首页 > 88必威

风电齿轮箱故障特征分析与诊断方法研究

来源:论文学术网
时间:2024-08-18 18:40:28
热度:

风电齿轮箱故障特征分析与诊断方法研究【摘要】:随着风力发电技术日趋成熟,市场逐步扩大,风力发电已成为各国重点开发的能源之一。据统计,风力发电机组中齿轮箱传动装置故障率发生较高,对齿

【摘要】:随着风力发电技术日趋成熟,市场逐步扩大,风力发电已成为各国重点开发的能源之一。据统计,风力发电机组中齿轮箱传动装置故障率发生较高,对齿轮箱故障诊断方法研究的重要性及紧迫性越来越显著。本文以风力发电机组中的齿轮箱振动信号分析与故障诊断方法为研究重点,以提高风电机组的可靠性为目的,主要对齿轮箱的重要组成部分齿轮、轴承进行研究。文章主要做了三个方面的工作:(1)研究了大型风电机组齿轮箱故障形成机理,传感器采集的齿轮箱振动数据中往往包含了大量的噪声信息,对故障识别和状态评估等带来了较大的影响。本文针对常规小波阈值去噪采用了一种改进的方法,提高了信噪比、降低了均方差并通过MATLAB仿真分析与齿轮箱齿轮、轴承故障诊断实例分析,验证了改进后的方法取得了较好的效果。(2)研究了大型风电机组齿轮箱的故障诊断方法,以振动信号为分析对象,采用了一种基于小波包(WPA)的振动信号能量分析法。通过计算各节点能量值并获取与各故障对应关系,对能量值变化明显的节点系数进行重构,对重构系数进行包络频谱分析,实验结果表明可较好的确定故障所在位置及故障类型。本文在此基础上引入了能量矩参数,考虑了能量随时间参数变化的分布,并结合时域、频域信号提取与故障相关的特征参数,共同构建特征向量为后续诊断分析做准备。最后通过风力机实验台齿轮箱模拟故障实验,验证了该方法的有效性。(3)采用粒子群优化算法(PSO)对支持向量机(SVM)的核参数进行优化,构成WPA-PSO-SVM诊断模型,对各工况进行智能模式识别。一般SVM算法的核函数采用单一核函数,泛化性和学习性过于单一,分类准确率不是很高。本文结合RBF核函数和多项式核函数各自优点,构建了线性组合的混合核函数,通过权重的调节来平衡算法的泛化性和学习性。最后通过风力机实验台齿轮箱模拟故障实验,在不同转速情况下验证了该方法的有效性。 【关键词】:齿轮箱 小波去噪 包络频谱 能量矩 模式识别 混合核函数
【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
  • ABSTRACT7-11
  • 第一章 绪论11-20
  • 1.1 选题的背景及意义11-13
  • 1.2 国内外研究的现状13-16
  • 1.2.1 国内齿轮箱在线监测与故障诊断技术研究现状13-15
  • 1.2.2 国外齿轮箱在线监测与故障诊断技术研究现状15-16
  • 1.3 研究对象常见失效形式及失效原因16-18
  • 1.3.1 齿轮的主要失效形式及失效原因16-17
  • 1.3.2 滚动轴承的主要失效形式及失效原因17-18
  • 1.4 论文研究内容18-20
  • 第二章 风力发电机组齿轮箱故障振动机理及信号分析方法20-35
  • 2.1 齿轮、轴承的故障特征分析20-23
  • 2.1.1 齿轮的基本参数、故障特征频率及频谱特征20-21
  • 2.1.2 滚动轴承的基本参数、故障特征频率及频谱特征21-23
  • 2.2 振动信号调制现象23-25
  • 2.3 基于振动信号的故障诊断方法25-28
  • 2.3.1 时域特征分析25-27
  • 2.3.2 频域特征分析27-28
  • 2.4 时频分析方法28-34
  • 2.4.1 小波变换理论29-31
  • 2.4.2 小波包理论31-34
  • 2.5 本章小结34-35
  • 第三章 风力发电齿轮箱振动信号去噪及特征提取分析35-53
  • 3.1 齿轮箱实验平台搭建35-39
  • 3.2 小波阈值降噪39-41
  • 3.2.1 阈值选取规则40-41
  • 3.2.2 阈值函数41
  • 3.3 改进的阈值选取规则和阈值函数41-46
  • 3.3.1 仿真分析42-44
  • 3.3.2 试验验证44-46
  • 3.4 基于小波变换的包络频谱分析46-52
  • 3.5 本章小结52-53
  • 第四章 基于小波包的风力发电齿轮箱故障诊断方法研究53-62
  • 4.1 基于小波包频带能量分析法的故障特征提取53-54
  • 4.1.1 小波包特征提取理论53-54
  • 4.1.2 小波包特征提取步骤54
  • 4.2 支持向量机理论54-57
  • 4.2.1 最优超平面55-56
  • 4.2.2 核函数56-57
  • 4.3 能量矩参数引入57-60
  • 4.3.1 仿真实验验证58-59
  • 4.3.2 试验验证59-60
  • 4.4 本章小结60-62
  • 第五章 改进的SVM在风力发电齿轮箱故障诊断中的应用62-70
  • 5.1 概述62
  • 5.2 混合核函数62-63
  • 5.3 SVM相关参数的选择方法63-64
  • 5.3.1 交叉验证的方法63-64
  • 5.3.2 基于粒子群优化SVM相关参数选择方法64
  • 5.4 基于混合核函数的PSO-SVM64-69
  • 5.4.1 基于UCI数据集的PSO-SVM(混合核函数)算法验证66-67
  • 5.4.2 基于混合核函数的齿轮箱故障诊断实例分析67-69
  • 5.5 本章小结69-70
  • 第六章 结论与展望70-72
  • 6.1 总结70-71
  • 6.2 展望71-72
  • 参考文献72-77
  • 致谢77-78
  • 攻读硕士学位期间取得的研究成果78


