基于多信息融合的風力發電機齒輪箱故障診斷研究

(重慶工商大學 重慶 400000)

風力發電機狀態監測和故障診斷在風機運行和維護上的地位越來越重要。故障診斷過程主要包括特征信號檢測、特征信息提取、系統狀態識別。特征信號檢測即檢測系統狀態的特征信號。特征信息提取即從所檢測得的特征信號中提取征兆信息。系統狀態識別根據征兆和其它診斷信息來識別系統的狀態，進行故障定位，并做出診斷決策。

多傳感器融合技術也稱信息融合技術。它有一個非常明顯的特點，即它不是單一學科的技術，它的綜合性非常強。

本文提出基于多信息融合的風力發電機齒輪箱故障診斷研究按照“理論研究-方法研究-試驗驗證”的總體思路開展研究，將理論分析、算法設計、算法仿真、實驗驗證相結合。主要內容為將監測到的風機齒輪箱振動信號和電流信號進行信息融合，然后使用儲備池計算(ESN)模型進行特征提取，最后輸入到門控循環單元模型(GRU)中進行故障診斷。研究思路如下圖1所示的：

圖1 研究技術路線圖

圖2 ESN模型特征提取可視化

ESN作為一個訓練高效的循環神經網絡的新型計算方法，通過隨機固定的單個隱含層對信息進行提取，直接從時頻域信號中自適應地提取故障特征，擺脫了對信號處理技術和診斷經驗的依賴，免去了人工提取故障特征繁瑣復雜的過程。從而構建更深層次的特征表示方法。圖2所示為ESN的特征提取可視化。

為了突出本文所提出的基于ESN進行特征提取的GRU方法分類準確度，再分別采用門控循環單元(GRU)、多層長短期記憶(MLSTM)、長短期記憶(LSTM)和儲備池計算(ESN)方法進行比較。為了探究模型的穩定性，分別進行五次實驗，結果表明EGRU在故障診斷方面具有很準確的診斷效果。

表1 故障診斷分類精度表

可靠性管理研究是管理科學與工程領域的重點問題。而故障診斷決策問題又是可靠性管理研究的重點課題之一。本文以大型設備故障診斷決策方法有效性為挑戰，指出故障診斷決策方法存在的問題，并以風力發電機的齒輪箱為研究對象，結合齒輪箱零部件的各種異常狀態信息和監測信號分析探究故障診斷決策方法，為設備管理維護提供依據。總之本文以風力發電機齒輪箱為研究對象，通過特征選擇方法篩選與齒輪箱故障相關的物理信號特征，并深層學習各物理特征與故障診斷的相關性，建立了基于多信息融合的風力發電機齒輪箱故障診斷的深度學習模型，結果表明EGRU模型具有最高的分類精度，從而根據當前狀態為齒輪箱可預防性維護提供策略。