099-3117.
[26] 江莉,向世召. 基于CEEMDAN-VSSLMS 的滾動(dòng)軸承故障診斷
[J]. 計(jì)算機(jī)集成制造系統(tǒng),2024,30(3):1138-1148.
JIANG Li,XIANG Shizhao. Fault diagnosis of rolling bearings
based on CEEMDAN-VSSLMS[J]. Computer Integrated Manufacturing
Systems,2024,30(3):1138-1148.
[27] 雷春麗,焦孟萱,樊高峰,等. 基于SSA-IWT-EMD的滾動(dòng)軸承故
障診斷方法[J/OL]. 北京航空航天大學(xué)學(xué)報(bào): 1-19.https://doi.
org/10.13700/j.bh.1001-5965.2023.0174.
LEI Chunli,JIAO Mengxuan,F(xiàn)AN Gaofeng,et al. Fault diagnosis
method for rolling bearings based on SSA-IWT-EMD[J/OL]. Journal
of Beijing University of Aeronautics and Astronautics: 1-19.
https://doi.org/10.13700/j.bh.1001-5965.2023.0174.
[28] 谷玉海,朱騰騰,饒文軍,等. 基于EMD二值化圖像和CNN的滾
動(dòng)軸承故障診斷[J]. 振動(dòng). 測(cè)試與診斷,2021,41(1):105-113.
GU Yuhai,ZHU Tengteng,RAO Wenjun,et al. Fault diagnosis of
rolling bearings based on EMD binary image and CNN[J]. Journal
of Vibration,Measurement amp; Diagnosis,2021,41(1):105-113.
[29] 王奉濤,鄧剛,王洪濤,等. 基于EMD 和SSAE 的滾動(dòng)軸承故障
診斷方法[J]. 振動(dòng)工程學(xué)報(bào),2019,32(2):368-376.
WANG Fengtao,DENG Gang,WANG Hongtao,et al. Fault diagnosis
method for rolling bearings based on EMD and SSAE[J].
Journal of Vibration Engineering,2019,32(2):368-376.
[30] 陳宗祥,陳明星,焦民勝,等. 基于改進(jìn)EMD和雙譜分析的電機(jī)
軸承故障診斷實(shí)現(xiàn)[J]. 電機(jī)與控制學(xué)報(bào),2018,22(5):78-83.
CHEN Zongxiang,CHEN Mingxing,JIAO Minsheng,et al. Implementation
of motor bearing fault diagnosis based on enhanced
EMD and bispectral analysis[J]. Electric Machines and Control,
2018,22(5):78-83.
[31] GU J,PENG Y X. An improved complementary ensemble empirical
mode decomposition method and its application in rolling bearing
fault diagnosis[J]. Digital Signal Processing,2021,113:
103050.
[32] YU X,DING E J,CHEN C X,et al. A novel characteristic frequency
bands extraction method for automatic bearing fault diagnosis
based on Hilbert Huang transform[J]. Sensors,2015,15(11):
27869-27893.
[33] BODLA M K,MALIK S M,RASHEED M T,et al. Logistic regression
and feature extraction based fault diagnosis of main bearing
of wind turbines[C]// 2016 IEEE 11th Conference on Industrial
Electronics and Applications(ICIEA).Hefei,China:IEEE,2016:
1628-1633.
[34] 欒孝馳,李彥徵,徐石,等. 基于小波包變換與CEEMDAN 的滾
動(dòng)軸承故障診斷方法[J]. 航空動(dòng)力學(xué)報(bào),2024,39(5):1-16.
LUAN Xiaochi,LI Yanzheng,XU Shi,et al. Fault diagnosis method
for rolling bearing based on wavelet packet transform and
CEEMDAN[J]. Journal of Aerospace Power,2024,39(5):1-16.
[35] 李志農(nóng),劉躍凡,胡志峰,等. 經(jīng)驗(yàn)小波變換-同步提取及其在滾
動(dòng)軸承故障診斷中的應(yīng)用[J]. 振動(dòng)工程學(xué)報(bào),2021,34(6):
1284-1292.
