基于多状态流形演变机理驱动的风机传动链早期故障预测方法研究

Aiming at the characteristics of early faults of wind turbine drive train such as weak feature, feature variation with operating condition and feature dynamic development, a new idea and method is proposed for fault prediction based on multiple status manifolds evolution mechanism learning. According to the theoretical framework of state manifold evolution mechanism learning, key issues for fault prediction of wind turbine drive train are studied, such as enhancement of early fault features, same-scale characterization of fault features and trend prediction of fault features. The main research contents and strategies are as follows. A theoretical framework of multiple manifolds evolution mechanism learning, which has weak feature enhancement, same-scale characterization and development trend prediction together, is to be proposed to form the new ideas and methods for early fault prediction. A new weighted fusion method of multi-source state manifolds will be proposed to enhance the weak features of early fault. A multi-kernel based method of state manifolds mapping under multiple operating conditions will be proposed to fulfill same-scale representation of fault information. A new method of trend prediction based on multi-manifold space embedded trend prediction theory will be proposed to achieve early fault continuous trend prediction. The research on the proposed early fault prediction has important theoretical and economic values not only for research and mastering the reliability evolution mechanism of wind turbine drive train, but also for improving the operating stability and service time of wind turbine.

针对风机传动链早期故障征兆不明显、随工况时变、动态演变发展等特点，提出基于多状态流形演变机理驱动的风机传动链早期故障预测新方法，在多状态流形演变机理框架内解决风机传动链早期故障微弱征兆增强、征兆信息同尺度表征、征兆演变趋势预测等关键问题。该方法的研究思路如下：①提出集微弱征兆增强、同尺度表征、演变趋势预测等功能于一体的流形分析新思想，形成早期故障预测的新理论和新方法；②提出多源状态流形加权融合新方法，实现早期故障微弱征兆表征与增强；③提出基于多核空间映射的不同工况条件下状态流形间的映射模型，实现风机传动链早期故障征兆的同尺度表征；④提出状态流形空间嵌入趋势预测机制的多流形演变机理学习新方法，解决风机传动链早期故障跨时间尺度的趋势预测问题。所提方法对研究和掌握风机传动链运行可靠性演变规律、提高我国风力发电设备运行性能以及延长其服役寿命具有重要的理论意义和经济价值。

开展风机传动链早期故障预测理论与技术，对确保风机传动链的安全可靠运行和减少风场运行与维护费用至关重要。本项目紧密围绕风机传动链早期故障预测关键科学与工程问题，围绕风机传动链早期故障预测过程中的特征提取、故障识别与故障预测等方面展开研究，研究了包括状态流形构建、非线性降噪方法、融合故障特征提取、多源故障信息融合、故障模式识别、故障程度辨识以及趋势预测等，并进行工程应用研究和分析。. 针对风机传动系统早期故障信息微弱、故障特征难以提取的问题，研究了几何直观的和具有可解释性的状态流形构建方法，研究了基于信噪空间分布的非线性降噪方法，研究了融合样本标签信息与样本分布结构信息的故障特征提取方法。此外，还研究了基于稀疏分解的振动信号处理算法，可用于干扰信号去除。. 针对风机传动系统早期故障的识别与诊断问题，提出采用优化的支持向量机算法来实现风机传动系统早期故障诊断，研究了支持向量机最优参数的选取算法；针对单一传感器包含的故障信息不足的问题，提出了多源信息多阶段融合策略。. 针对风机传动系统早期故障的严重程度辨识与预测问题，由于故障严重程度识别比故障诊断的难度更大，因此提出了基于优化多核支持向量机的故障识别方法，该方法能有效识别风机传动系统早期故障的严重程度；研究了基于深度学习算法的趋势预测方法，可以用于对设备状态信息的发展趋势进行有效预测。. 在应用研究方面，本项目的部分研究成果已经被实际应用于风机传动系统的早期故障与智能运维，目前在风力发电机组齿轮箱轴承的磨损及其磨损程度识别方面取得了初步的应用效果。 在现有研究的基础上，后期将进一步围绕风机传动系统状态监测与智能运维的关键技术问题展开深入研究，包括开展多源异构数据的耦合机理研究，开展跨时空、非同频故障信息融合策略研究，开展早期故障自适应阈值构建与自主学习方法研究等，最终形成一套完整的风机传动系统故障诊断系统，并进一步开展工程应用推广