本文選題：風力發(fā)電機 + 故障診斷��； 參考：《沈陽工業(yè)大學》2017年碩士論文

【摘要】：隨著風能產(chǎn)業(yè)的高速發(fā)展,風力發(fā)電機的使用規(guī)模越來越大,如何維護機組的安全運轉受到了越來越多人的關注。各類風機故障中,傳動系統(tǒng)零部件的故障往往造成風力發(fā)電機組停機維修時間最長,也是致使風力發(fā)電機的維護成本高居不下的重要原因之一,對其進行及時準確的診斷就顯得尤為重要。因此本文以風力發(fā)電機組傳動系統(tǒng)軸承為例,提出了一種基于深度信念網(wǎng)絡DBN的風機軸承故障診斷算法,并通過將該算法在云計算平臺并行化處理來提高算法的處理速度。本文主要從兩個方面著手研究:一方面來說,診斷技術采用深度學習網(wǎng)絡作為故障數(shù)據(jù)的特征表征,利用深度信念網(wǎng)絡(DBN)技術作為網(wǎng)絡構建的深層結構,能夠高度擬合任何非線性信號的特征,并從每個隱藏層中輸入的數(shù)據(jù)中學習獲得更高階的相關性特征,最后連接一個特征提取器在輸出端級聯(lián)處理輸出的信息。本文通過實驗驗證了深度信念網(wǎng)絡DBN在數(shù)據(jù)處理方面的優(yōu)異表現(xiàn),利用該網(wǎng)絡模型提出的風力發(fā)電機軸承故障診斷方法可以直接通過將原始振動數(shù)據(jù)歸一化處理后進行無監(jiān)督學習,當整個DBN訓練完成后,利用標簽層的信息在最頂端進行有監(jiān)督故障識別,避免了繁雜的故障特征人為經(jīng)驗參與選取的情況,從而使得整個診斷更加智能。另一方面,傳統(tǒng)的信號分析方法在處理數(shù)據(jù)規(guī)模持續(xù)增長的振動數(shù)據(jù)時,會遇到計算能力上的瓶頸,而云計算在大數(shù)據(jù)計算和網(wǎng)絡存儲方面有著卓越的性能表現(xiàn),并且在Hadoop平臺上,基于Spark實現(xiàn)對振動數(shù)據(jù)的并行處理方法,具有很好的容錯性與自動均衡負載特性,能夠有效解決風機組采集到的振動數(shù)據(jù)處理速度過慢,數(shù)據(jù)使用不完全,有效信息流失嚴重的問題。本文實現(xiàn)的基于Spark的風機組軸承故障診斷算法并行運算,在Hadoop2.0云平臺上的實驗表明,算法的各項并行指標良好,能夠滿足故障診斷處理任務需求。
[Abstract]:With the rapid development of wind energy industry, the scale of wind turbine is becoming larger and larger, and more people pay attention to how to maintain the safe operation of the unit. Among all kinds of fan faults, the failure of transmission system parts often results in the longest downtime of wind turbine generator, which is one of the important reasons for the high maintenance cost of wind turbine generator. It is very important to make timely and accurate diagnosis. This paper presents a fault diagnosis algorithm for wind turbine bearing based on deep belief network DBN, and improves the processing speed by parallelizing the algorithm in cloud computing platform. This paper mainly studies from two aspects: on the one hand, the deep learning network is used as the feature representation of the fault data, and the deep belief network (DBN) technology is used as the deep structure of the network construction. It can highly fit the features of any nonlinear signal and learn from the input data in each hidden layer to obtain higher-order correlation features. Finally, a feature extractor is connected to process the output information in cascade at the output end. In this paper, the excellent performance of DBN in data processing is verified by experiments. Using the network model, the bearing fault diagnosis method of wind turbine generator can be directly studied by normalizing the original vibration data, when the whole DBN training is completed. The information of label layer is used for supervised fault identification at the top, so that the complicated fault features can be selected by human experience, thus making the whole diagnosis more intelligent. On the other hand, the traditional signal analysis method will meet the bottleneck of computing power when dealing with the vibration data with increasing data scale, while cloud computing has excellent performance in big data computing and network storage. And on Hadoop platform, the parallel processing method of vibration data based on Spark is realized. It has good fault tolerance and automatic load balancing characteristics, and can effectively solve the problem of slow processing speed and incomplete use of vibration data collected by wind turbine. A serious problem with the loss of effective information. The parallel calculation of bearing fault diagnosis algorithm based on Spark is realized in this paper. The experiment on Hadoop 2.0 cloud platform shows that the parallel indexes of the algorithm are good and can meet the needs of fault diagnosis and processing task.
【學位授予單位】：沈陽工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TM315;TP393.09