LI Zhinong,LIU Yuefan,HU Zhifeng,et al. Application of empirical
wavelet transform-synchronous extraction in rolling bearing
fault diagnosis[J]. Journal of Vibration Engineering,2021,34(6):
1284-1292.
[36] 閆愛(ài)云,趙宇航,孫向伯,等. 基于小波變換和SVDD的軸承故障
診斷算法研究[J]. 信息系統(tǒng)工程,2021(10):135-136.
YAN Aiyun,ZHAO Yuhang,SUN Xiangbo,et al. Research on
bearing fault diagnosis algorithm based on wavelet transform and
SVDD[J]. China CIO News,2021(10):135-136.
[37] XU Y G,DENG Y J,ZHAO J Y,et al. A novel rolling bearing fault
diagnosis method based on empirical wavelet transform and spectral
trend[J]. IEEE Transactions on Instrumentation and Measurement,
2020,69(6):2891-2904.
[38] XU Y G,TIAN W K,ZHANG K,et al. Application of an enhanced
fast kurtogram based on empirical wavelet transform for bearing
fault diagnosis[J]. Measurement Science and Technology,2019,30
(3):035001.
[39] 崔朝臣. 風(fēng)電機(jī)組發(fā)電機(jī)軸承故障診斷方法研究[D]. 天津:中
國(guó)民航大學(xué),2020:45-59.
CUI Chaochen. Research on fault diagnosis method of wind turbine
generator bearing[D]. Tianjin:Civil Aviation University of
China,2020:45-59.
[40] CHEN J L,PAN J,LI Z P,et al. Generator bearing fault diagnosis
for wind turbine via empirical wavelet transform using measured
vibration signals[J]. Renewable Energy,2016,89:80-92.
[41] AN X L,PAN L P. Bearing fault diagnosis of a wind turbine based
on variational mode decomposition and permutation entropy[J].
Proceedings of the Institution of Mechanical Engineers,Part O:
Journal of Risk and Reliability,2017,231(2):200-206.
[42] 馬天霆,孫振波,鄧艾東,等. 基于頻率誘導(dǎo)變分模態(tài)分解的齒輪
箱故障診斷[J]. 東南大學(xué)學(xué)報(bào)(自然科學(xué)版),2023,53(4):
702-708.
MA Tianting,SUN Zhenbo,DENG Aidong,et al. Fault diagnosis
of gearbox based on frequency-induced variational mode decomposition
[J]. Journal of Southeast University(Natural Science Edition),
2023,53(4):702-708.
[43] 晏云海,郭瑜,伍星. 基于循環(huán)譜分析的魯棒性滾動(dòng)軸承故障特
征提取方法[J]. 振動(dòng)與沖擊,2022,41(6):1-7.
YAN Yunhai,GUO Yu,WU Xing. Robust rolling bearing fault feature
extraction method based on cyclic spectrum analysis[J]. Journal
of Vibration and Shock,2022,41(6):1-7.
[44] GAO Q W,LIU W Y,TANG B P,et al. A novel wind turbine fault
diagnosis method based on intergral extension load mean decomposition
multiscale entropy and least squares support vector machine
[J]. Renewable Energy,2018,116:169-175.
[45] INSUASTY A,TUTIVéN GáLVEZ C,VIDAL SEGúI Y. SCADA
data-driven wind turbine main bearing fault prognosis based
on one-class support vector machines[J]. Renewable Energy and
Power Quality Journal,2021,19:338-343.
[46] WANG Z Y,YAO L G,CAI Y W,et al. Mahalanobis semi-supervised
mapping and beetle antennae search based support vector machine
for wind turbine rolling bearings fault diagnosis[J]. Renewable
Energy,2020,155:1312-1327.
