首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于知识图谱和GPT模型的风电机组行星齿轮箱故障诊断

基于知识图谱和GPT模型的风电机组行星齿轮箱故障诊断

2025-05-06 46 上传者：管理员

摘要：在风电机组行星齿轮箱故障诊断过程中，由于故障特征与故障状态之间的关系不唯一，直接利用行星齿轮箱输出信号进行故障诊断的效果无法保障。提出基于知识图谱和GPT模型的风电机组行星齿轮箱故障诊断研究方法，利用MOEA/D算法将故障特征选择问题分解为单目标子问题，结合差分进化策略，选定与故障关联性最大的特征；将选定的特征作为GPT模型的输入参量，在小样本学习机制下，输出风电机组行星齿轮箱故障知识图谱；根据行星齿轮箱运行数据在知识图谱中的映射结果，确定风电机组行星齿轮箱的具体故障状态。测试结果表明，该方法能够有效诊断不同故障状态，诊断精度达到0.98,诊断效果能显著提升。

关键词：
GPT模型
MOEA/D算法
故障诊断
知识图谱
风电机组行星齿轮箱
加入收藏

风电机组中行星齿轮箱的运行状态与其输出功率之间存在密切关系,以行星差动结构为基础的功率分流风电齿轮箱是在功率为2.5MW及更大功率的风电机组中一种常见的结构[1]｡这种结构中,齿轮箱的输入功率在第一级行星轮系和第二级行星轮系中分流,然后传递到第三级行星轮系,并最终在第四级平行轮系中合流输出｡因此,有效诊断风电机组行星齿轮箱的运行状态至关重要｡

文献[2]在克服了行星齿轮传动引起的振动传递路径时变性问题的基础上,针对二级行星齿轮箱存在的振动耦合,通过等角度重采样和角度补偿同步平均,实现了对第一级行星轮故障特征的有效提取,可有效被应用于单级行星齿轮箱齿轮故障特征的分析｡但是该方法主要针对二级行星齿轮箱故障,对于更复杂的多级行星齿轮箱或不同类型的故障,需要进一步的研究和改进｡文献[3]通过格拉姆角场图像编码技术和深度卷积生成对抗网络进行数据增强,有效解决了行星齿轮箱故障诊断中样本分布不均衡所引起的模型泛化能力不足和诊断精度低等问题｡实验结果表明,该方法在故障识别上具有高精度和快速收敛的特点,但是对于不同类型的故障和复杂的行星齿轮箱结构,需要进一步验证其适用性｡文献[4]通过复合粗粒化的方式对时间序列进行多尺度分析,提出了衡量两通道时间序列相似性与互预测性的复合多尺度交叉模糊熵方法｡通过结合萤火虫优化支持向量机,实现了对行星齿轮箱故障的有效诊断｡但是在实际应用阶段,复合多尺度交叉模糊熵的计算相对复杂,增加了计算成本和时间｡文献[5]通过变分模态分解对行星齿轮箱振动信号进行处理后,结合SDP点对称特征融合图像技术,确定具体的故障状态｡实验结果表明,该方法在故障诊断上具有精度高和适用性强的特点,但是SDP点对称特征融合图像技术需要依赖专业的图像处理软件和算法,会在一定程度上增加了技术实现的难度和成本｡

综上所述,为了提升风电机组行星齿轮箱的故障诊断效果和实际适用性,本文提出了一种基于知识图谱和GPT模型的风电机组行星齿轮箱故障诊断研究方法｡

1、风电机组行星齿轮箱故障诊断方法设计

1.1风电机组行星齿轮箱故障特征选择不同风电机组行星齿轮箱的故障特征具有多样性｡为了确保后续故障诊断的效果,本文采用将数学规划算法与进化算法相结合的MOEA/D算法,将风电机组行星齿轮箱故障特征选择的多目标优化问题(multi-objectiveoptimizationproblem,MOP)进行分解,转化为指定规模的单目标子问题优化求解[6]｡其中,风电机组行星齿轮箱故障特征选择的目标函数可以表示如下:

式中:f(S)为风电机组行星齿轮箱故障特征选择的目标函数;SU(x,y)表示在S故障下,行星齿轮箱的运行参数x与行星齿轮箱故障状态y之间的对称不确定参量;U表示参量的不确定程度｡

在此基础上,MOEA/D算法选择故障特征的方式如图1所示｡

图1基于MOEA/D算法的故障特征选择

由图1可知,本文利用MOEA/D算法进行故障特征选择时,主要分为分解和进化两个阶段｡

在分解处理过程中,本文引入了切比雪夫法,表示如下:

