1. 数据集背景与价值解析
风电行业近年来面临一个关键痛点:随着机组单机容量突破10MW级别,传统定期检修模式已无法满足运维需求。某头部整机商2023年内部报告显示,齿轮箱故障导致的非计划停机平均造成单台机组日损失超15万元。这正是我们团队耗时18个月构建"时空特征融合的风电机组故障诊断数据集"的核心动因。
这个数据集首次实现了三个突破:
- 时间维度:覆盖5种典型故障从萌芽期到严重期的完整演变过程(最短37天,最长206天)
- 空间维度:同步采集齿轮箱6个关键测点(振动、温度、油液等)的物理信号
- 工况维度:包含额定运行、低风速、台风等多种场景下的故障特征
关键提示:数据集特别标注了故障发展各阶段的特征变化阈值,这对早期预警具有决定性意义
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据采集与特征工程详解
2.1 硬件部署方案
我们选用Schaeffler SmartCheck振动传感器(采样率25.6kHz)配合Fluke 3563测温仪,在齿轮箱关键部位构建了立体监测网络。具体部署策略:
| 测点位置 | 传感器类型 | 采样频率 | 物理量程 |
|---|---|---|---|
| 高速轴非驱动端 | 三轴加速度计 | 25.6kHz | ±50g |
| 低速轴轴承座 | 温度振动复合 | 1Hz | 0-150℃ |
| 油液管路 | 在线颗粒计数器 | 10min/次 | 4-6μm |
2.2 时空特征提取方法
针对振动信号采用改进的MFCC(梅尔频率倒谱系数)算法,在传统39维特征基础上新增:
- 时域包络熵:反映故障冲击能量分布
- 频带相对功率:识别特征频率漂移
- 小波包节点能量:捕捉瞬态冲击成分
温度数据则构建了基于物理模型的健康基准线:
code复制T_expected = T_ambient + (α×wind_speed) + (β×power_output)
通过残差分析识别异常温升模式。
3. 典型故障案例库构建
3.1 齿轮点蚀故障演化轨迹
从初期阶段(振动能量增加<3dB)到严重阶段(出现1/3倍频谐波)的全过程包含:
- 第1-15天:边频带能量缓慢上升
- 第16-30天:出现调制现象
- 第31天起:特征频率幅值超阈值