[47] 彭成,王松松,賀婧,等. 基于離散小波變換和隨機(jī)森林的軸承故
障診斷研究[J]. 計(jì)算機(jī)應(yīng)用研究,2021,38(1):101-105.
PENG Cheng,WANG Songsong,HE Jing,et al. Research on bearing
fault diagnosis based on discrete wavelet transform and random
forest[J]. Application Research of Computers,2021,38(1):
101-105.
[48] WU H B,CHEN Y S,ZHANG T H,et al. Rolling bearing fault diagnosis
by improved multiscale amplitude-aware permutation entropy
and random forest[J]. Optics and Precision Engineering,
2020,28(3):621-631.
[49] 張西寧,張?chǎng)苋谕?,? 基于多維縮放和隨機(jī)森林的軸承故
障診斷方法[J]. 西安交通大學(xué)學(xué)報(bào),2019,53(8):1-7.
ZHANG Xining,ZHANG Wenwen,ZHOU Rongtong,et al. A
bearing fault diagnosis method based on multiple dimensional scaling
and random forest[J]. Journal of Xi’an Jiaotong University,
2019,53(8):1-7.
[50] 饒雷,冉軍,陶建權(quán),等. 基于隨機(jī)森林的海上風(fēng)電機(jī)組發(fā)電機(jī)軸
承異常狀態(tài)監(jiān)測(cè)方法[J]. 船舶工程,2022,44(增刊2):27-31.
RAO Lei,RAN Jun,TAO Jianquan,et al. Monitoring method for
abnormal state of generator bearing of offshore wind turbine based
on random forest[J]. Ship Engineering,2022,44(Suppl. 2):27-31.
[51] BERETTA M,VIDAL Y,SEPULVEDA J,et al. Improved ensemble
learning for wind turbine main bearing fault diagnosis[J]. Applied
Sciences,2021,11(16):7523.
[52] ZHANG Z Y,WANG K S. Wind turbine fault detection based on
SCADA data analysis using ANN[J]. Advances in Manufacturing,
2014,2(1):70-78.
[53] ZHANG Z Y. Automatic fault prediction of wind turbine main bearing
based on SCADA data and artificial neural network[J]. Open
Journal of Applied Sciences,2018,8(6):211-225.
[54] 劉杰,蔣樹旗. 基于LSTNet 網(wǎng)絡(luò)的風(fēng)電機(jī)組發(fā)電機(jī)主軸承溫度
預(yù)測(cè)研究[J]. 傳感技術(shù)學(xué)報(bào),2022,35(7):945-951.
LIU Jie,JIANG Shuqi. Research on wind turbine generator main
bearing temperature prediction based on LSTNet network[J]. Chinese
Journal of Sensors and Actuators,2022,35(7):945-951.
[55] 徐碩,鄧艾東,楊宏強(qiáng),等. 基于改進(jìn)殘差網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診
斷[J]. 太陽(yáng)能學(xué)報(bào),2023,44(7):409-418.
XU Shuo,DENG Aidong,YANG Hongqiang,et al. Fault diagnosis
of rotating machinery based on improved residual network[J]. Acta
Energiae Solaris Sinica,2023,44(7):409-418.
[56] SHIN S H,KIM S,SEO Y H. Development of a fault monitoring
technique for wind turbines using a hidden Markov model[J]. Sensors,
2018,18(6):1790.
[57] ZHAO Y,LIU Y Q,WANG R M. Fuzzy scalar quantisation based
on hidden Markov model and application in fault diagnosis of wind
turbine[J]. The Journal of Engineering,2017,2017(14):2685-
2689.
[58] 龍舟,王細(xì)洋. 基于EMD和連續(xù)隱馬爾可夫模型的滾動(dòng)軸承故
障診斷方法[J]. 南昌航空大學(xué)學(xué)報(bào)(自然科學(xué)版),2020,34(4):
7-12.
LONG Zhou,WANG Xiyang. Rolling bearing fault diagnosis
method based on EMD and continuous hidden Markov model[J].
