基于自动特征学习的风力发电机振动故障诊断

越来越多的风力发电机配备了振动测量系统，以实现对发展中的故障状况的密切监测和早期检测。通过分析振动测量数据，可以持续评估部件健康状况并防止可能导致停机的故障。本研究聚焦于齿轮箱监测，但也适用于其他子系统。当前最先进的齿轮箱故障诊断算法依赖于由人类分析师定义的故障特征，采用统计或机器学习方法。这存在多个缺点。由人类分析师定义故障特征是一个耗时的过程，需要对齿轮箱结构有非常详细的知识。这种工作需要为每台新发电机重复进行，因此无法随着监测发电机数量的增加而很好地扩展，尤其是在快速增长的风电资产组合中。此外，由人类分析师定义的故障特征可能导致有偏和不精确的决策边界，从而导致不精确和不确定的故障诊断决策。我们提出了一种新颖且准确的振动监测风力发电机部件故障诊断方法，克服了这些缺点。我们的方法结合了基于卷积神经网络和孤立森林的故障特征自主数据驱动学习与健康状态分类。我们利用来自两台风力发电机齿轮箱的振动测量数据展示了其性能。与最先进的方法不同，我们的方法不需要特定于齿轮箱类型的诊断专业知识，也不局限于预定义的频率或频谱范围，而是可以同时监测整个频谱。