【相似文獻】

相關期刊論文 前10條

1 ;新型風力發(fā)電機組出世[J];中小型電機;2002年06期

2 ;風力發(fā)電機組項目[J];機電新產(chǎn)品導報;2002年11期

3 黃順禮;;世界最大的風力發(fā)電機組[J];電氣技術;2004年11期

4 許移慶;冀東;;風力發(fā)電機組塔架仿真和分析[J];能源研究與信息;2006年02期

5 王哲;;關于風力發(fā)電機組狀態(tài)監(jiān)測的思考[J];中國設備工程;2007年04期

6 李興國;何玉林;金鑫;;風力發(fā)電機組系統(tǒng)建模與仿真[J];重慶大學學報;2008年11期

7 董正茂;田德;王海寬;魏玉通;王麗麗;胡學敏;許明;;濃縮風能型風力發(fā)電機組的安裝、使用與維護[J];農(nóng)村牧區(qū)機械化;2008年06期

8 ;遼寧將生產(chǎn)世界先進的風力發(fā)電機組核心部件[J];電站輔機;2008年02期

9 ;風力發(fā)電機組不斷向大型化發(fā)展[J];東方電機;2008年05期

10 賀廣零;;風力發(fā)電機組風場模擬[J];中國電機工程學報;2009年29期

相關會議論文 前10條

1 劉樺;鄧良;廖暉;;水平軸風力發(fā)電機組通用動力學建模研究[A];中國動力工程學會透平專業(yè)委員會2011年學術研討會論文集[C];2011年

2 楊旭坤;;風力發(fā)電機組火災危險性及防范措施研究[A];2010中國消防協(xié)會科學技術年會論文集[C];2010年

3 陳飛;陳鵬飛;吳威;;淺談風力發(fā)電機組防雷要點[A];S13 第十屆防雷減災論壇——雷電災害與風險評估[C];2012年

4 劉樺;鄧良;廖暉;;水平軸風力發(fā)電機組通用動力學建模研究[A];中國農(nóng)業(yè)機械工業(yè)協(xié)會風能設備分會2011年度論文集（上）[C];2011年

5 程朗;;電網(wǎng)友好型風力發(fā)電機組性能及應用[A];中國農(nóng)業(yè)機械工業(yè)協(xié)會風能設備分會2011年度論文集（上）[C];2011年

6 鞠偉華;王振鵬;;風力發(fā)電機組火災防范初探[A];中國農(nóng)業(yè)機械工業(yè)協(xié)會風能設備分會2012年度論文集（上）[C];2012年

7 ;南車株洲所高海拔型風力發(fā)電機組入主貴州[A];《電站信息》2012年第9期[C];2012年

8 李龍剛;馬強;許斌;;風力發(fā)電機組鑄件解析[A];中國農(nóng)業(yè)機械工業(yè)協(xié)會風能設備分會2013年度論文集（上）[C];2013年

9 李衛(wèi)東;丁鈞;孫樵;;幾種常見風力發(fā)電機組的對比分析[A];中國農(nóng)業(yè)機械工業(yè)協(xié)會風能設備分會2013年度論文集（上）[C];2013年

10 莊嚴;紀國瑞;王峰;;風力發(fā)電機組的防雷與接地工藝設計(上)[A];中國農(nóng)業(yè)機械工業(yè)協(xié)會風能設備分會2013年度論文集（上）[C];2013年