Journal of Nanchang Hangkong University (Natural Sciences),
2020,34(4):7-12.
[59] HELBLING G,RITTER M. Deep learning for fault detection in
wind turbines[J]. Renewable and Sustainable Energy Reviews,
2018,98:189-198.
[60] 黃祥聲,孫秋菊,湯筱茅,等. 基于SVDP 基尼指數(shù)圖和ARLD的
風(fēng)電機(jī)組主軸承微弱故障診斷[J]. 機(jī)電工程,2023,40(6):
803-814.
HUANG Xiangsheng,SUN Qiuju,TANG Xiaomao,et al. Weak
fault diagnosis of wind turbine main bearing based on SVDP Gini
index image and ARLD[J]. Journal of Mechanical amp; Electrical Engineering,
2023,40(6):803-814.
[61] ZHAO H S,LIU H H,HU W J,et al. Anomaly detection and fault
analysis of wind turbine components based on deep learning network
[J]. Renewable Energy,2018,127:825-834.
[62] JAMIL F,VERSTRAETEN T,NOWé A,et al. A deep boosted
transfer learning method for wind turbine gearbox fault detection
[J]. Renewable Energy,2022,197:331-341.
[63] SUN T D,YU G,GAO M,et al. Fault diagnosis methods based on
machine learning and its applications for wind turbines:a review
[J]. IEEE Access,2021,9:147481-147511.
[64] XUE Y J,BEAUSEROY P. Transfer learning for one class SVM
adaptation to limited data distribution change[J]. Pattern Recognition
Letters,2017,100:117-123.
[65] GAO Z W,LIU X X. An overview on fault diagnosis,prognosis
and resilient control for wind turbine systems[J]. Processes,2021,
9(2):300.
[66] QIAO W,LU D G. A survey on wind turbine condition monitoring
and fault diagnosis:Part Ⅱ:signals and signal processing methods
[J]. IEEE Transactions on Industrial Electronics,2015,62(10):
6546-6557.
[67] 曾軍,陳艷峰,楊蘋,等. 大型風(fēng)力發(fā)電機(jī)組故障診斷綜述[J]. 電
網(wǎng)技術(shù),2018,42(3):849-860.
ZENG Jun,CHEN Yanfeng,YANG Ping,et al. Review of fault diagnosis
for large wind turbine generator[J]. Power System Technology,
2018,42(3):849-860.
[68] 龍霞飛,楊蘋,郭紅霞,等. 大型風(fēng)力發(fā)電機(jī)組故障診斷方法綜述
[J]. 電網(wǎng)技術(shù),2017,41(11):3480-3491.
LONG Xiafei,YANG Ping,GUO Hongxia,et al. Review of fault
diagnosis methods for large wind turbine generators[J]. Power
System Technology,2017,41(11):3480-3491.
[69] 司景萍,馬繼昌,牛家驊,等. 基于模糊神經(jīng)網(wǎng)絡(luò)的智能故障診斷
專家系統(tǒng)[J]. 振動(dòng)與沖擊,2017,36(4):164-171.
SI Jingping,MA Jichang,NIU Jiahua,et al. An intelligent fault diagnosis
expert system based on fuzzy neural network[J]. Journal
of Vibration and Shock,2017,36(4):164-171.
[70] BERREDJEM T,BENIDIR M. Bearing faults diagnosis using
fuzzy expert system relying on an improved range overlaps and
similarity method[J]. Expert Systems with Applications,2018,
108:134-142.
[71] 趙傳洋,劉紅兵,蔣哲,等. 基于故障樹的浮式風(fēng)機(jī)系泊系統(tǒng)失效
風(fēng)險(xiǎn)分析[J]. 哈爾濱工程大學(xué)學(xué)報(bào),2023,44(8):1263-1269.
ZHAO Chuanyang,LIU Hongbing,JIANG Zhe,et al. Failure risk
analysis of floating offshore wind turbine mooring systems based
on the fault tree method[J]. Journal of Harbin Engineering University,
2023,44(8):1263-1269.
