【摘要】：據(jù)統(tǒng)計,風電機組中齒輪箱的故障約占總體的4%,但其造成的停機時間最長,由此造成的運維成本以及“棄風”造成的發(fā)電損失最大,嚴重影響發(fā)電效率和風電的經(jīng)濟效益。隨著風能廣泛地開發(fā)利用以及科技的進步,風電裝備朝大型化、智能化方向發(fā)展,行星齒輪箱作為兆瓦級大型風電機組傳動系統(tǒng)核心部件,其一旦突發(fā)故障將造成重大的經(jīng)濟損失和人員傷亡。對此,利用風電機組傳動系統(tǒng)狀態(tài)監(jiān)測系統(tǒng)(Condition Monitoring System,CMS)獲取的數(shù)據(jù)來開展行星齒輪箱運行狀態(tài)的辨識方法研究,對保障風電機組的安全可靠運行具有重要的理論意義和實際工程應用價值。本文以兆瓦級風電機組行星齒輪箱的運行狀態(tài)數(shù)據(jù)為研究對象,基于時頻統(tǒng)計特征、改進多尺度排列熵、流形算法以及深度學習的理論與方法,圍繞智能診斷領域的多樣本特征提取與降維、深度置信網(wǎng)絡識別模型的結(jié)構參數(shù)選取兩方面開展深入研究,來提升狀態(tài)辨識的精度和效率,主要內(nèi)容包括以下3個方面:(1)行星齒輪箱振動信號的多樣本特征提取與降維。針對基于小樣本特征對高維時間序列表征存在片面的問題,提出一種多域聯(lián)合特征提取與流行降維的特征提取方法。設備的運行狀態(tài)信息分布于各域中,若行星齒輪箱或其某部件有缺陷時,其被測信號的振動特性亦隨之變化。對此,構建了涵蓋時域特征、頻域特征和時-頻域特征的多樣本特征集來表征行星齒輪箱的運行狀況。原始特征集不可避免地包含不一致甚至虛假的特征,且上述特征間的相互耦合引發(fā)較差的狀態(tài)辨識結(jié)果;故基于局部切空間排列算法對多樣本特征進行精簡、優(yōu)化,以期提高辨識模型的性能,且可減輕決策層的計算負擔。(2)深度置信神經(jīng)網(wǎng)絡模型的結(jié)構參數(shù)選取。與淺層神經(jīng)網(wǎng)絡狀態(tài)辨識模型相比,深度置信神經(jīng)網(wǎng)絡基于多層結(jié)構增加了模型的非線性擬合能力,克服了淺層神經(jīng)網(wǎng)絡面對高維數(shù)據(jù)時學習能力不足的問題,然而深度置信神經(jīng)網(wǎng)絡模型的辨識能力取決于其網(wǎng)絡結(jié)構體系,即層間的節(jié)點數(shù);粒子群算法因其結(jié)構、調(diào)整參數(shù)常被用于各種模型的參數(shù)優(yōu)化,鑒于其易陷入局部最優(yōu)解而導致結(jié)果失真的問題,提出利用改進粒子群算法來優(yōu)化深度置信神經(jīng)網(wǎng)絡模型的層間節(jié)點數(shù),以此提高其辨識精度。試驗結(jié)果表明:被優(yōu)化的深度置信神經(jīng)網(wǎng)絡模型辨識精度和效率均有提升。(3)試驗和現(xiàn)場案例。使用內(nèi)蒙古自治區(qū)機電系統(tǒng)智能診斷與控制重點實驗室DDS實驗臺行星齒輪箱不同齒輪多種狀態(tài)下的振動信號,構建多樣本特征向量集和深度置信神經(jīng)網(wǎng)絡辨識模型。與傳統(tǒng)識別模型的辨識結(jié)果、未處理的多樣本特征集的辨識結(jié)果、深度置信神經(jīng)網(wǎng)絡直接處理原始信號時的辨識結(jié)果相比,驗證所提方法的有效性。在此基礎上,將該方法應用于內(nèi)蒙古某風電場2MW風電機組CMS采集的行星齒輪箱振動信號的狀態(tài)辨識,為解決工程實際中的行星齒輪箱狀態(tài)識別提供了一種可行的方案。
【圖文】：

