【儀表網 研發快訊】降低故障風險、保證結構安全并提高經濟效益，已成為風電領域的重要研究方向。作為風力發電機傳動系統中的核心機械部件，齒輪箱的可靠性直接關系到風力發電機的安全運行和穩定性。因此，針對風力發電機組齒輪箱的故障診斷與健康管理的研究，對于確保風力發電機的安全性和可靠性具有至關重要的意義。隨著工業大數據的興起，風電機組的運維方法已經從振動監測分析轉變為了基于人工智能技術的智能運維方法。智能運維方法能夠從歷史和實時數據中學習模式，提供基于數據的決策支持。然而，目前的智能運維方法往往忽略了設備運行環境和可用數據的特性，導致在復雜環境中的故障診斷缺乏魯棒性和精確性。因此，開展可靠、高效的診斷方法實現設備故障的精準判別是當前風電健康管理領域需攻克的關鍵技術之一。
 

　　研究所國家能源風電葉片研發(實驗)中心在齒輪箱故障診斷方面開展了系列研究。借助深度學習模型強大的特征提取與預測能力，建立了一種多尺度TransFusion(MSTF)模型用于在多種運行條件下對齒輪箱軸承進行故障診斷。設計了一種時頻對稱點模式變換方法，通過對稱分布的圖像充分顯示振動信號中的信息，豐富訓練數據，增強不同故障信號之間的差異。此外，建立了一個完整的齒輪箱軸承故障診斷的新框架，通過可視化注意力權重，增強模型的可解釋性。在兩個數據集上進行的實驗和分析表明，所提出的模型在穩定性和準確性方面優于其他流行方法，對含噪聲信號具有很高的適應性。MSTF模型中特征和注意力權重的可視化不僅體現了其優越的識別能力，還展現了其魯棒的特征提取可解釋性。
 

　　以上研究得到了國家重點研發計劃(No. 2022YFE0207000)的支持，相關研究成果發表在Knowledge-Based Systems上。
 

模型迭代結果(a. 準確率 ， b. 損失)
 

TSNE降維可視化(a. 原始數據 ， b. 最終預測結果)