摘要：为进一步提高风电机组关键部件的在变工况场景中的故障诊断精度，满足工业现场诊断实际应用需求。首先设计了一种信号-图像转换方法，利用连续小波变换对旋转部件产生的振动信号进行时频分析处理，研究信号中低频故障频率和高频冲激频率分布特点，并采用图像融合方法构建CWT时频特征图，充分表达振动信号中包含的关键故障特征信息；其次针对变工况场景下故障诊断精度下降问题，设计出基于ConvNeXt和DJP-MMD的迁移故障诊断模型，实现对旋转部件运行状态的深度域不变特征的自适应提取，实验结果表明所设计的故障迁移诊断方法具有不错的诊断效果，平均准确率达到90.7%；最后设计了一套基于物联网架构的风电机组关键部件诊断应用系统，实现风电机组多源传感信息的采集、远程诊断和运维管理等功能，满足实际工作场景中风电机组状态在线监测与预测性维护的需求。
关键词：风电机组,小波分析,深度学习,故障诊断,物联网
0引言
近年来，为推进国家能源转型、保护生态环境、保障能源安全，实现可持续发展目标，我国重点关注可再生能源的开发。风能作为一种储量大、分布广的可再生清洁能源，逐渐成为我国能源的主要来源之一。随着国内“双碳”发展目标的制定与实施，我国风电行业迅速发展，风电机组装机规模持续扩大，利用水平稳步提升，技术研发不断加强[1-2]。
风电机组通常安装在地势较高的山地区域或风能资源充沛的近海地区，同时这些区域自然环境条件恶劣。风电机组长期在复杂多变的工作环境下运行，电机、轴承、齿轮等关键部件不可避免地产生损伤和退化，严重影响风电机组安全性和可靠性，甚至会导致重大的经济损失和安全事故[3-4]。因此，对风电机组各关键部件进行及时有效的故障诊断是非常重要的。
传统的定期巡检或事后维护等方法存在决策针对性不强、安全隐患较大、人工成本高等问题[5-6]，近些年来，随着风电机组海量传感数据和各种不同运行数据的积累，深度学习的迅速发展，基于信号分析和数据驱动的风电机组的状态监测和故障诊断方法得到大多数学者进行研究[7-9]。考虑到振动信号的非线性和非平稳特性，先对信号进行时频分析处理，再结合深度学习方法提取故障特征，可大大提高模型诊断能力。高宏伟等[10]结合希尔伯特变换和倒谱分析对振动数据进行故障特征提取，实现风电机组齿轮箱的故障诊断。卞文彬等[11]实现了风电机组滚动轴承在强噪声、不同负载下的高效故障诊断。肖俊青等[12]利用经验模态分解和卷积神经网络联合故障识别。陈阳等[13]将小波包分解子信号和原始信号转为二维时频图，利用卷积神经网络完成小波域和时频域双模态的特征学习。由于环境干扰和设备工作条件的变换，以数据驱动的深度神经网络难以匹配新目标域下的数据分布，从而导致模型诊断精度下降。研究人员尝试利用迁移学习来解决这一问题，迁移学习利用在源域学习到的知识帮助另一个不同但相关的目标域以更好的性能完成任务[14-15]。Chen等[16]提出了一种新的迁移学习算法用来处理数据不平衡和不同分布情况下风机电阻的故障诊断。安文杰等[17]提出一种多核领域适应的多尺度卷积神经网络风电机组轴承故障诊断研究方法，利用迁移学习理论完成了对实际工程风电机组轴承的故障诊断。Li等[18]利用参数迁移和卷积自编码器将风电机组诊断知识迁移到目标风机上。朱永超等[19]提出了基于迁移学习与动态加权的风电齿轮箱群组健康状态预测方法，提前检测风电齿轮箱的故障信息。
上述方法利用信号处理方法和深度学习方法完成了风电机组中关键部件的故障诊断，但依旧存在以下问题需要进一步研究：风电机组运行过程中产生的振动信号包含丰富的状态信息，但同时也存在大量噪声干扰和冗余数据，如何从振动信号中自适应地提取出故障状态敏感的特征信息是轴承故障诊断中需要解决的一个关键问题；不同工作条件下的故障数据特征分布是不一致的，需要从已知标签的数据域中学习状态表达能力更强的域不变特征分布空间，以提高故障诊断模型在变工况场景中的泛化性能。
本文针对上述问题，结合信号分析处理方法、深度迁移学习模型等相关技术，设计了基于小波分析与迁移学习的风电机组关键部件的故障诊断模型，实现了振动数据中故障状态敏感特征的自适应提取和轴承故障类别的判识；同时为满足现场应用需求，完成了一套针对风电机组关键部件的故障诊断系统，实现对风电机组各关键部件运行状态的检测与诊断。
1关键部件诊断算法模型设计
1.1相关理论
1.1.1小波变换
小波变换是一种具有时间-频率的局部特性及多分辨率分析特征的信号分析方法，可以有效地分析和处理
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/ligonglunwen/82152.html
