基于重采样降噪与主成分分析的宽卷积深度神经网络风机故障诊断方法

doi:10.12096/j.2096-4528.pgt.22178

发电技术 ›› 2023, Vol. 44 ›› Issue (6): 824-832.DOI: 10.12096/j.2096-4528.pgt.22178

基于重采样降噪与主成分分析的宽卷积深度神经网络风机故障诊断方法

刘展¹, 包琰洋², 李大字²

^1.北京能高普康测控技术有限公司，北京市丰台区 100070
^2.北京化工大学自动化研究所，北京市朝阳区 100029

收稿日期:2023-03-29 出版日期:2023-12-31 发布日期:2023-12-28
通讯作者: 李大字
作者简介:刘展(1982)，男，博士，高级工程师，主要从事风力发电行业基于工业物联网的核心关键设备服役能力保持与主动安全保障技术研究、产品开发及工业物联网大数据分析服务等相关工作，LiuZhan@bj-pukang.com；
包琰洋(2000)，男，硕士研究生，主要研究方向为强化学习与故障诊断等，2022200727@buct.edu.cn；
李大字(1970)，女，博士，教授，博士生导师，从事机器学习与人工智能、先进控制、复杂系统建模与优化等研究，本文通信作者，lidz@mail.buct.edu.cn。
基金资助:
国家自然科学基金项目(62273026);工信部高技术船舶科研项目(MC-202025-S02)

Fault Diagnosis Method of Wind Turbines Based on Wide Deep Convolutional Neural Network With Resampling and Principal Component Analysis

Zhan LIU¹, Yanyang BAO², Dazi LI²

^1.Beijing Pukang Automation Technology Co. , Ltd. , Fengtai District, Beijing 100070, China
^2.Institute of Automation, Beijing University of Chemical Technology, Chaoyang District, Beijing 100029, China

Received:2023-03-29 Published:2023-12-31 Online:2023-12-28
Contact: Dazi LI
Supported by:
National Natural Science Foundation of China(62273026);High-Tech Ship Research Project of Ministry of Industry and Information Technology(MC-202025-S02)

摘要/Abstract

摘要：

针对数据驱动的风机故障诊断面临的数据量少、信号噪声干扰等问题，提出了一种基于宽卷积深度神经网络的故障诊断方法。该方法采用了重采样、小波阈值去噪等信号预处理方式，既增加了信息密度，又保证了信息的完整性，结合主成分分析法(principal component analysis，PCA)替代人工经验进行数据通道的选取。利用卷积神经网络的强大特征提取能力，通过较少的数据训练即可对风机机组在时域上的故障信号进行有效的特征提取，从而可以对风机进行精确的故障诊断。基于某真实风机机组数据的实验结果，验证了该方法的有效性。

关键词: 风机, 宽卷积深度卷积神经网络, 重采样, 小波阈值去噪, 主成分分析法

Abstract:

Fault diagnosis of wind turbines suffers from less training data and noises. A method based on wide deep convolutional neural network with resampling and principal component analysis was presented for the diagnosis of mechanical faults (that is the main fault component of wind turbines). The method adopted a variety of signal preprocessing methods such as resampling wavelet threshold denoising and principal component analysis to increase the information density and ensure the integrity of the information. After being trained with small amount of data, the network which has a powerful feature extraction capability could extract the fault signal in the time domain which will be further used for fault diagnosis. Experimental results were verified based on the real wind turbine data, demonstrating the effectiveness of this method.

Key words: wind turbine, wide deep convolutional neural network, resampling, wavelet threshold denoising, principal component analysis

中图分类号:

TK 83

刘展, 包琰洋, 李大字. 基于重采样降噪与主成分分析的宽卷积深度神经网络风机故障诊断方法[J]. 发电技术, 2023, 44(6): 824-832.

Zhan LIU, Yanyang BAO, Dazi LI. Fault Diagnosis Method of Wind Turbines Based on Wide Deep Convolutional Neural Network With Resampling and Principal Component Analysis[J]. Power Generation Technology, 2023, 44(6): 824-832.

