基于分布参数对齐的风力发电机轴承在非稳态运行条件下的退化评估与早期故障检测健康指标

《RELIABILITY ENGINEERING & SYSTEM SAFETY》:Distribution parameter alignment-based health indicator for degradation assessment and incipient fault detection of wind turbine bearings under non-stationary operating conditions

【字体: 大 中 小 】 时间:2026年07月10日 来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 13.7

编辑推荐:

  陈丁亮|彭岩|王进|秦毅 摘要:目前大多数健康指标构建模型都是基于运行条件恒定的假设而开发的。然而,这类模型往往无法准确描述设备的动态劣化过程,也不利于在非平稳工作条件下进行早期故障检测。为解决上述问题,本文提出了一种基于分布参数对齐的健康指标方法,用于评估风力发电机轴承的劣化

  陈丁亮|彭岩|王进|秦毅

摘要:目前大多数健康指标构建模型都是基于运行条件恒定的假设而开发的。然而,这类模型往往无法准确描述设备的动态劣化过程,也不利于在非平稳工作条件下进行早期故障检测。为解决上述问题,本文提出了一种基于分布参数对齐的健康指标方法,用于评估风力发电机轴承的劣化状况并实现早期故障检测。具体而言,该方法引入参数对齐函数,将非参考状态下的参数转换为参考状态下的参数。随后,利用该函数将非参考转速下高斯混合模型和指数混合模型的参数对齐到参考转速。基于对齐后的参数,分别构建时域健康指标和频域健康指标,最终通过线性组合得到基于分布参数对齐的健康指标。实验结果表明,该方法能够有效捕捉非平稳条件下的设备劣化过程,且性能优于传统及先进的健康指标方法,有助于更准确地检测风力发电机轴承的早期故障。

引言:随着全球对可持续能源需求的增加,风能已成为清洁能源体系中的重要组成部分。但由于工作环境恶劣,风力发电机轴承极易发生故障,从而导致较高的运维成本。因此,对风力发电机轴承的劣化状况进行评估以及实现早期故障检测,对于确保其可靠性和效率至关重要。在各种方法中,健康指标的构建是关键步骤,它能够量化反映设备的性能劣化情况,从而便于实现早期故障检测。优质的健康指标不仅能准确描述设备的劣化趋势,还能有效识别早期故障,进而对设备健康状态进行划分。

在过去十年中,人们研究了多种健康指标构建方法,以支持机械设备的健康状态监测。从技术层面来看,现有的健康指标构建方法可分为四类:基于统计参数的方法、基于信号预处理的方法、传统的机器学习方法以及深度学习方法。基于统计参数的方法主要利用监测信号的统计参数作为健康指标,以反映机械部件的健康状况。常用的参数包括传统统计特征、稀疏度指标以及复杂度指标。在传统统计特征中,均方根、峰度以及偏度被广泛用于评估机械部件的非线性劣化过程。例如,李等人利用3σ原则和峰度来动态确定首个预测点,同时用均方根来表征轴承的劣化趋势。黄等人也采用均方根来捕捉轴承的劣化轨迹。至于稀疏度和复杂度参数,吉尼指数、负熵、L2/L1范数以及霍耶指数等也被用作健康指标,用来描述机械设备的劣化过程。不过,基于统计参数的健康指标通常只是与机械故障特征相关的统计特征,虽然能在一定程度上反映性能劣化的演变过程,但容易受到复杂噪声的干扰,导致对机械部件劣化过程的描述不够准确。

为准确描述机械设备的劣化过程,并提高从监测信号中提取故障敏感信息的能力,人们开发了基于信号预处理的方法,通过去除无关成分来提升信号质量。常用的预处理方法包括去噪、微分、傅里叶变换以及包络分析。例如,张等人利用峰度和带通滤波后的数据构建了劣化指标,以此来估算设备的寿命。胡等人则通过带通滤波和包络分析构建健康指标,以评估磨损对齿轮性能的影响。借助信号处理技术,基于信号预处理的方法能够有效去除监测数据中的无关成分,从而提取出有用的统计特征,用以描述机械设备的故障演化过程。然而,不同特征的数据量级差异较大,单一统计特征在信息表达的完整性和对健康指标构建的贡献度方面存在不足。

