基于故障动力学与卷积神经网络结合的风电传动关键部件故障诊断研究

作     者：赵乾柏 

作者单位：广州大学 

学位级别：硕士

导师姓名：张春良

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0807[工学-动力工程及工程热物理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：风电机组 故障动力学模型 时频转换 预训练模型 时频特征提取 

摘      要：风电是近年来发展最快的再生清洁能源之一,准确的状态监测与故障诊断可有效提高风电机组的运行可靠性。采用深度学习方法进行故障智能诊断可降低装备的运维成本,更能适应大数据的需求。目前主流的故障诊断方法大多基于深度学习的卷积神经网络,但神经网络的内部机理并不够明确,缺乏对诊断依据的解释性。此外,风电机组的运行环境复杂、背景噪声强,传统的深度学习故障诊断方法抗干扰效果不佳。针对以上问题,本文开展基于故障动力学与卷积神经网络结合的风电传动关键部件故障诊断研究,主要研究工作总结如下: 首先,根据轴承和齿轮的参数,建立齿轮和轴承故障动力学模型,获得不同健康状态下的故障动力学特征。对比小波变换和短时傅里叶变换下滚动轴承故障信号的结果,并选择分辨率更高的Morlet小波变换对轴承的振动信号进行时频转换作为网络的输入。结合时频转换、动力学特性和锚框原理,提出基于动力学特性的组合框设计,从机理上揭示冲击等周期信号的重复特性,直观地展示出与故障相关的冲击时频特征。 其次,基于深度学习框架,以轴承和齿轮为研究对象,采用VGG-16、Res Net50、Alexnet和Maxvit模型作为预训练模型,将这些预训练模型与类激活映射(Class Activation Mapping,CAM)结合,提出一种基于CAM故障框生成方法。在组合框的基础上,利用该算法去捕捉组合框附近的故障点,并且构建时频特征提取算法。在此基础上,提出了评价模型对故障框和组合框进行时频信息相似度估计,作为综合诊断结果。从而有效表征了待诊断数据在动力学模型框架下与样本数据间的一致性,建立基于动力学特性诊断依据的故障诊断模型。 最后,本文将所提出的方法应用在实际诊断问题中,分别是西储大学轴承、滚动轴承实验台和Spectra Quest行星齿轮箱,并设计多个对比实验和设置多组不同噪声实验。通过实验探讨了模型在不同类型噪声下的抗干扰能力,分析了不同噪声对故障诊断的影响,并通过时频特征提取方法对故障识别过程进行了可视化分析。实验结果表明,本文方法结合可视化和故障动力学特性,具备更强的抗噪声能力,能够清晰地解释故障结果。 本文对风力发电机传动关键部件常见故障问题提供了一种新的诊断方法,能够结合动力学模型、时频分析和深度学习技术。所提方法不仅能够准确识别故障、能够在噪声环境下保持较高的稳定性和抗干扰能力,更能够方便的将已有的大量机械动力学、故障特征提取的成果与神经网络有效结合,这将为智能故障诊断领域的发展提供新思路。