图/表 12

图1 WDCNN结构图

Fig. 1 Diagram of WDCNN structure

图2 某机组高速轴断齿振动信号重采样示意图

Fig. 2 Diagram of resampling vibration signal of high-speed shaft tooth breakage in a certain unit

图3 小波阈值降噪前后对比图

Fig. 3 Comparison before and after wavelet threshold denoising

图4 某机组高速轴振动信号PCA降维前后频域图

Fig. 4 Frequency domain diagram of high-speed shaft vibration signal of a certain unit before and after PCA dimensionality reduction

图5 某风机机组高速轴振动信号频域数据

Fig. 5 Frequency domain data of high-speed shaft vibration signal for a certain unit

图6 基于WDCNN方法结构图

Fig. 6 Structure diagram based on WDCNN method

图7 发电机驱动端原始数据

Fig. 7 Raw data of drive end of generator

图8 发电机非驱动端原始数据

Fig. 8 Raw data of non drive end of generator

表 1 相同转速下风机发电机故障诊断结果

Tab. 1 Fault diagnosis results of wind turbine generator at the same speed

类别	测试样本	分类准确率/%
发电机驱动端	50	100
发电机非驱动端	50	98

表 2 不同转速下风机发电机故障诊断结果

Tab. 2 Fault diagnosis results of fan generators at different rotational speeds

类别	测试样本	分类准确率/%
发电机驱动端	50	98
发电机非驱动端	50	96

图9 齿轮箱驱动端原始数据

Fig. 9 Raw data of drive end of gearbox

表3 消融实验结果

Tab. 3 Results of ablation experiment

风机编号	训练集				测试集
风机编号	第1组	第2组	第3组	第4组	第1组	第2组	第3组	第4组
01	0.956	0.942	0.998	0.985	0.956	0.948	0.984	0.976
02	0.957	0.949	0.997	0.987	0.949	0.943	0.988	0.975
03	0.957	0.937	0.998	0.992	0.956	0.941	0.989	0.978
04	0.952	0.938	0.998	0.989	0.956	0.945	0.983	0.973
05	0.954	0.951	0.996	0.986	0.965	0.941	0.984	0.974
06	0.968	0.949	0.998	0.983	0.957	0.938	0.987	0.972
07	0.953	0.943	0.996	0.987	0.954	0.946	0.985	0.974
08	0.959	0.942	0.998	0.985	0.955	0.942	0.982	0.975
09	0.951	0.945	0.997	0.988	0.953	0.943	0.986	0.968
10	0.957	0.943	0.997	0.990	0.955	0.943	0.984	0.973

