降低故障风险、保证结构安全并提高经济效益，已成为风电领域的重要研究方向。作为风力发电机传动系统中的核心机械部件，齿轮箱的可靠性直接关系到风力发电机的安全运行和稳定性。因此，针对风力发电机组齿轮箱的故障诊断与健康管理的研究，对于确保风力发电机的安全性和可靠性具有至关重要的意义。随着工业大数据的兴起，风电机组的运维方法已经从振动监测分析转变为了基于人工智能技术的智能运维方法。智能运维方法能够从历史和实时数据中学习模式，提供基于数据的决策支持。然而，目前的智能运维方法往往忽略了设备运行环境和可用数据的特性，导致在复杂环境中的故障诊断缺乏鲁棒性和精确性。因此，开展可靠、高效的诊断方法实现设备故障的精准判别是当前风电健康管理领域需攻克的关键技术之一。
图1 模型迭代结果（准确率）
图2 模型迭代结果（损失）
研究所国家能源风电叶片研发（实验）中心在齿轮箱故障诊断方面开展了系列研究。借助深度学习模型强大的特征提取与预测能力，建立了一种多尺度TransFusion（MSTF）模型用于在多种运行条件下对齿轮箱轴承进行故障诊断。设计了一种时频对称点模式变换方法，通过对称分布的图像充分显示振动信号中的信息，丰富训练数据，增强不同故障信号之间的差异。此外，建立了一个完整的齿轮箱轴承故障诊断的新框架，通过可视化注意力权重，增强模型的可解释性。在两个数据集上进行的实验和分析表明，所提出的模型在稳定性和准确性方面优于其他流行方法，对含噪声信号具有很高的适应性。MSTF模型中特征和注意力权重的可视化不仅体现了其优越的识别能力，还展现了其鲁棒的特征提取可解释性。
图3 TSNE降维可视化原始数据
图4 TSNE降维可视化最终预测结果
以上研究得到了国家重点研发计划（No. 2022YFE0207000）的支持，相关研究成果发表在Knowledge-Based Systems上。
来源：国家能源风电叶片研发（实验）中心
编辑：肖 洋
责编：魏 曼