为克服基于信号预处理方法的局限性,人们开始探索传统的机器学习方法。其中,数据降维算法被广泛用于构建机械设备健康状态监测的健康指标。例如,Widodo等人利用主成分分析降低提取特征的维度,然后通过比较健康状态和未知状态下降维后特征的距离偏差来构建轴承健康指标。潘等人通过核主成分分析融合多传感器数据,构建了用于齿轮箱健康监测的健康指标。秦等人则利用等距映射方法构建健康指标,以评估齿轮的劣化状况。尽管这些方法能够整合多种统计特征,从而更全面地描述机械设备的劣化情况,但它们通常需要专家知识来选择合适的特征,然后再进行线性或非线性降维。此外,不恰当的统计特征会妨碍融合健康指标的构建。

随着计算能力和算法设计的显著进步,深度学习方法逐渐成为解决传统机器学习在健康指标构建方面局限性的有效手段。从训练策略来看,深度学习方法可分为监督学习和无监督学习两类。在监督学习方法中,需要预先定义具体的健康指标标签,以便训练模型提取能够反映劣化情况的特征,并输出有意义的健康指标。例如,郭等人提出了基于深度卷积神经网络的方法,用于解决健康指标中的趋势突变问题。陈等人开发了可训练的卷积神经网络,用于构建能够描述轴承随时间劣化情况的健康指标。程等人则采用基于卷积神经网络的方法进行健康评估,其中以非线性劣化指数作为训练标签。这种方法使网络能够建立振动信号与相应劣化指标之间的映射关系,从而提高性能评估的准确性。而在无监督学习方法中,构建健康指标的过程不需要预先定义标签或依赖先验知识。因此,这类方法相比监督学习方法具有天然优势,无需监督即可从监测数据中生成健康指标。例如,陈等人提出了基于嵌入式卷积自编码器的网络,从监测数据中提取趋势特征,再将这些特征融合起来得到轴承健康指标。毛等人设计了基于深度张量自编码器的健康指标,用于评估地铁车轮的劣化状态。李等人则开发了基于形状约束的神经数据融合网络,能够生成具有较强趋势一致性的健康指标。郭等人提出了基于无监督时间卷积网络的自编码器,用于从振动信号中生成健康指标。不过,当全生命周期数据较为匮乏时,无监督方法的效果可能会受到影响,从而降低其构建可靠健康指标的能力。

高斯混合模型已被用于健康指标构建,通过描述数据分布,能够在不同健康状态下的有限监测数据基础上准确估计分布参数。近年来,有许多关于基于高斯混合模型的健康指标构建的研究。例如,王等人结合特征选择和高斯混合模型构建了健康指标。在该方法中,高斯混合模型分别用于估计正常状态和监测状态下的特征分布,然后通过置信值来衡量两种分布之间的重叠程度。Rai等人则结合高斯混合模型和詹森-雷尼散度提出了健康指标,其中高斯混合模型用于数据分布估计,而詹森-雷尼散度则用于衡量分布之间的差异,进而构建轴承健康指标。文等人开发了基于高斯混合模型的健康指标构建方法,用于轴承的早期故障检测,他们通过估计振动信号分布,并利用沃塞尔斯坦距离来量化初始状态与当前健康状态之间的差异。朱等人利用高斯混合模型估计数据分布,然后通过最小化分布传输成本来构建健康指标。李等人则建立了结合高斯混合模型和模糊熵的特征模型,构建了无监督的轴承健康指标。尽管这些方法能够在运行条件恒定或接近恒定的情况下有效构建健康指标,但在实际工程中,一些机械设备是在变化的工作条件下运行的。例如,风力发电机的工作条件会随风速变化,从而导致转速和负载的不稳定。这种时变转速条件会在监测数据中引入幅度和频率的变化,进而影响健康指标对设备劣化情况的反映精度。因此,有必要在时变转速条件下构建健康指标,以准确描述设备的劣化过程。

