永磁风电系统复合故障的免疫检测与深度学习诊断方法研究

Investigating an efficient fault detection and diagnosis method is the key for guarantying permanent magnet wind power system reliable operation. It is easy to cause compound faults with nonlinear coupling dynamic characteristics for generator system as the running condition of wind turbines is complicated, however, lacking of mature fault detection and diagnosis model method, recently. The fault detection and diagnosis is to be processed as the way of hierarchical coordination in this project, the immune system mechanism is used carry on the dynamic detection for fault status, furthermore, the deep learning theory is utilized to express and understand the depth of fault information, studying collaboration diagnosis model and method combining immune detection with deep learning for compound faults of permanent magnet wind power system in this project. Firstly, constructing immune detection deep learning collaborative diagnosis model, secondly, studying multi-task collaborative immune dynamic fault detection algorithm, designing dynamic adaptive immune evolutionary algorithm to optimize detectors dynamically, and realizing the fault detection of wind power system, and then ,at the aim of revealing the rule of complex fault data distribution , studying a deep learning algorithm , designing reasonable deep hierarchical structure and learning parameters for compound fault diagnosis to realize automatic fault feature extraction, classification and interpretation; Further, in order to accelerate the algorithm convergence process and realize the online fault detection and diagnosis a GPU (Graphic Processing Unit) heterogeneous parallel method for fault detection and diagnosis of permanent magnet wind power system is to study. This project not only providing a novel effective solution for wind power system reliability running , but also having a conducive to enrich intelligent fault diagnosis theory and application.

研究有效的故障检测与诊断方法是保障永磁风电系统可靠性运行的关键。风电机组运行工况复杂多变，易导致发电机系统发生动态非线性耦合特征的复合故障，目前缺少成熟的故障检测与诊断模型方法。课题将故障检测与诊断进行分层协同处理，通过挖掘免疫系统机理对故障状态进行动态检测，探索深度学习理论对故障信息进行深层表达与理解，研究用于永磁风电系统复合故障的免疫检测-深度学习协同诊断模型与方法。在构建免疫检测-深度学习协同诊断模型的基础上，研究多任务协同免疫动态故障检测算法,设计动态自适应免疫进化算法对检测器进行优化，实现对系统动态故障检测；研究复合故障诊断的深度学习算法，设计合理的深度层次结构和学习参数，实现故障特征自动提取、分类与解释，揭示故障数据分布规律；并研究GPU异构并行加速方法，实现实时在线故障检测与诊断。项目研究成果为风电系统可靠性运行提供新颖有效的解决方案,同时也有利于发展智能故障诊断理论及应用。

风电机组运行工况复杂多变，易导致发电机系统发生动态非线性耦合特征的复合故障。研究高效的故障检测与诊断方法是保障永磁风电系统可靠性运行的关键。项目围绕永磁风电系统故障诊断中的关键问题展开理论方法与应用研究。主要研究工作为：1）研究免疫智能检测-深度学习分层协同诊断模型方法，项目通过利用人工免疫系统的异常检测机理与深度学习机理，构建一种面向复合故障的免疫检测-深度学习分层协同诊断模型。2）研究自适应免疫智能学习的风电系统参数估计与状态检测算法，利用智能优化算法无需问题本身强先验知识和具有解决黑箱问题特性以及其强感知能力，项目提出了基于动态学习粒子群的逆变器驱动永磁同步电机系统参数估计方法，提出了基于动态学习粒子群的PMSM驱动系统机械参数、电气参数及逆变器非线性因素一体化软测量方法，提出了基于分布式免疫智能学习理论的永磁同步电机系统参数估计方法，提出了基于反向综合学习粒子群算法的永磁同步电机定子电阻与永磁状态估计方法，研究的基于参数估计模型的永磁同步电机系统状态监测与故障诊断方法能够为风电系统所用的永磁同步电驱动系统提供状态监测与故障诊断技术指导。3）研究了面向故障诊断的深度学习（机器学习）算法，项目提出了基于改进型大间隔分布机学习方法的机组故障诊断方法，提出了深度适配网络的风电机组轴承故障诊断模型方法，提出了一种基于深度生成对抗网络的风电传动系统故障诊断方法，提出了结合弹性网长短时记忆网络的机组滚动轴承的剩余寿命预测方法。4）研究了故障检测与诊断中的并行实现方法，项目提出了面向驱动永磁同步电机系统参数估计的并行免疫粒子群算法，提出了面向系统参数状态估计方法的多核架构并行计算智能学习方法，提出了基于多核计算架构的并行协同进化粒子群算法。项目研究取得了一系列有特色的创新性成果，项目研究成果为风电系统可靠性运行提供新颖有效的解决方案,同时也有利于发展智能故障诊断理论及应用。