[72] GARCíA MáRQUEZ F P,SEGOVIA RAMíREZ I,MOHAMMADI-
IVATLOO B,et al. Reliability dynamic analysis by fault trees
and binary decision diagrams[J]. Information,2020,11(6):324.
[73] 陶勇劍,董德存,任鵬. 采用故障樹分析診斷系統(tǒng)故障的改進(jìn)方
法[J]. 哈爾濱工業(yè)大學(xué)學(xué)報(bào),2010,42(1):143-147.
TAO Yongjian,DONG Decun,REN Peng. An improved method
for system fault diagnosis using fault tree analysis[J]. Journal of
Harbin Institute of Technology,2010,42(1):143-147.
[74] 楊帆,蕭德云. SDG建模及其應(yīng)用的進(jìn)展[J]. 控制理論與應(yīng)用,
2005,22(5):767-774.
YANG Fan,XIAO Deyun.Progress in SDG modeling and its applications
[J]. Control Theory amp; Applications,2005,22(5):767-774.
[75] 劉友寬,蘇適,楊洋,等. 基于SDG模型的風(fēng)力發(fā)電機(jī)故障診斷
方法[J]. 機(jī)械強(qiáng)度,2013,35(5):583-588.
LIU Youkuan,SU Shi,YANG Yang,et al. Fault diagnosis method
for wind turbine generator based on SDG model[J]. Journal of Mechanical
Strength,2013,35(5):583-588.
[76] ZADEH L A. Fuzzy logic—a personal perspective[J]. Fuzzy Sets
and Systems,2015,281:4-20.
[77] 錢小毅,孫天賀,王寶石,等. 基于知識(shí)規(guī)則挖掘的風(fēng)電機(jī)組故障
識(shí)別與解釋性分析[J]. 太陽(yáng)能學(xué)報(bào),2023,44(8):379-385.
QIAN Xiaoyi,SUN Tianhe,WANG Baoshi,et al. Fault identification
and interpretive analysis of wind turbines based on knowledge
rule mining[J]. Acta Energiae Solaris Sinica,2023,44(8):
379-385.
[78] ZHOU K,TANG J. Harnessing fuzzy neural network for gear fault
diagnosis with limited data labels[J]. The International Journal of
Advanced Manufacturing Technology,2021,115(4):1005-1019.
[79] ZHOU A M,YU D J,ZHANG W Y. A research on intelligent fault
diagnosis of wind turbines based on ontology and FMECA[J]. Advanced
Engineering Informatics,2015,29(1):115-125.
[80] 蔡梅園,陳薛梅,聶思宇,等. 風(fēng)電機(jī)組發(fā)電機(jī)軸承電蝕研究[J].
船舶工程,2019,41(增刊1):302-306.
CAI Meiyuan,CHEN Xuemei,NIE Siyu,et al. Study on electric
erosion of generator bearing of wind turbine[J]. Ship Engineering,
2019,41(Suppl. 1):302-306.
[81] 張軼東,張苗,趙博煊,等. 海上風(fēng)電機(jī)組發(fā)電機(jī)軸承電腐蝕檢測(cè)
及原因分析[J]. 船舶工程,2022,44(增刊1):106-110.
ZHANG Yidong,ZHANG Miao,ZHAO Boxuan,et al. Detection
and cause analysis of generator bearing electrical corrosion in offshore
wind turbine units[J]. Ship Engineering,2022,44(Suppl.
1):106-110.
[82] 陳金路,張翔宇,鄭向遠(yuǎn),等. 海上風(fēng)電智能運(yùn)維關(guān)鍵技術(shù)與發(fā)展
建議[J]. 海洋開發(fā)與管理,2023,40(6):117-128.
CHEN Jinlu,ZHANG Xiangyu,ZHENG Xiangyuan,et al. Key
technologies and development suggestions for intelligent operation
and maintenance of offshore wind power[J]. Ocean Development
and Management,2023,40(6):117-128.