近年来,有一些研究致力于消除时变转速条件对健康状态监测的影响。例如,Sim等人利用孤立森林算法在变化极大的工作条件下生成健康指标。然而,由于孤立森林方法本身的随机性,所构建的健康指标在劣化评估方面的能力较差。周等人开发了一种条件特征解耦学习框架,用于减轻运行条件与健康状态之间的耦合对异常检测的干扰。Rao等人提出了一种速度归一化自编码器模型,通过速度归一化模块对初始监测数据进行归一化处理,从而消除速度变化的影响。李等人建立了基准转换算法,将不同转速下的实测均方根值转换为基准转速,有效降低了转速对监测数据的影响。张等人设计了幅度归一化策略,用于抑制转速干扰,并从分布角度构建健康指标。孙等人提出了双解耦网络,能够有效减轻工作条件带来的干扰。该网络明确了工作条件与正常响应之间的关系,然后通过对抗损失函数将条件特征与异常特征彻底解耦。尽管这些方法在减轻时变转速条件对健康指标构建的影响方面取得了显著进展,但从分布参数的角度来看,它们仍难以完全消除时变转速条件的干扰,而且还需要完整的全生命周期数据作为支撑。为解决上述问题,本文提出了一种基于分布参数对齐的新型健康指标构建框架,用于描述时变转速条件下风力发电机轴承的劣化趋势。考虑到机械载荷通常与转速相关,本研究重点在于减轻转速变化对分布参数的影响。首先,引入参数对齐函数,将非参考转速下的分布参数转换为指定的参考转速。随后,分别利用该函数将非参考转速下高斯混合模型和指数混合模型的参数对齐到参考转速。基于对齐后的参数,通过计算分布差异分别获取时域健康指标和频域健康指标,最后将这两种健康指标线性融合,得到基于分布参数对齐的健康指标。所开发的健康指标能够有效捕捉变速条件下的设备劣化规律,实现风力发电机轴承的准确早期故障检测。最后,通过两个风力发电机轴承数据集验证了该健康指标的性能与优势。本研究的主要贡献如下:(1) 设计了一种新的参数对齐函数,能够在时变转速条件下实现分布参数的统一表示。利用该函数,可在一定转速范围内将估计得到的分布参数一致地对齐到参考转速。(2) 提出了一种基于分布参数对齐的健康指标构建方法,用于描述时变转速条件下风力发电机轴承的劣化行为。具体而言,利用设计的参数对齐函数对高斯混合模型和指数混合模型的参数进行对齐,然后基于对齐后的参数分别构建时域健康指标和频域健康指标,最后将这两种健康指标线性融合,得到基于分布参数对齐的健康指标。(3) 通过两个风力发电机轴承数据集验证了所提出的健康指标在时变转速条件下的劣化评估性能。该健康指标能够定量评估设备的劣化过程,准确检测早期故障,在劣化评估和故障检测方面都具有较强的能力。

章节片段:基于分布参数对齐的健康指标构建方法
在本节中,首先设计参数对齐函数,以实现时变转速条件下的分布参数对齐。随后,利用该函数将非参考条件下的高斯混合模型和指数混合模型的参数对齐到参考状态。根据对齐后的参数,分别构建了THI和FHI。然后将这两个健康指标进行线性组合,形成所提出的DPA-HI,该指标能够有效捕捉轴承的退化趋势,从而实现对其故障的精准预测。所开发方法的整体框架如下:实验结果与性能比较在本节中,首先介绍了两个用于验证的正常状态轴承数据集。利用这些数据集,根据所提出的方法构建了正常状态轴承的健康指标。随后通过与传统健康指标以及更先进的健康指标进行比较,验证了所提出DPA-HI的有效性和优越性。最后,借助所构建的DPA-HI,实现了对正常状态轴承的故障预测,以便提前发出故障预警。结论本文提出了一种新的DPA-HI方法,用于在变速恒频系统中对轴承的退化状况进行评估。首先,设计了一种参数对齐函数,将非参考条件下的分布参数对齐到预定义的参考条件。通过该函数,将高斯混合模型和经验模式识别的非参考分布参数对齐到参考转速条件。之后,分别利用对齐后的分布参数和DCRM独立构建了THI和FHI。接着,将这两个健康指标进行线性组合……CRediT作者贡献说明陈鼎亮:撰写——初稿、方法论、资金获取。彭岩:可视化、验证、资金获取、正式分析。王津:撰写——审阅与编辑、研究、概念设计。秦毅:撰写——审阅与编辑、监督、资金获取。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号