风电机组传动系统关键机械部件的故障检测方法研究

【摘要】：在石油、煤炭等资源短缺而引发的“能源危机、生态危机”背景下,风能作为可再生的环境友好型能源,受到当今社会普遍的关注。随着风机装机容量的逐年增长,相应确保风机持续高效运行的故障检测、维修等维护服务的重要性逐年凸显。由于风机安装在很高的塔架上,一旦风机传动系统发生故障,其维修成本将很高。本文对风机传动系统滚动轴承和齿轮箱齿轮的故障检测方法展开了研究,主要工作包括以下几个方面:(1)针对风力发电机组滚动轴承出现损伤类故障时,传统的去噪方法只考虑到白噪声的干扰,却忽略了冲击脉冲的影响,提出了形态滤波-改进的小波去噪方法。首先利用形态滤波对干扰脉冲有一定的抑制作用,用来去除滚动故障振动信号的脉冲干扰,又由于传统阈值函数存在缺陷,提出了改进的小波去噪方法用来去除白噪声,然后将去噪后的信号进行经验模态分解,最后以分解后的本征模态函数的包络谱特征频率作为故障特征量,与实际故障特征频率比较,得出结论。(2)针对风力发电机组滚动轴承局部存在损伤或缺陷时,其振动信号多表现为非平稳、非线性、调制等特征,提取出的特征参数不能很好地进行故障检测,提出了基于多特征参数的概率神经网络模型。首先利用经验模态分解法自适应分解形成的本征模态函数,进行多特征参数提取,接着利用概率神经网络故障识别,最后将概率神经网络模型用于风力发电机滚动轴承故障检测,以期提高滚动轴承故障检测正确率。(3)针对风力发电机组齿轮故障分类精度不高的问题,提出了一种改进蛙跳算法优化的支持向量机的检测方法。由于支持向量机中的惩罚因子和核函数参数选择对分类准确率有着很大的影响,因此利用改进的蛙跳算法对支持向量机参数进行优化,用优化好的参数进行机器训练,然后将训练好的模型应用于故障检测,利用UCI数据库的三组数据进行性能评估,最后将改进蛙跳算法优化的支持向量机模型应用到风力发电机组齿轮故障检测中。 【关键词】：风电机组 故障检测 形态滤波-改进的小波去噪 概率神经网络 支持向量机 改进的蛙跳算法
【学位授予单位】：上海电机学院
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM315
【目录】：

• 摘要5-7
• ABSTRACT7-12
• 第一章 绪论12-20
• 1.1 课题研究背景及意义12-15
• 1.1.1 风电机组发展的背景12-13
• 1.1.2 风电机组故障检测方法研究意义13-15
• 1.2 风电机组故障检测技术方法与发展趋势15-17
• 1.2.1 现有风电机组故障检测方法及其优缺点15-16
• 1.2.2 国内外风电机组故障检测研究现状16-17
• 1.3 目前风电机组故障检测存在的问题和研究内容17-18
• 1.4 本文的主要组织结构18-20
• 第二章 风电机组传动系统关键机械部件故障分析20-30
• 2.1 风力发电机组结构20-21
• 2.2 风力发电机组关键机械部件故障21-26
• 2.2.1 滚动轴承故障22-23
• 2.2.2 齿轮箱故障23-24
• 2.2.3 发电机故障24-26
• 2.3 风力发电机组传动系统典型故障振动信号频率特征26-29
• 2.3.1 滚动轴承的频率特征26-28
• 2.3.2 齿轮箱的频率特征28-29
• 2.4 本章小结29-30
• 第三章 基于形态滤波降噪的滚动轴承故障特征提取30-49
• 3.1 引言30-31
• 3.2 形态滤波-小波降噪算法31-35
• 3.2.1 形态滤波算法31-32
• 3.2.2 小波分析方法32-35
• 3.3 形态滤波-改进的小波降噪算法35-42
• 3.3.1 改进的小波去噪方法35-38
• 3.3.2 形态滤波降噪模型38-42
• 3.4 在滚动轴承故障特征提取的应用42-48
• 3.4.1 实验设计42-43
• 3.4.2 故障特征提取模型建立43-44
• 3.4.3 实验过程与结果44-48
• 3.5 本章小结48-49
• 第四章 基于多特征参数的PNN滚动轴承故障检测49-60
• 4.1 引言49
• 4.2 经验模态分解49-50
• 4.3 概率神经网络50-54
• 4.3.1 贝叶斯分类判决理论50-52
• 4.3.2 概率神经网络模型52-53
• 4.3.3 概率神经网络数学原理53
• 4.3.4 概率神经网络特点53-54
• 4.4 基于多特征参数的PNN滚动轴承故障检测模型54-59
• 4.4.1 PNN故障检测模型54-55
• 4.4.2 多特征参数提取55-56
• 4.4.3 实验仿真56-59
• 4.5 本章小结59-60
• 第五章 基于改进蛙跳算法优化的SVM齿轮的故障检测60-75
• 5.1 引言60
• 5.2 支持向量机60-62
• 5.3 改进的蛙跳算法及其性能分析62-66
• 5.3.1 基本蛙跳算法62-63
• 5.3.2 改进的蛙跳算法63-64
• 5.3.3 改进蛙跳算法的收敛性64-65
• 5.3.4 改进蛙跳算法的时间复杂度分析65-66
• 5.4 基于改进蛙跳算法的SVM模型66-70
• 5.4.1 模型建立66
• 5.4.2 ISFLA选择最佳参数c和g66-67
• 5.4.3 仿真实验67-70
• 5.5 在风机齿轮故障检测中的应用70-74
• 5.5.1 实验设计70-72
• 5.5.2 实验步骤72
• 5.5.3 实验结果与分析72-74
• 5.6 本章小结74-75
• 第六章 总结和展望75-77
• 6.1 主要工作与创新点75
• 6.2 后续研究工作75-77
• 参考文献77-82
• 致谢82-83
• 攻读硕士学位期间发表论文及专利83