式中:d为行星齿轮箱故障状态的决策向量;λ为各特征的权重参量;z为当前行星齿轮箱故障特征对应目标函数的最小值;Ω为风电机组行星齿轮箱故障空间｡

在进化阶段处理过程中,本文采用了差分进化策略,对于行星齿轮箱故障状态的决策向量d而言,邻近决策向量的选择结果,可以表示如下:

式中:f'和CR均为差分进化的控制参数;q为差分进化产生的新决策向量｡

本文按照上述方式,结合时域信号和频域信号的特征构成,确定覆盖风电机组行星齿轮箱故障状态的故障特征集｡

1.2面向风电机组行星齿轮箱的GPT模型构建

在风电机组行星齿轮箱的故障诊断中,GPT模型主要作用是行星齿轮箱运行特征识别与关系抽取任务｡相较于传统的微调模型,基于本文学习的GPT模型在性能上高度依赖于其理解和适应多样化任务输出格式的能力[7-8]｡为了充分发挥GPT模型在这两项任务中的应用效果,确保模型能精确捕捉并生成所需信息,本文设计了针对特定任务的输入和输出格式,具体表示如下:

式中:Q､K和V分别为多头自注意力机制下,针对特定任务Xe,输入格式为WQ､WK､WV时,线性映射生成的输出格式｡

在任务执行的核心环节“提示信息”的设计过程中,本文采取了双管齐下的策略[9]｡通过为GPT模型设定明确的风电机组行星齿轮箱运行参数对应的对象,确保模型能够准确理解任务目标｡根据任务的不同需求,本文规定了所需完成的任务信息,使模型能够高效完成任务｡具体表示如下:

式中:fsotfmax为归一化函数,利用该函数使规定所需完成的任务信息综合权重为1｡

为了进一步增强模型对任务结构和预期输出格式的理解,本文引入了小样本学习(few-shotlearning,FSL)策略[10]｡该方法通过提供具体的任务示例,规范模型的输出,从而优化模型对任务的理解和执行｡在选择示例时,该方法采用了相似度计算方法,利用SBERT模型将行星齿轮箱故障状态数据量化,解决SBERT在编码过程中分布不均匀的问题,确保相似度计算的准确性[11],具体表示如下:

式中:Sscore(y1,…,yt)为量化后的行星齿轮箱故障状态数据;P为行星齿轮箱运行参数｡

本文通过计算输入行星齿轮箱运行参数数据与现有行星齿轮箱故障数据之间的相似度,将相似度最高的样本作为模型学习的样本｡

本文通过设计和操作,提高GPT模型在行星齿轮箱运行参数识别与关系抽取任务中的性能｡在处理复杂任务时,该模型通过设计精细化的提示信息和选择科学的样本,优化模型的学习效果｡

1.3嵌入知识图谱构建的风电机组行星齿轮箱故障诊断

本文结合构建的GPT模型,将风电机组行星齿轮箱故障状态和故障信号作为输入,完成对运行特征识别与关系抽取,确定风电机组行星齿轮箱故障知识图谱,如图2所示｡

图2风电机组行星齿轮箱故障知识图谱

由图2可知,该模型在具体的故障诊断过程中,将风电机组行星齿轮箱运行状态数据输入到本文构建的GPT模型后,模型基于数据中的提示信息,将本文选择的故障特征生成对应的执行流程,表示如下:

故障状态信息存在表示式如下

该模型将此时的Sj映射到图2所示的知识图谱中,并输出对应的故障诊断结果｡

当故障状态信息存在表示式如下:

故障特征生成,则表示式如下:

此时,该模型再重复执行式(7),直至输出最终的故障状态｡

2、实验验证

2.1实验准备

本文以故障诊断专用实验平台QPZZ-Ⅱ作为具体的测试环境,如图3所示｡

图3QPZZ-II实验平台

测试平台的主要部件包括电机､轴承､齿轮箱､调速器､轴､转盘｡本文开展的行星齿轮箱故障诊断研究,分别针对正常工况､断齿故障､磨损故障进行模拟｡对于具体的实验材料配置,本文设置齿轮箱中大齿轮､小齿轮模数均为2,其中,大齿轮和小齿轮的材质均为S45C,齿数分别为75和55,齿轮箱采用浸油式润滑方式｡对于行星齿轮箱运行信号的采集,本文以ADA16-8/2(LPCI)采集卡配合6个振动加速度信号传感器执行采集信号,具体的运行状态如表1所示｡

