為提高故障發(fā)生率較高的齒輪箱高速軸軸承狀態(tài)監(jiān)測效率和準(zhǔn)確性,提出了一種基于深度學(xué)習(xí)模型的狀態(tài)監(jiān)測方法。首先采用ReliefF方法初選建模變量,并通過降噪自編碼網(wǎng)絡(luò)對這些變量進(jìn)行降維處理,使用長短期記憶網(wǎng)絡(luò)對降維簡化后的高速軸軸承溫度與其影響變量之間的非線性關(guān)系進(jìn)行建模,然后在監(jiān)測階段引入序貫概率比檢驗方法,捕捉模型預(yù)測軸承溫度殘差的異常變化,及時發(fā)出機(jī)組運行異常報警,最后以華東地區(qū)2臺1.5 MW實驗機(jī)組為例對模型進(jìn)行驗證。結(jié)果表明:采用本文方法能夠及時準(zhǔn)確地發(fā)現(xiàn)齒輪箱異常導(dǎo)致的高速軸軸承溫度超溫,為風(fēng)電機(jī)組齒輪箱狀態(tài)監(jiān)測和故障預(yù)警提供參考。 

【文章來源】：動力工程學(xué)報. 2020,40(11)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

參數(shù)權(quán)值

ReliefF算法可以有效確定與齒輪箱高速軸軸承溫度密切相關(guān)的變量(見表1),但該算法的局限在于無法去除冗余變量。如功率與發(fā)電機(jī)三相定子電流之間因為物理關(guān)系具有很高的相關(guān)性,功率增大,定子電流也相應(yīng)增大,若將這幾個參數(shù)一起選為建模變量,會增加變量的冗余性和模型復(fù)雜度,模型訓(xùn)練時間長,且存在過擬合風(fēng)險。降噪自編碼網(wǎng)絡(luò)的編碼過程在保留模型輸入重要特征的基礎(chǔ)上,去除冗余變量和特征,有效降低模型特征的維數(shù),其結(jié)構(gòu)圖見圖2。降噪自編碼(Denoising Autoencoder,DAE)通過對輸入數(shù)據(jù)添加隨機(jī)噪聲的方式對數(shù)據(jù)進(jìn)行破壞,在訓(xùn)練過程中學(xué)習(xí)消除噪聲干擾能力,獲取更為穩(wěn)健的特征表達(dá),重構(gòu)未污染的輸入信息。假設(shè)數(shù)據(jù)個數(shù)為m,參量個數(shù)為n,隱藏層個數(shù)為d,則輸入樣本數(shù)據(jù)x∈Rm×n,對x進(jìn)行隨機(jī)加噪處理得到 x ? ,再經(jīng)過編碼器函數(shù)編碼式得到隱藏層特征向量h:

齒輪箱高速軸軸承溫度變化具有一定的慣性,并且齒輪箱高速軸軸承溫度模型的歷史時刻輸入對模型的當(dāng)前時刻輸出也有較大影響。而LSTM網(wǎng)絡(luò)作為一種動態(tài)反饋網(wǎng)絡(luò)(見圖3),能夠?qū)⒛Ｐ偷臍v史時刻信息反饋至模型輸入,使模型能夠很好地反映溫度變化的較大慣性,非常適合齒輪箱高速軸軸承溫度建模。LSTM有3個結(jié)構(gòu)相同的門控制器:輸入門、輸出門和遺忘門,主要由激活函數(shù)sigmoid函數(shù)和點積操作組成。由于sigmoid函數(shù)的取值范圍是(0,1),則LSTM通過門控制器選擇狀態(tài)信息,決定信息能否通過。

【參考文獻(xiàn)】：
期刊論文
[1]基于SCADA系統(tǒng)的風(fēng)電機(jī)組主軸承故障預(yù)警方法[J]. 向健平,凌永志,詹俊,李鵬輝.  電力科學(xué)與技術(shù)學(xué)報. 2019(03)
[2]基于核極限學(xué)習(xí)機(jī)的風(fēng)電機(jī)組齒輪箱故障預(yù)警研究[J]. 劉帥,劉長良,曾華清.  中國測試. 2019(02)
[3]風(fēng)電機(jī)組齒輪箱高速軸端軸承熱-應(yīng)力耦合故障分析[J]. 譚博文,邱穎寧,李丹,馮延暉.  動力工程學(xué)報. 2017(02)
[4]基于支持向量機(jī)的風(fēng)電機(jī)組主軸軸承故障診斷[J]. 黃元維.  儀器儀表用戶. 2016(11)
[5]風(fēng)電機(jī)組傳動系統(tǒng)網(wǎng)絡(luò)化狀態(tài)監(jiān)測與故障診斷系統(tǒng)設(shè)計[J]. 馬婧華,湯寶平,韓延.  重慶大學(xué)學(xué)報. 2015(01)
[6]風(fēng)電機(jī)組齒輪箱溫度趨勢狀態(tài)監(jiān)測及分析方法[J]. 郭鵬,David Infield,楊錫運.  中國電機(jī)工程學(xué)報. 2011(32)



本文編號：3265264