[83] CHEN X,XU W,LIU Y,et al. Bearing corrosion failure diagnosis
of doubly fed induction generator in wind turbines based on stator
current analysis[J]. IEEE Transactions on Industrial Electronics,
2019,67(5):3419-3430.
[84] 孫娟. 基于模型的風(fēng)電齒輪箱故障檢測(cè)[D]. 南京:南京理工大
學(xué),2015:24-43.
SUN Juan. Model-based fault detection of wind turbine gearbox
[D]. Nanjing:Nanjing University of Science and Technology,
2015:24-43.
[85] LI D X,ZHAO Y,ZHAO Y. A dynamic-model-based fault diagnosis
method for a wind turbine planetary gearbox using a deep learning
network[J]. Protection and Control of Modern Power Systems,
2022,7(1):22.
[86] 丁顯,徐進(jìn),黎曦琳,等. 融合維納過(guò)程和粒子濾波的風(fēng)力發(fā)電機(jī)
軸承剩余壽命預(yù)測(cè)[J]. 太陽(yáng)能學(xué)報(bào),2022,43(12):248-255.
DING Xian,XU Jin,LI Xilin,et al. Remaining useful life prediction
of wind turbine bearing based on wiener process and particle
filtering[J]. Acta Energiae Solaris Sinica,2022,43(12):248-255.
[87] RIBRANT J,BERTLING L M. Survey of failures in wind power
systems with focus on Swedish wind power plants during 1997-
2005[J]. IEEE Transactions on Energy Conversion,2007,22(1):
167-173.
[88] 胡春生,李國(guó)利,趙勇,等. 變工況滾動(dòng)軸承故障診斷方法綜述
[J]. 計(jì)算機(jī)工程與應(yīng)用,2022,58(18):26-42.
HU Chunsheng,LI Guoli,ZHAO Yong,et al. A review of fault diagnosis
methods for rolling bearings under variable working conditions
[J]. Computer Engineering and Applications,2022,58(18):
26-42.
[89] FYFE K R,MUNCK E D S. Analysis of computed order tracking
[J]. Mechanical Systems and Signal Processing,1997,11(2):
187-205.
[90] LI Y Z,DING K,HE G L,et al. Non-stationary vibration feature
extraction method based on sparse decomposition and order tracking
for gearbox fault diagnosis[J]. Measurement,2018,124:
453-469.
[91] 郭俊. 變轉(zhuǎn)速工況下直驅(qū)式永磁同步風(fēng)力發(fā)電機(jī)軸承故障診斷
方法研究[D]. 合肥:中國(guó)科學(xué)技術(shù)大學(xué),2020:28-38.
GUO Jun. Research on bearing fault diagnosis method of directdrive
permanent magnet synchronous wind turbine under variable
speed conditions[D]. Hefei:University of Science and Technology
of China,2020:28-38.
[92] 萬(wàn)書亭,王燕杰,張雄,等. 時(shí)變工況的風(fēng)電機(jī)組齒輪箱無(wú)轉(zhuǎn)速計(jì)
階次跟蹤方法研究[J]. 振動(dòng)工程學(xué)報(bào),2023,36(1):266-279.
WAN Shuting,WANG Yanjie,ZHANG Xiong,et al. Research on
order tracking method for wind turbine gearbox under time-varying
conditions[J]. Journal of Vibration Engineering,2023,36(1):
266-279.
[93] 崔誠(chéng),陳長(zhǎng)征,吳煥杰,等. 變轉(zhuǎn)速下的風(fēng)力機(jī)行星齒輪箱故障診
斷研究[J]. 機(jī)械強(qiáng)度,2022,44(2):263-270.
CUI Cheng,CHEN Changzheng,WU Huanjie,et al. Research on
fault diagnosis of wind turbine planetary gearbox under variable
speed[J]. Journal of Mechanical Strength,2022,44(2):263-270.