相關重要報紙文章 前10條

1 黃欣　李敏蕾;風力發(fā)電機組進口乘“風”上揚[N];科技日報;2007年

2 記者楊星;在我市合作開發(fā)風力發(fā)電機組[N];鄂爾多斯日報;2009年

3 許元強;宜興首臺風力發(fā)電機組成功發(fā)電[N];無錫日報;2010年

4 記者 楊娜;西安金風首批風力發(fā)電機組下線[N];中國電力報;2010年

5 龍聞;朝陽遠大風力發(fā)電機組項目進展迅速[N];朝陽日報;2010年

6 通訊員 狄偉;新型高效風力發(fā)電機組項目落戶高新區(qū)[N];萊蕪日報;2010年

7 陳曉建;我國首臺1.5兆瓦風力發(fā)電機組下線[N];中國質量報;2007年

8 本報記者 賴文忠;讓風力發(fā)電機組寫上“福建制造”[N];福建日報;2007年

9 通訊員 吳瑞芳;30萬千瓦風力發(fā)電機組制造項目落戶賽罕區(qū)[N];呼和浩特日報(漢);2006年

10 記者 楊石明;風力發(fā)電機組生產(chǎn)項目落戶高新區(qū)[N];益陽日報;2007年

相關博士學位論文 前10條

1 張寅;液壓型風力發(fā)電機組功率平滑控制研究[D];燕山大學;2016年

2 陶慶;兆瓦級風能發(fā)電機組整機及關鍵部件動態(tài)特性研究[D];新疆大學;2015年

3 謝洪放;漂浮式海上風力發(fā)電機組載荷控制研究[D];沈陽工業(yè)大學;2017年

4 吳宏鋼;風力發(fā)電機組振動檢測及噪聲評估研究[D];重慶大學;2010年

5 劉軍;風力發(fā)電機組控制策略優(yōu)化與實驗平臺研究[D];重慶大學;2011年

6 金鑫;風力發(fā)電機組系統(tǒng)建模與仿真研究[D];重慶大學;2007年

7 盧YmtD;風力發(fā)電機組動力模型及循環(huán)變槳控制策略研究[D];沈陽工業(yè)大學;2012年

8 何偉;湍流風場模擬與風力發(fā)電機組載荷特性研究[D];華北電力大學;2013年

9 劉樺;風電機組系統(tǒng)動力學模型及關鍵零部件優(yōu)化研究[D];重慶大學;2009年

10 陳廣華;風力發(fā)電機組組合式葉片結構設計研究[D];華北電力大學;2013年

相關碩士學位論文 前10條

1 丁顯;基于振動和載荷監(jiān)測的風力發(fā)電機組失效分析[D];華北電力大學;2012年

2 葉壯壯;液壓型落地式風力發(fā)電機組主傳動系統(tǒng)特性與穩(wěn)速控制研究[D];燕山大學;2015年

3 張磊;用于數(shù)值仿真的風電場等值模型的研究[D];哈爾濱工業(yè)大學;2015年

4 林培能;風力發(fā)電機組模型三維建模及三維打印技術研究[D];華北電力大學;2015年

5 尹琪東;基于傳動調速的變速恒頻風電機組設計方案的初步研究[D];華北電力大學;2015年

6 桑柏超;永磁直驅風力發(fā)電機組建模仿真研究[D];華北電力大學;2015年

7 李娟;計及控制系統(tǒng)PI參數(shù)影響的雙饋風電機組暫態(tài)特性的研究[D];華北電力大學;2015年

8 曹濱;風力發(fā)電機組仿真軟件FAST的二次開發(fā)[D];電子科技大學;2014年

9 劉江濤;浮動式風力發(fā)電機組獨立變槳控制技術研究[D];新疆大學;2015年

10 孫廣;2MW風力發(fā)電機組變槳傳動系統(tǒng)設計研究[D];大連理工大學;2015年

，

本文編號：2000821