王洪亮 劉倩

1.南京中核能源工程有限公司 江蘇南京 210046

2.中石化南京工程公司 江蘇南京 210046

由于全球?qū)η鍧嵑涂稍偕茉吹木薮笮枨笠约帮L(fēng)力渦輪機(jī)生產(chǎn)技術(shù)的長期進(jìn)步，全球風(fēng)能的裝機(jī)容量穩(wěn)步增長。根據(jù)全球風(fēng)能協(xié)會（GWEC）的統(tǒng)計(jì)，截至2018年底，全球風(fēng)能裝機(jī)容量達(dá)到597吉瓦，其中中國是第一個超過200吉瓦的國家，總裝機(jī)容量超過200吉瓦，仍然保持著世界領(lǐng)先的風(fēng)能行業(yè)地位，是真正的風(fēng)能國家。

1 時頻分析

風(fēng)電傳動系統(tǒng)作為重要的傳動裝置，能在低速和重負(fù)荷等復(fù)雜條件下長期工作，其振動信號大多具有暫態(tài)特性。盡管傳統(tǒng)的時域信號處理方法和頻域信號處理方法在故障診斷中均取了一些成果，但兩者都只是從時域或頻域描述了信號的內(nèi)部特性，而沒有考慮時間，并且頻率之間的關(guān)系使得難以獲得有關(guān)局部函數(shù)的信息，隨著時間的變化。時頻分析結(jié)合了兩者的優(yōu)勢，可以同時從時間和頻率范圍描述信號的內(nèi)部特性。主要思想是使用各種核心功能在“時間”級別投射不穩(wěn)定信號。然后，將不同的功能模式投影到不同的本地頻率-時間范圍內(nèi)，以改善信號的內(nèi)部特性。

2 風(fēng)電裝備

2.1 稀疏分解算法的改進(jìn)

長期以來，風(fēng)力渦輪機(jī)一直在復(fù)雜的條件下工作，例如負(fù)載變化和外部沖擊所引起的沖擊?？梢员碚髌涔收咸卣鞯呐R時沖擊組件通常充斥著強(qiáng)烈的背景噪聲和干擾。當(dāng)用于提取具有高背景噪聲的振動信號中的周期性瞬態(tài)沖擊特性時，稀疏表示的理論仍然不足。例如，OMP算法選擇了錯誤的原子，而弱電擊會導(dǎo)致不存在弱電擊，難以進(jìn)行有效提取。因此，改進(jìn)稀疏分解算法以有效地提取風(fēng)電傳輸系統(tǒng)的暫態(tài)故障特性至關(guān)重要[1]。

2.2 傳輸系統(tǒng)的關(guān)鍵組件存在問題

例如，齒輪和滾子軸承可能會在復(fù)雜的工作條件和不斷變化的負(fù)載下失效。如果滾動軸承或齒輪有局部故障，則有缺陷的零件在其他組件表面上的撞擊通常會通過單側(cè)阻尼產(chǎn)生暫時的沖擊特性。當(dāng)軸旋轉(zhuǎn)時，此過渡特性會定期發(fā)生。另外，由于受滾動軸承或齒輪的影響，齒輪本身和其他旋轉(zhuǎn)部件的影響，振動信號包含變頻分量及其倍頻作為諧波分量。同時，由于其他運(yùn)動部件的影響以及傳感器測量點(diǎn)與誤差源之間的距離，振動信號包含很多干擾和噪聲。因此，風(fēng)電傳輸系統(tǒng)的原始振動信號由周期性的瞬態(tài)沖擊分量，諧波干擾分量和噪聲組成。在搜索風(fēng)輪機(jī)故障的診斷時，診斷和健康監(jiān)控可以分為兩種策略，先驗(yàn)控制的組合過濾和基于數(shù)據(jù)的智能學(xué)習(xí)。

3 策略

3.1 稀疏模型

信號的分散結(jié)構(gòu)在識別特征，減少噪聲和壓縮中起關(guān)鍵作用。20世紀(jì)末阿拉特（Allat）和多諾霍（Donoho）首次成為了散射信號表示理論的開拓者信號的分散結(jié)構(gòu)用字典表示。稀疏信號代表字典的結(jié)構(gòu)主要包括三個方面：分析字典、參數(shù)字典和學(xué)習(xí)字典。分析字典和參數(shù)化字典都必須對信號進(jìn)行數(shù)學(xué)建模，數(shù)學(xué)模型用于創(chuàng)建具有解析范例的字典。但是，基于先前對信號源屬性進(jìn)行的物理優(yōu)化，參數(shù)化字典中的基本原子可以確定字典原子的參數(shù)。分析字典可以更好地匹配有關(guān)信號源屬性的信息[2]。

3.2 智能數(shù)據(jù)驅(qū)動的學(xué)習(xí)