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

齿轮箱故障的状态监测分析    孙福霞

正确运用分析方法确定齿轮箱故障    杜秋杰

齿轮箱故障信息增强技术研究    姚竹亭,潘宏侠

齿轮箱故障时域和频域综合诊断技术    陆人定;

定量诊断齿轮箱故障方法的探讨    汤和;汪元辉;张策;应怀樵;

齿轮箱故障的实时监测的原理和系统设计    张新华

风机齿轮箱故障原因浅析    蒙宣伊;龙辛;

风电机组齿轮箱故障分析及改进措施    于良峰;赵登利;吴树梁;

随机监测磨屑预报齿轮箱故障    G.H.Mills;刘志坚;

风电齿轮箱故障诊断实例分析    肖洪波;刘松松;

齿轮箱故障信息增强技术研究    姚竹亭;潘宏侠;

基于CHMM动态模型的齿轮箱故障检测和诊断方法研究    李淑智;刘弹;徐光华;

基于Fisher准则的风电齿轮箱故障识别    杨炯明;范得功;周雁冰;柳亦兵;

齿轮箱故障振动信号去噪及特征提取算法研究    张澎涛

基于数据驱动的行星齿轮箱故障诊断方法研究    刘志亮

风力发电机齿轮箱故障预警方法研究    张欣欣

基于时频—解调分析的行星齿轮箱故障诊断方法研究    刘剑锋

基于振动特征分析的风电齿轮箱故障诊断技术研究    任爽

风电齿轮箱故障特征分析与诊断方法研究    高志飞

风电机组齿轮箱故障趋势预测方法研究    马玉峰

基于状态监测信息的风电机组齿轮箱故障预测研究    王斐斐

齿轮箱故障特征提取技术研究    王艳芳

基于信息融合的齿轮箱故障诊断技术研究    彭志凌

基于EMD和支持向量机的齿轮箱故障诊断方法研究    张斌

基于EMD的齿轮箱故障特征提取方法研究    张强

Baidu
map