参考文献 19

1	AWADALLAH M A， VENKATESH B ．Energy storage in distribution system planning and operation：current status and outstanding challenges[J]．Canadian Journal of Electrical and Computer Engineering，2019，42(1)：10-19． doi:10.1109/cjece.2018.2878321
2	辛保安，单葆国，李琼慧，等．“双碳”目标下“能源三要素”再思考[J]．中国电机工程学报，2022，42(9)：3117-3125．
	XIN B A， SHAN B G， LI Q H，et al ．Rethinking of the “three elements of energy” toward carbon peak and carbon neutrality[J]．Proceedings of the CSEE，2022，42(9)：3117-3125．
3	董文博，顾秀芳，陈艳宁．风电并网价值分析[J]．发电技术，2020，41(3)：320-327． doi:10.12096/j.2096-4528.pgt.19117
	DONG W B， GU X F， CHEN Y N ．Value analysis of wind power integration[J]．Power Generation Technology，2020，41(3)：320-327． doi:10.12096/j.2096-4528.pgt.19117
4	中丹可再生能源发展项目管理办公室．中国可再生能源发展路线图 2050[EB/OL]．(2014-12-16) [2022-11-15]．
089	Zhongdan Renewable Energy Development Project Management Office ．China’s roadmap for renewable energy development 2050[EB\OL]．(2014-12-16)[2022-11-15]．. doi:10.1023/a:1010650624155
	c3d5bbfd0a79563c1ec4dad77e.‍html？‍‍_wkts_‍=16914621. doi:10.1023/a:1010650624155
	84089． doi:10.1023/a:1010650624155
5	刘展．MW级变速变桨风力发电机组系统振动故障诊断技术与减振降载方法研究[D]．北京：北京交通大学，2019．
	LIU Z ．Study on vibration fault diagnosis technology and vibration reduction and load reduction method of MW variable speed variable pitch wind turbine system[D]．Beijing：Beijing Jiaotong University，2019．
6	李亚光，李蒙．基于深度小世界神经网络的风电机组异常检测[J]．发电技术，2021，42(3)：313-321． doi:10.12096/j.2096-4528.pgt.20091
	LI Y G， LI M ．Anomaly detection of wind turbines based on deep small-world neural network[J]．Power Generation Technology，2021，42(3)：313-321． doi:10.12096/j.2096-4528.pgt.20091
7	马海飞，滕伟，彭迪康，等．基于DRS与改进Autogram的风电齿轮箱复合故障特征提取[J]．中国电力，2023，56(10)：71-79．
	MA H F， TENG W， PENG D K，et al ．Compound fault feature extraction of wind power gearbox based on DRS and improved autogram[J]．Electric Power，2023，56(10)：71-79．
8	康佳乐，余浩，段瑶，等．风电场次同步振荡等值建模方法研究[J]．发电技术，2022，43(6)：880-891． doi:10.12096/j.2096-4528.pgt.21121
	KANG J L， YU H， DUAN Y，et al ．Equivalent modeling method of sub-synchronous oscillation in wind farm[J]．Power Generation Technology，2022，43(6)：880-891． doi:10.12096/j.2096-4528.pgt.21121
9	周超，朱熀秋，魏杰，等．我国风力发电发展现状和问题分析[J]．能源研究与信息，2012，28(2)：69-75． doi:10.3969/j.issn.1008-8857.2012.02.004
	ZHOU C， ZHU H Q， WEI J，et al ．Status quo and problems analysis of wind power generation in China[J]．Energy Research and Information，2012， 28(2)：69-75． doi:10.3969/j.issn.1008-8857.2012.02.004
10	杨晓峰，方逸航，赵鹏臻，等．风电机组状态识别的非机理性建模方法[J/OL]．中国电力：1-9[2022-08-29]．．
	YANG X F， FANG Y H， ZHAO P Z，et al ．Non-mechanical modeling method for state identification of wind turbines[J/OL]．Electric Power：1-9[2023-08-29]．．
11	QIAO W， LU D G ．A wurvey on wind turbine condition monitoring and fault diagnosis-part I：components and subsystems[J]．IEEE Transactions on Industrial Electronics，2015，62(10)：6536-6545． doi:10.1109/tie.2015.2422112
12	LI Z G， YAN B J ．Fault diagnosis of hoist gearbox based on time-domain analysis of EMD and fuzzy clustering[J]．Advanced Materials Research，2011，328/330：1717-1720． doi:10.4028/www.scientific.net/amr.328-330.1717
13	ZHANG Z， WANG Y， WANG K ．Intelligent fault diagnosis and prognosis approach for rotating machinery integrating wavelet transform， principal component analysis，and artificial neural networks[J]．The International Journal of Advanced Manufacturing Technology，2013，68(1/2/3/4)：763-773． doi:10.1007/s00170-013-4797-0
14	LI J M， CHEN X F， DU Z H，et al ．A new noise-controlled second-order enhanced stochastic resonance method with its application in wind turbine drivetrain fault diagnosis[J]．Renewable Energy，2013，60：7-19． doi:10.1016/j.renene.2013.04.005
15	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． doi:10.1016/j.renene.2015.12.010
16	HUSSAIN H S ．A review of artificial intelligence techniques in image steganography domain[J]．Journal of Engineering Science and Technology，2017，12(1)：1835-1845．
17	LONG X F， YANG P， GUO H X，et al ．A CBA-KELM-based recognition method for fault diagnosis of wind turbines with time-domain analysis and multisensor data fusion[J]．Shock and Vibration，2019(13)：1-14． doi:10.1155/2019/7490750
18	HU W F， CHANG H， GU X S ．A novel fault diagnosis technique for wind turbine gearbox[J]．Applied Soft Computing，2019，82：1-11． doi:10.1016/j.asoc.2019.105556
19	KRIZHEVSKY A， SUTSKEVER I， HINTON G E ．Imagenet classification with deep convolutional neural networks[J]．Communications of the ACM，2017，60(6)：84-90． doi:10.1145/3065386