本文对正常工况､点蚀故障､磨损故障进行模拟,不同工况下应用的齿轮工件具体状态如图4所示｡

表1行星齿轮箱参数配置

图4不同工况模拟应用的齿轮状

本文通过实验准备,确保实现对不同行星齿轮箱故障状态的有效模拟,为诊断效果评估和性能分析提供基础,并最大限度降低干扰因素对最终实验结果的影响｡

2.2故障诊断结果

本文采用设计方法分别对正常工况､点蚀故障､磨损故障下的信号输出进行分析,并结合信号状态实现对具体的故障进行有效诊断｡本文从时域波形的角度出发,对应的诊断输出效果如图5所示｡

由图5可知,本文设计方法能够根据行星齿轮箱信号的时域波形,实现对具体故障状态进行有效诊断,对应的故障状态和故障发生诊断结果输出都与试验台的设置情况高度拟合｡

图5故障诊断效果

2.3故障诊断性能分析

本文从综合角度对设计诊断方法的性能进行分析时,引入了以格拉姆角场与深度卷积生成对抗网络为基础的诊断方法､以复合多尺度交叉模糊熵为基础的诊断方法作为测试的对照组,分析统计了对应的诊断精度,具体的性能对比如图6所示｡

由图6可知,分析了3种不同方法的诊断性能,本文设计方法对于不同类型故障状态的诊断可靠性更高,诊断精度均达到了0.98,为行星齿轮箱的实际管理工作提供了有效的指导｡相比之下,该格拉姆角场与深度卷积生成对抗网络为基础的诊断方法对于点蚀故障的诊断精神相对偏低为0.92;复合多尺度交叉模糊熵为基础的诊断方法对于点蚀和磨损诊断精度相对平稳,但是整体水平偏低,均为0.96,存在进一步提升的空间｡

图6诊断性能对比

3、结语

考虑到行星齿轮箱运行状态对于风电机组整体输出性能的影响,本文提出了一种基于知识图谱和GPT模型的风电机组行星齿轮箱故障诊断研究方法,以关联度为基准选定故障特征后,将其作为GPT模型的输入,并输入对应的风电机组行星齿轮箱故障知识图谱｡该模型中行星齿轮箱的实际运行状态与知识图谱之间的映射关系,实现对故障状态的有效诊断,提升了诊断的可靠性｡

参考文献:

[1]董美琪,孙显彬,刘伦明,等.一致性数字孪生驱动的行星齿轮箱故障诊断方法[J].组合机床与自动化加工技术,2024(10):138-142.

[2]晏云海,郭瑜.角度补偿同步平均的二级行星齿轮箱行星轮故障特征提取方法[J].振动工程学报,2024,37(5):896-902.

[3]古莹奎,石昌武,陈家芳.基于格拉姆角场与深度卷积生成对抗网络的行星齿轮箱故障诊断[J].噪声与振动控制,2024,44(1):111-118.

[4]候双珊,郑近德,潘海洋,等.基于复合多尺度交叉模糊熵的行星齿轮箱故障诊断[J].振动与冲击,2023,42(20):130-135,171.

[5]崔宝珍,彭智慧,王浩楠,等.应用SDP点对称特征融合图像的行星齿轮箱故障诊断[J].噪声与振动控制,2023,43(4):82-88.

[6]李东东,蒋海涛,赵耀,等.极端条件下基于改进深度森林的行星齿轮箱故障诊断方法[J].电力系统保护与控制,2023,51(11):39-50.

[7]王国锋,张旭东,汪菲,等.基于优化EFD算法的风电行星齿轮箱故障诊断研究[J].天津大学学报(自然科学与工程技术版),2023,56(4):355-360.

[8]林云,郭瑜,陈鑫.参数优化最大二阶循环平稳盲解卷积行星轮轴承故障提取[J].振动与冲击,2023,42(2):321-328.

[9]张搏文,庞新宇,关重阳.基于DPD-1DCNN的行星齿轮箱故障诊断方法研究[J].机械传动,2023,47(3):113-119.

[10]张继.基于任务自适应的小样本学习研究[D].成都:电子科技大学,2024.

[11]孙明帅,王黎明,聂延艳.考虑传递路径效应的行星齿轮箱断齿故障仿真研究[J].机械传动,2023,47(2):169-176.