圖 2.1 VMD 分解流程度排列熵熵（Multiscale Permutation Entropy，MPE）具有較高平穩(wěn)序列的復雜度分析，但在熵值推測過程中穩(wěn)定性proved Multiscale Permutation Entropy，IMPE)[56]則可性和動力學突變時更具優(yōu)勢，其實現(xiàn)算法如下。度為 N 的時間序列 x i , i 1,2, ,N ，在不同尺度據(jù)分成段，每一段有τ個數(shù)據(jù)點，平均后作為一個數(shù)其計算公式為： 1 1jτ j τX iτ, L

求集合 Q 中各 IMFi的多尺度排列熵值藉此構建特征向量集 T，具體流程如圖2.2 所示。圖 2.2 信號分解及其特征向量構建峭度對瞬態(tài)沖擊信號十分敏感，Dwyer[60]通過計算信號中每個頻率對應的峭度值來獲得瞬態(tài)的頻帶實現(xiàn)了信號中瞬態(tài)特征的檢測，繼而提出了譜峭度思想。為提高譜峭度算法的計算效率，，2006 年 Antoni[61]提出了基于 FIR 帶通濾波器的快速譜峭度算法，即對被分析信號 x(t)在全頻帶范圍內(nèi) 1/3 和二叉樹結(jié)構設計的帶通濾波器來對其處理，結(jié)果如圖 2.3 所示，其中 32x t 表示第 2 層第 3 個濾波器的結(jié)果。運算過程中信號 x(t)被分解到預設的層數(shù)后（圖 2.3 中 n=3），對每一層的濾波結(jié)果，按照式（2.18）求解所有頻率段的峭度值，然后將其匯總得到“快速譜峭度圖”，最后從中找出 x(t)的最大峭度值 Kmax所對應的中心頻率 fω和帶寬 Bw的區(qū)間
【學位授予單位】：內(nèi)蒙古科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TH132.41

【相似文獻】

相關期刊論文 前10條

1 李雪波;;4號高爐水冷傳動齒輪箱離線調(diào)試及安裝[J];梅山科技;2011年03期

2 唐貴基;劉夢凡;王棟;;基于ADAMS的750KW風電齒輪箱的動力學仿真[J];云南電力技術;2019年05期

3 張昕冉;高陽;袁小華;許傲然;;對風機機艙內(nèi)部齒輪箱散熱的初步探討[J];電子世界;2019年23期

4 陳瑞興;仇文凡;關云輝;;兩級傳動齒輪箱漏油分析與優(yōu)化[J];清洗世界;2018年11期

5 吳亞軍;李吉祥;;高速齒輪箱密封[J];機械管理開發(fā);2016年12期

6 張揚;;諾德推出新規(guī)格模塊化工業(yè)齒輪箱[J];中國設備工程;2017年10期

7 劉菊芬;周鐵山;祝春桐;彭軒;;風電齒輪箱行星齒輪軸承拆卸工裝的設計[J];機械制造;2017年06期

8 ;杭州前進齒輪箱集團股份有限公司[J];軍民兩用技術與產(chǎn)品;2017年07期

9 林達文;彭立群;王進;;風機齒輪箱彈性支撐試驗臺的研制及應用[J];特種橡膠制品;2017年04期

10 朱小晶;;軌道交通牽引齒輪箱試驗技術研究[J];機械工程師;2017年11期

相關會議論文 前10條

1 趙立超;陳長征;;基于神經(jīng)網(wǎng)絡的風電機齒輪箱振動信號的分析與應用[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

2 王奉濤;李海峰;張亮;宋魯濤;;高速齒輪箱性能檢測系統(tǒng)的研制[A];2010中國儀器儀表與測控技術大會論文集[C];2010年

3 滕偉;武鑫;高青風;柳亦兵;;風電齒輪箱振動信號的倒頻譜分析[A];中國自動化學會控制理論專業(yè)委員會B卷[C];2011年

4 張帥;張慶運;;風電機組齒輪箱油溫高原因探討及解決方案研究[A];第六屆中國風電后市場交流合作大會論文集[C];2019年

5 許軍;芮立鑫;王福東;;風電齒輪箱的應用及維護[A];第三屆中國風電后市場專題研討會論文集[C];2016年

6 劉靜;周鳳星;;一種同步齒輪箱初始故障的在線監(jiān)測與診斷裝置的研究[A];全國冶金自動化信息網(wǎng)2009年會論文集[C];2009年

7 華青松;白景利;陳鳳艷;;功率分流型風電齒輪箱的優(yōu)化設計[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

