國內外風機振動信號狀態監測技術的研究現狀

人工神經網絡具有一些局限性，如容易陷入局部極值點、收斂速度慢等，其根本原因是神經網絡基于傳統統計學，它要求統計樣本趨于無窮多。但在現實設備故障診斷中，樣本數量往往是有限的，從而其學習效果往往也并不盡如人意。隨著有限樣本機器學習算法的逐漸完善，有學者提出了一種基于小樣本的支持向量機算法。支持向量機建立在統計學習基礎之上，是 1995 年 Vapnik 等人根據結構風險最小化原則提出的，和以前的機器學習方法相比有很多優點，如解決了局部極小值點問題、樣本數有限問題、過學習問題、非線性和高維數問題等。此后，很多研究者對支持向量機算法進行了學習與推廣。Qi Wu 提出了模糊支持向量回歸分類器，Rui  Kong 提出了快速最小二乘支持向量機算法，Robert  Strack 提出了球面支持向量機(Sphere Support Vector Machines, SSVM)算法。在實際的軸承故障診斷中，支 持向量機通常與其他方法相結合，比如小波分析、EMD 算法等提取軸承故障特征，然后輸入支持向量機進行訓練和分類，取得了較好的效果。
1.3  國內外風機振動信號狀態監測技術的研究現狀
隨著風電產業的快速發展以及不斷出現的各種事故，狀態監測技術的研發得到了迅速發展。狀態監測系統在國外研發的比較早，在旋轉機械故障診斷方面，首推
美國 Westinghouse 公司，從 1976 年到 1990 年已成功研發出網絡化的汽輪發電機故障診斷專家系統，并研發三套人工智能軟件(汽輪機 TurbineAID，發電機 GenAID，水化學 ChemAID)，并取得很大的經濟效益。有專門用于風機組的狀態監測系統及分析軟件，如德國 Pruftechnik(普盧福)公司的風機狀態監測系統 VIBGUARD，包括VIBNODE( 入門級 ) 、 VIBNODE'Low-Speed( 低速型 ) 、 VIBROWEB( 高端型 ) 、VIBROWEB  XP(專家級)、VIBRONT  Signalmaster(可測量多達 162 測點)，利用OMNITREND 軟件對數據進行采集，分析的方法為基本的時、頻域分析和包絡分析。
瑞典 SKF 公司研發的風機組傳動系統狀態監測產品 MasCon 系列和 WindCon 系統，包括 MasCon 16、MasCon 48、MasCon 16W，ProCon 客戶通過開放式數據庫連接 MasCon 服務器，基于振動參數與過程參數診斷各種軸系不平衡及軸承、齒輪箱的故障，研究的方法為時域分析、FFT 分析和包絡分析。
美國GE檢測控制技術中心研發的本特利內華達ADAPT. windTM狀態監測系統提供了從傳感器到監測器和軟件以及故障診斷服務的一體化可擴展的解決方案，研究的方法是時域序列預測分析、頻譜分析。美國 Bently Nevada 公司的產品 CBM 系統結合風機組已有的 SCADA 數據和加速度傳感器數據對風機進行整體、全面的監測，將報警信號通過 SCADA 網絡發送到主服務器，研究的方法主要是 FFT 分析和加速度包絡分析。
國外的一些高校與聯盟組織也對風機狀態監測系統進行了研究，如法國 Brest 大學的 Y.  Amirat 等利用發電機定子電流信號解調技術對發電機滾動軸承進行故障診斷，并取得一定的診斷效果；M. Blodt 等人對電機定子電流信號進行 Wigner 分布對負載轉矩振蕩和氣隙偏心故障進行了有效的區分。
SUPERGEN 風能技術聯盟是由英國工程及物理科學研究委員會(EPSRC)在 2006年 3 月建立的，作為可持續發電計劃的一部分，該組織已經成功進行了為期 4 年的研究，于 2010 年 3 月展開第 2 輪為期 4 年的研究。該聯盟是由英格蘭 Durham 大學領導的 7 所大學組成，另外還有 19 個包括維斯塔斯、西門子在內的工業合作伙伴提供大力支持。該聯盟對風電技術、空氣動力學、流體力學、材料學、電機與控制、可靠性及狀態監測領域進行了大量的研究。如 Durham 大學可再生能源組的 Crabtree等人針對風機齒輪箱早期故障基于 WindCon 系統提出了一種多參數的在線監測方法，與傳統單獨的負載或功率信號相比，可靠性高，有效的降低了錯誤警報的風險。  

石家莊風機廠石家莊風機石家莊風機銷售石家莊風機維修