[1]	刘学, 李国栋, 张瑞颖, 侯一晨, 陈磊, 杨立军. 电站空冷岛轴流风机模型研究[J]. 发电技术, 2024, 45(3): 545-557.
[2]	王放放, 杨鹏威, 赵光金, 李琦, 刘晓娜, 马双忱. 新型电力系统下火电机组灵活性运行技术发展及挑战[J]. 发电技术, 2024, 45(2): 189-198.
[3]	刘洪波, 刘永发, 任阳, 孙黎, 刘珅诚. 高风电渗透率下考虑系统风电备用容量的储能配置[J]. 发电技术, 2024, 45(2): 260-272.
[4]	严新荣, 张宁宁, 马奎超, 魏超, 杨帅, 潘彬彬. 我国海上风电发展现状与趋势综述[J]. 发电技术, 2024, 45(1): 1-12.
[5]	安吉振, 郑福豪, 刘一帆, 陈衡, 徐钢. 基于大数据分析的火电机组引风机故障预警研究[J]. 发电技术, 2023, 44(4): 557-564.
[6]	张航, 周传杰, 张林, 陈节涛, 徐春梅, 彭道刚. 基于概率神经网络-小波神经网络-DS信息融合的电厂引风机故障诊断[J]. 发电技术, 2022, 43(6): 951-958.
[7]	张智伟, 张建平, 刘明, 纪海鹏, 诸浩君, 周圣荻. 芦潮港海上风资源变化特性分析[J]. 发电技术, 2022, 43(2): 260-267.
[8]	邹晓阳, 潘卫国. 海上浮式风机动力学仿真分析研究进展[J]. 发电技术, 2022, 43(2): 249-259.
[9]	李铮, 郭小江, 申旭辉, 汤海雁. 我国海上风电发展关键技术综述[J]. 发电技术, 2022, 43(2): 186-197.
[10]	杨大业, 项祖涛, 罗煦之, 宋瑞华, 陈麒宇, 沈琳, 王晓彤. 永磁型风机海上风电送出系统甩负荷故障暂时过电压影响因素分析[J]. 发电技术, 2022, 43(1): 111-118.
[11]	危威. 大型火电厂风机质量不平衡故障分析及处理[J]. 发电技术, 2020, 41(2): 198-201.
[12]	崔超,赵允涛,黄文慧,杨立军. 机械通风直接空冷系统噪声预测与分析[J]. 发电技术, 2018, 39(5): 443-448.
[13]	于笑,陈武晖. 风力发电并网系统次同步振荡研究[J]. 发电技术, 2018, 39(4): 304-312.
[14]	马海彦,周雷,王庭文,周静,谭厚章,金立梅. 1060 MW燃煤机组烟道流场性能诊断与优化[J]. 发电技术, 2018, 39(3): 253-258.
[15]	李宁波,闫涛,李乃鹏,孔德同,刘庆超,雷亚国. 基于SCADA数据的风机叶片结冰检测方法[J]. 发电技术, 2018, 39(1): 58-62.

基于重采样降噪与主成分分析的宽卷积深度神经网络风机故障诊断方法

Fault Diagnosis Method of Wind Turbines Based on Wide Deep Convolutional Neural Network With Resampling and Principal Component Analysis

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

图/表 12

参考文献 19

相关文章 15

编辑推荐

Metrics