四川大学机械工程学院;东方电气集团中央研究院;
目前针对风力发电机工况诊断方法的研究较为匮乏。为此，本文提出一种基于自适应波形分解和时频转换的诊断方法。该方法的算法采用了滑动间隔样本扩充、基于改进CEEMDAN的自适应波形分解方法、希尔伯特时频变换、VGG16神经网络。过程中，利用风机的振动加速度信号，通过自适应分解方法对信号进行分解降噪，将处理后信号进行变换生成二维时频谱，利用VGG16模型对时频谱样本集进行分类以达到诊断目的。为了评估该方法的有效性，将本文方法分别与传统模态分解、CNN模型进行对比，并对模型分类效果进行评估，结果表明，该方法具有更好的准确性。
| 92 | 1 | 15 |
| 下载次数 | 被引频次 | 阅读次数 |
[1]傅质馨，袁越.海上风电机组状态监控技术研究现状与展望[J].电力系统自动化，2012,36(21):121-129.
[2]王广斌，刘义伦，金晓宏，等.基于时间序列分析的风机运行状态监测与预报及故障诊断[J].机械，2005(1):21-23.
[3]黄子恒，许钊源，伍剑波，等.基于优化模态分解和Xgblr的风机叶片故障诊断方法[J].机械设计，2022,39(7):56-62.
[4]李凤林，杜红梅，巫忠书，等.基于EEMD的列车车轮多边形故障诊断方法[J].机械，2021,48(5):43-51.
[5]王挺韶，季天瑶，姜雨滋，等.基于降噪自动编码器与一维卷积网络的风机故障诊断方法[J].电测与仪表，2020,60(1):87-93,173.
[6]张龙，甄灿壮，熊国良，等.基于深度时频特征的机车轴承故障诊断[J].交通运输工程学报，2021,21(6):247-258.
[7]刘辉海，赵星宇，赵洪山，等.基于深度自编码网络模型的风电机组齿轮箱故障检测[J].电工技术学报，2017,32(17):156-163.
[8]王博特，王宇楠，郑涛，等.大型风力发电机叶片振动测试与分析[J].噪音与振动控制，2021,41(4):253-258.
[9]Dong Y,Fang F,Gu Y. Dynamic evaluation of wind turbine health condition based on Gaussian mixture model and evidential reasoning[J]. Journal of Renewable and Sustainable Energy,2013,5(3):33117.
[10]Dao P B,Staszewski W J,Barszcz T,et al. Condition monitoring and fault detection in wind turbines based on cointegration analysis of SCADA data[J]. Renewable Energy,2018(116):107-122.
[11]杨仁树，付晓强，杨国梁，等. EMD和FSWT组合方法在爆破振动信号分析中的应用研究[J].振动与冲击，2017,36(2):58-64.
[12]Ren Y,Suganthan P N,Srikanth N. A Comparative Study of Empirical Mode Decomposition-Based Short-Term Wind Speed Forecasting Methods[J]. IEEE Transactions on Sustainable Energy,2015,6(1):236-244.
[13]朱可恒，宋希庚，薛冬新.希尔伯特振动分解在滚动轴承故障诊断中应用[J].振动与冲击，2014,33(14):160-164.
[14]石琳，刘文慧，曹富军，等.基于CEEMDAN-SVM-LSTM的高炉煤气利用率组合预测[J].中国测试，2022,49(1):86-91.
[15]Huang N, Shen Z, Long S, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society a-Mathematical Physical and Engineering Sciences,1998,454(1971):903-995.
[16]Chen A,Wu W,Miao J,et al. Analysis of turbine-grid interaction of grid-connected wind turbine using HHT[C]. 2018 7TH International Conference on Clean and Green Energy,2018.
[17]Zhang X, Zou J, He K, et al. Accelerating Very Deep Convolutional Networks for Classification and Detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2016,38(10):1943-1955.
[18]朱曦. VGG16卷积神经网络的电路设计与FPGA验证[D].西安：西安电子科技大学，2020.
[19]黄哲学，何玉林，魏丞昊，等.大数据随机样本划分模型及相关分析计算技术[J].数据采集与处理，2019,34(3):373-385.
基本信息:
DOI：
中图分类号:TM315
引用信息:
[1]黄子恒,许钊源,方辉等.基于自适应波形分解与时频转换的风机工况诊断方法[J].机械,2023,50(10):20-27.
基金信息:
四川省科技计划重点研发项目（2021YFG0039）