【技术实现步骤摘要】
本专利技术涉及风电机组故障诊断，具体为一种基于深度学习技术的风电机组不对中故障诊断方法及系统，适用于风力发电行业的设备状态监测与健康管理。
技术介绍
1、风电机组在可再生能源领域中扮演着至关重要的角色，其稳定运行直接关系到能源供应的可靠性和运营成本的经济性。然而，在风电机组的长期运行过程中，由于其所处的运行环境复杂多变，且机组内部机械结构精密复杂，容易受到多种内外部因素的影响。其中，不对中故障是较为常见且危害较大的一种故障类型。不对中故障会使得风电机组的机械部件承受额外的应力和磨损，进而影响设备的整体性能和寿命。
2、在风力发电机组运行状态监测与故障诊断领域，信号处理与智能诊断技术的进步对保障设备安全运行至关重要。现有技术针对不对中故障的监测诊断存在以下局限性：
3、（1）传统的小波变换方法虽然能够有效去噪，但主观性较强，计算复杂度高，且在处理非平稳信号时效果不佳，导致噪声阈值选择困难。
4、（2）基于深度学习的方法，如卷积神经网络（cnn）在特征提取方面虽然具有优势，但需要大量的数据支持，训练过程耗...
【技术保护点】
1.一种基于深度学习技术的风电机组不对中故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习技术的风电机组不对中故障诊断方法，其特征在于，所述对不同工况下的原始振动信号分别进行小波阈值去噪处理的具体方法为：将不同工况下的原始振动信号经过小波分解后，获得原始振动信号对应的小波系数，去除小波系数低于预设阈值的原始振动信号。
3.根据权利要求2所述的一种基于深度学习技术的风电机组不对中故障诊断方法，其特征在于，所述小波分解的具体方法为：选择一个小波并确定一个小波分解的层次N，然后对振动信号进行N层小波分解计算；对第1层到...
【技术特征摘要】
1.一种基于深度学习技术的风电机组不对中故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习技术的风电机组不对中故障诊断方法，其特征在于，所述对不同工况下的原始振动信号分别进行小波阈值去噪处理的具体方法为：将不同工况下的原始振动信号经过小波分解后，获得原始振动信号对应的小波系数，去除小波系数低于预设阈值的原始振动信号。
3.根据权利要求2所述的一种基于深度学习技术的风电机组不对中故障诊断方法，其特征在于，所述小波分解的具体方法为：选择一个小波并确定一个小波分解的层次n，然后对振动信号进行n层小波分解计算；对第1层到第n层的每一层高频系数，选择一个阈值进行阈值量化处理；所述阈值的计算公式为：
4.根据权利要求1所述的一种基于深度学习技术的风电机组不对中故障诊断方法，其特征在于，所述轻量化ms-dscnn残差网络模型包括多组并行设置的深度可分离卷积层，每组采用不同尺寸的卷积核，并依次连接批归一化层、h-swish激活函数和残差跳跃连接结构。
【专利技术属性】
技术研发人员：邹佳文，王青天，郑文锋，童彤，张新丽，赵鹏程，魏昂昂，
申请(专利权)人：华能新能源上海发电有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。