智能診斷技術(shù)是近年來發(fā)展起來的一門新學(xué)科。其優(yōu)勢在于，它整合了多個領(lǐng)域的專家經(jīng)驗(yàn)，提高了診斷準(zhǔn)確性，并在某種程度上消除了對人為因素的診斷決策和狀態(tài)檢測，并且對故障機(jī)制的過度依賴可能導(dǎo)致無法實(shí)現(xiàn)傳統(tǒng)基于功能的診斷方法無法完成的項(xiàng)目。近年來，人工智能診斷技術(shù)蓬勃發(fā)展，其中支持向量機(jī)和深度學(xué)習(xí)是最具代表性的技術(shù)。支持矢量機(jī)技術(shù)。支持向量機(jī)基于最小化結(jié)構(gòu)風(fēng)險的原理，解決了優(yōu)化二次約束以構(gòu)建最優(yōu)分類超平面的問題，有效解決了樣本量小，非線性，高維和局部極小等常規(guī)問題。當(dāng)前，載體機(jī)器被廣泛用于監(jiān)視機(jī)器的狀態(tài)和診斷故障。沉等。提出使用矢量機(jī)直接支持推力，對傳動誤差進(jìn)行智能診斷，有效解決訓(xùn)練模式不足或測試模式過多的問題。有人使用蟻群算法優(yōu)化了對誤差敏感的函數(shù)集，并支持矢量機(jī)模型的參數(shù)，從而提高了機(jī)車軸承的診斷準(zhǔn)確，他們使用貝葉斯統(tǒng)計(jì)推斷來優(yōu)化支持向量機(jī)模型的參數(shù)，并使用它對工業(yè)調(diào)查數(shù)據(jù)進(jìn)行智能分類。有人使用混合智能診斷技術(shù)，結(jié)合了第二代小波包變換，對主要核心組件和矢量機(jī)的分析，并具有雙重支持，可實(shí)現(xiàn)對旋轉(zhuǎn)機(jī)故障的多重診斷。他們使用多尺度復(fù)合模糊熵構(gòu)造了一組失效特性的矢量特性，并將其插入改進(jìn)的支持向量機(jī)中，以實(shí)現(xiàn)軸承失效的高精度識別[3]。

3.3 深度學(xué)習(xí)

在機(jī)械健康監(jiān)控領(lǐng)域，深度學(xué)習(xí)的研究和應(yīng)用正在蓬勃發(fā)展。有人使用深度神經(jīng)網(wǎng)絡(luò)技術(shù)研究了軸承和傳動性能的自適應(yīng)識別和退化，并取得了杰出的技術(shù)應(yīng)用價值。在分析了當(dāng)前軸承特性檢測技術(shù)的內(nèi)在缺陷之后，有人將其作為參考。他們利用卷積神經(jīng)網(wǎng)絡(luò)高級功能的自適應(yīng)學(xué)習(xí)能力，提出了一種針對檢測信號的學(xué)習(xí)特征的區(qū)分性組裝技術(shù)，并發(fā)現(xiàn)深度學(xué)習(xí)技術(shù)要優(yōu)于前一種，識別技術(shù)具有最顯著的優(yōu)勢。同時有人使用一維神經(jīng)折疊網(wǎng)絡(luò)分析結(jié)構(gòu)損傷檢測問題，提出了一種基于振動的實(shí)時學(xué)習(xí)檢測算法，在仿真實(shí)驗(yàn)中取得了令人滿意的結(jié)果。他們使用一維神經(jīng)折疊網(wǎng)絡(luò)來識別發(fā)動機(jī)故障特征，在深度學(xué)習(xí)中使用了堆棧的自編碼技術(shù)來檢查對旋轉(zhuǎn)機(jī)器狀況的評估。他們使用深度折疊網(wǎng)絡(luò)解決了該問題，對幾種類型的發(fā)動機(jī)故障進(jìn)行高度可靠的分類和診斷。為了解決診斷行星齒輪故障時多傳感器信息自動融合的問題，有人提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的集成改進(jìn)技術(shù)，該技術(shù)可以實(shí)現(xiàn)自適應(yīng)數(shù)據(jù)融合和更高的識別精度。

4 結(jié)語

早期風(fēng)電裝備的迅速發(fā)展意味著風(fēng)電裝備已進(jìn)入故障高發(fā)的階段。對風(fēng)能監(jiān)測和診斷系統(tǒng)的巨大需求激發(fā)了許多研究人員在故障診斷和測試領(lǐng)域的熱情，這為研究人員提供了一個廣闊的舞臺和研究室。國內(nèi)外的研究人員針對風(fēng)力渦輪機(jī)的不同對象提出了不同的方法和策略，但是這一研究領(lǐng)域仍在發(fā)展中，仍然存在許多需要解決的科學(xué)技術(shù)問題。