[94] LI C J,LI S B,ZHANG A S,et al. Meta-learning for few-shot bearing
fault diagnosis under complex working conditions[J]. Neurocomputing,
2021,439:197-211.
[95] 李炳達(dá). 復(fù)雜工況下基于注意力機(jī)制的滾動(dòng)軸承智能故障診斷
方法研究[D]. 北京:北京交通大學(xué),2022:34-63.
LI Bingda. Research on intelligent fault diagnosis method for rolling
bearings based on attention mechanism under complex working
conditions[D]. Beijing:Beijing Jiaotong University,2022:
34-63.
[96] XU K,KONG X G,WANG Q B,et al. A bearing fault diagnosis
method without fault data in new working condition combined dynamic
model with deep learning[J]. Advanced Engineering Informatics,
2022,54:101795.
[97] 王連云. 復(fù)雜工況條件下滾動(dòng)軸承故障診斷方法研究[D]. 無(wú)
錫:江南大學(xué),2022:8-51.
WANG Lianyun. Research on fault diagnosis method of rolling
bearing under complex working conditions[D]. Wuxi:Jiangnan
University,2022:8-51.
[98] 金國(guó)強(qiáng). 基于深度學(xué)習(xí)的復(fù)雜工況下端到端的滾動(dòng)軸承故障診
斷算法研究[D]. 合肥:中國(guó)科學(xué)技術(shù)大學(xué),2020:24-91.
JIN Guoqiang. Research on end-to-end rolling bearing fault diagnosis
algorithm based on deep learning under complex working conditions
[D]. Hefei:University of Science and Technology of China,
2020:24-91.
[99] 王廣書. 復(fù)雜工況條件下風(fēng)電機(jī)組齒輪箱故障診斷方法研究
[D]. 蘭州:蘭州理工大學(xué),2023:11-53.
WANG Guangshu. Research on fault diagnosis method for wind
turbine gearbox under complex operating conditions [D]. Lanzhou:
Lanzhou University of Technology,2023:11-53.
[100]WANG C G,LI H K,ZHANG K L,et al. Intelligent fault diagnosis
of planetary gearbox based on adaptive normalized CNN under
complex variable working conditions and data imbalance[J]. Measurement,
2021,180:109565.
[101]劉世豪,王細(xì)洋,龔?fù)? 基于深度遷移學(xué)習(xí)的齒輪故障診斷方
法[J]. 機(jī)械傳動(dòng),2023,47(5):134-142.
LIU Shihao,WANG Xiyang,GONG Tingkai. Gear fault diagnosis
method based on deep transfer learning[J]. Journal of Mechanical
Transmission,2023,47(5):134-142.
[102]李東東,趙陽(yáng),趙耀. 一種變工況下風(fēng)電機(jī)組行星齒輪箱的故障
診斷方法[J]. 電機(jī)與控制學(xué)報(bào),2023,27(1):33-45.
LI Dongdong,ZHAO Yang,ZHAO Yao. A fault diagnosis method
for wind turbine planetary gearboxes under variable operating conditions
[J]. Electric Machines and Control,2023,27(1):33-45.
[103]LIU X B,MA H F,LIU Y B. A novel transfer learning method
based on conditional variational generative adversarial networks
for fault diagnosis of wind turbine gearboxes under variable working
conditions[J]. Sustainability,2022,14(9):5441.
[104]包從望,朱廣勇,鄒旺,等. 基于SimAM注意力機(jī)制的軸承故障
遷移診斷模型[J]. 機(jī)電工程,2024,41(5):862-869.
BAO Congwang,ZHU Guangyong,ZOU Wang,et al. Rearing
fault transfer diagnosis model based on SimAM attention mechanism
[J]. Journal of Mechanical amp; Electrical Engineering,2024,41
(5):862-869.
[105]WAN Z T,YANG R,HUANG M J. Deep transfer learning based
fault diagnosis for gearbox under complex working conditions[J].
Shock and Vibration,2020,2020(1):8884179.