您可以在本站搜索以下学术论文文献来了解更多相关内容

基于等距离映射的非线性动态故障检测方法    张妮;田学民;

B型彩超故障检测方法与技巧    杨兆芳;宋娟;李卫成;

一种自适应观测器设计和故障检测方法    闻新,王青,钱芳,张洪钺

一种基于免疫神经网络的故障检测方法    邵旭光;范守文;熊静琪;

一种机械系统振动故障检测方法    张化勋;曹旭;

波导裂缝相阵天线配相系统故障检测方法    王建中;

基于多指标约束的鲁棒故障检测方法    姜云春;邱静;刘冠军;

软性内窥镜构造及故障检测方法    邬雨芳;

基于神经网络预测模型的歼击机结构故障检测方法    胡寿松,汪晨曦

应变式称重传感器故障检测方法及步骤    杨青锋;

基于小波多分辨率分析的故障检测方法    周小勇;叶银忠;

等价空间故障检测方法研究    杜运成;石红瑞;

一种基于多模式的故障检测方法    谭琳;文成林;

基于融合量测预报器的联邦滤波故障检测方法    邱恺;吴训忠;陈天如;魏瑞轩;张宗麟;

一种控制系统故障的鲁棒检测方法    陈金水;孙优贤;

基于ARMA模型的故障检测方法    颜东;张洪钺;

PC-KNN故障检测方法在半导体批次过程中的应用研究    张成;李元;

基于状态监控的软硬件故障检测方法    易昭湘;慕晓冬;杨眉;赵鹏;

一种软件实现的瞬时故障检测方法    李建立;谭庆平;徐建军;

基于纹理识别的胶印机墨杠故障检测方法    徐卓飞;张海燕;任玲辉;

浅谈数字电路故障检测方法与技巧    江苏 孙春晖

分布式网络化控制系统故障检测方法研究    刘文静

基于传感器最优配置的故障检测方法研究    彭涛

基于数据驱动的复杂工业过程故障检测方法研究    马贺贺

基于电流信号提取技术的SRD故障检测方法的研究    肖丽

基于LMI技术的线性系统故障检测方法    王恒

FPGA故障检测方法研究及软件实现    罗俊杰

基于特征空间信息提取的故障检测方法研究    张占奎

串联电弧故障检测方法研究及应用    刘婷

弹复性两自由度机械手的关节故障检测方法研究    郭刚

风电机组传动系统关键机械部件的故障检测方法研究    马鲁

智能建筑暖通空调系统故障检测方法研究    曲辰飞

动态系统的鲁棒故障检测方法研究    王承光

基于工业过程数据的故障检测方法研究    张少捷

基于数据的故障检测方法的研究与应用    马驰

基于专家系统的网络故障检测方法的研究及实现    王佳