基于机器学习的风电机组齿轮箱故障预警

来源 :控制与信息技术 | 被引量 : 0次 | 上传用户:hzbhwh
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
当前风电机组齿轮箱是通过状态监视系统采集齿轮箱高频振动数据,并通过人工分析的方式对齿轮箱进行故障诊断.这种方法不仅需要振动分析工程师具备足够的经验知识,而且因机组数量多,导致人工分析费时费力.为此,文章通过将采集到的原始数据进行倍频转换和对齐,消除变工况的影响,并采用时长分割对数据样本进行扩增,提取特定倍频段时域特征和频域特征作为机器学习的输入,通过模型训练构建了齿轮箱故障预测模型,模型准确率超过90%,有效实现了齿轮箱的故障预测.
其他文献
点火通路损耗检测精度是激光点火系统的一个重要指标,其在很大程度上决定着点火系统状态判断的准确性.针对激光点火系统损耗检测精度随温度变化的问题,对不同温度条件下激光点火系统的点火通路损耗检测精度进行了分析.分析结果表明,探测器暗电流、运放输入偏置电流和输入失调电压等均会影响检测精度,且检测偏差随温度升高而增大.建立了点火通路损耗检测温度误差模型,在-40℃~75℃范围内,采用温度误差模型进行补偿后,火工品发火前的损耗检测偏差(峰峰值)从0.62dB减小为0.16dB,火工品发火后的损耗检测偏差(峰峰值)从1
随着工业互联网平台接入的设备数量日益增多,大量设备的运行数据以及环境数据源源不断地向远程服务端传输,从而使远程服务端面临着高并发压力以及大量数据实时处理响应时间长的问题.为此,文章提出一种工业互联网高并发流式数据处理方案,其通过构建基于异步网络通信的Netty服务器框架,将接收到的具有多源异构和高并发特点的数据流推送至消息处理系统Kafka中,再由Kafka消费者将协议解析、数据持久化、实时分析等耗时操作放在服务器集群进行分布式计算.实际数据处理应用结果表明,该方法在处理大量设备回传的高并发流式数据时能保
提高加速度计组件的标定精度是实现高精度导航、高精度测姿的重要途径.针对加速度计组件通过线性误差模型标定后难以达到微g级精度的情况,建立了包含二次项误差和振摆误差在内的加速度计组件误差模型,并提出了一种基于状态变换Kalman滤波与滤波增益约束的系统级标定算法.该算法借鉴Schmidt-Kalman滤波器与可观测性约束Kalman滤波器原理,可减小滤波状态协方差矩阵计算误差和滤波增益计算误差,从而提高弱可观误差状态的估计精度.与传统系统级标定算法的对比实验表明,所提出的新算法能够更加精确估计出包含二次项误差
为解决传统运维模式下烟囱式开发重复建设、单节点服务可扩展性低等问题,文章通过引入互联网行业内微服务、容器化等先进技术,搭建了适用于轨道交通的智能运维领域的微服务平台;并以一套FORESEE轨道交通智能运维产品为例,详细介绍了微服务平台总体架构设计及微服务集群设计.该微服务平台采用高效的工程化开发模式,以平台复用、量产及分布式为目标.通过微服务平台实际应用情况可以看出,其应用可使平均人力投入削减70%,并可降低部署运维的成本和门槛,总体实现了降本增效的目的.
轮对组成是高速动车组转向架系统最重要的部件之一,其健康状态决定了动车组的运行安全.目前动车组镟修、动态检测、车次交路及运行里程等轮对管理信息系统独立运行,难以通过信息的融合对轮对的状态进行监测和故障预测.文章通过构建轮对动态监测体系,融合各轮对管理信息系统数据,动态监测轮对的参数变化,并通过对流数据趋势的挖掘以及数据的融合实现故障预测.应用实例验证,基于数据对比的趋势判断和数据融合的信息挖掘,能够及时有效发现故障和异常,实现高速动车组轮对的故障预测与健康管理.
动车组蓄电池组的可靠性涉及列车的行车安全,但由于镉镍电池独特的记忆效应,适用于动车组碱性镉镍蓄电池的寿命预测算法较少,且目前国内尚无实际应用案例.为此,文章提出一种基于粒子滤波与扩展卡尔曼滤波相融合(particle filter-extended Kalman filter,PF-EKF)的蓄电池剩余使用寿命(remaining useful life,RUL)预测算法,并与粒子滤波(particle filter,PF)和扩展卡尔曼滤波(extended Kalman filter,EKF)算法进行对
近年来,随着云计算、大数据、物联网、移动互联、人工智能等系列智能化新技术的出现及普及,如何综合高效利用资源,实现铁路重载列车、移动装备、固定基础设施及内外部环境间信息的全面感知、泛在互联、融合处理、主动学习和科学决策,为铁路重载组合列车安全稳定运行提供保障,成为当前一项重要的课题.文章分析重载铁路机车当前运维现状,设计了以智能感知、智能诊断、智能检测、智能评估、智能维修和智能预控六大板块为框架的重载铁路智能维护保障体系,并对向“智慧服务”转型过程中需重点突破的“基于车载物联网的多传感融合”及“基于浅知识和
针对城市轨道交通(简称“城轨”)信号智能运维系统建设与应用过程中海量数据处理的难题,文章研究了城轨信号智能运维系统数据平台,并设计了一种数据平台架构及其通信组件方案,以实现高性能的数据采集.该平台基于HDFS分布式文件系统来保障海量数据存储,采用MapReduce框架实现高可靠性、高效性与高容错性的大数据离线计算,并通过Spark和Flink框架实现数据的实时计算,解决了传统存储架构吞吐量和数据处理性能的瓶颈问题.仿真测试结果显示,相对于传统数据平台,该平台数据处理效率提升约4.8倍,系统吞吐量性能提高约
隧道病害的及时发现与维护对行车安全非常重要,但隧道环境复杂多变、表面图像对比度低,传统模式识别方法无法有效检测病害。对此,文章提出一种基于YOLOv4的隧道表面病害检测方法,其首先采用CSPDarknet-53作为主干网络来有效提取特征,并通过空间金字塔池化(SPP)融合不同尺度特征,然后经过YOLO层分类与回归病害区域,最后应用CIoU损失函数计算回归损失,有效提高了检测精度。试验结果表明,采用
列车转向架轴承受到轨道激扰、运行速度不确定、轨道接缝的冲击振动和其他部件振动因素的影响,轴承振动信号呈现非线性和非平稳性,导致其故障特征难以被提取,故障诊断准确率低.针对上述问题,文章提出一种基于多尺度样本熵改进极限学习机的列车转向架轴承故障诊断方法.其首先利用多尺度样本熵提取故障特征,构成特征向量集;然后利用粒子群算法优化极限学习机,得到输入权值和隐含节点阈值;最后,将特征向量集划分为测试集和训练集,利用改进的极限学习机作为模式识别算法进行故障模式识别.实验结果表明,本文提出的方法能够有效地进行故障模式