8 何俊;楊世錫;甘春標;;受外部載荷激勵的風機齒輪箱動力學建模及故障特征提取[A];中國力學大會——2013論文摘要集[C];2013年

9 趙鏡涵;;懸掛齒輪箱潤滑故障的分析與處理[A];第六屆摩擦學工礦企業(yè)潤滑技術工業(yè)應用學術年會論文集[C];1998年

10 周平;;列車驅(qū)動齒輪箱密封系統(tǒng)分析[A];推進鐵路新跨越加快經(jīng)濟大發(fā)展——中國科協(xié)2004年學術年會鐵道分會場論文集[C];2004年

相關重要報紙文章 前10條

1 記者 林佳萍;前進齒輪箱：小配件撬動農(nóng)機變革[N];紹興日報;2019年

2 本報記者 張子瑞;風電齒輪箱冠軍控股方再“易主”[N];中國能源報;2018年

3 本報記者 蔣云龍;這個齒輪箱不一般[N];人民日報;2017年

4 張一一;羅羅宣布UltraFan動力齒輪箱創(chuàng)世界最大功率紀錄[N];中國航空報;2017年

5 記者 矯陽;中國高鐵齒輪箱技術接受高寒考核[N];科技日報;2014年

6 記者 楊建光;中國高鐵齒輪箱技術獲重大突破[N];人民鐵道;2014年

7 本報記者 栗清振;風機主齒輪箱設計帶來潤滑挑戰(zhàn)[N];中國電力報;2015年

8 周瀟瀟;杭齒輕量化齒輪箱研發(fā)上軌道[N];中國船舶報;2014年

9 金小萍;杭齒新型齒輪箱首度打入海監(jiān)船配套市場[N];中國船舶報;2012年

10 成吉昌 蔡云龍;江蘇泰隆核電齒輪箱實現(xiàn)國產(chǎn)化“零”的突破[N];工人日報;2012年

相關博士學位論文 前10條

1 王晉鵬;船舶齒輪箱振動噪聲預估及低噪聲結(jié)構設計方法研究[D];西北工業(yè)大學;2018年

2 武鑫;基于數(shù)據(jù)驅(qū)動的風電機組關鍵部件監(jiān)測預警技術研究[D];燕山大學;2019年

3 魏禹;基于熵值的齒輪箱故障特征提取與早期故障診斷方法研究[D];哈爾濱工業(yè)大學;2019年

4 張冕;行星齒輪箱關鍵零部件故障診斷[D];電子科技大學;2019年

5 竇春紅;風電齒輪箱運行狀態(tài)監(jiān)測與故障診斷[D];北京交通大學;2019年

6 江國乾;基于排序模式分析與深度學習的風電設備故障診斷方法研究[D];燕山大學;2017年

7 王利明;齒輪箱齒輪故障振動信號變尺度解調(diào)與振動特征提取算法研究[D];重慶大學;2018年

8 賀妍;基于群智能算法融合的行星齒輪箱損傷狀態(tài)識別診斷及維護[D];中北大學;2019年

9 寧少慧;基于嵌入式傳感器的齒輪箱早期故障診斷研究[D];太原理工大學;2017年

10 吳路路;電子齒輪箱高速高精度控制及誤差補償算法研究[D];合肥工業(yè)大學;2017年

相關碩士學位論文 前10條

1 劉志強;基于光纖傳感的齒輪箱異常狀態(tài)檢測方法研究[D];重慶郵電大學;2019年

2 林爾未;基于神經(jīng)網(wǎng)絡風電機組齒輪箱故障診斷研究[D];廣東工業(yè)大學;2019年

3 尹恒;基于多樣本特征融合與深度置信網(wǎng)絡的行星齒輪箱狀態(tài)辨識方法研究[D];內(nèi)蒙古科技大學;2019年

4 韓博躍;基于小波變換和盲源分離的齒輪箱故障診斷研究[D];石家莊鐵道大學;2019年

5 陳特;含故障風電齒輪箱動力學特性理論分析與實驗研究[D];浙江理工大學;2019年

6 鄭贏豪;基于虛擬傳感的齒輪箱狀態(tài)預警及趨勢預測方法研究[D];中國石油大學(北京);2018年

7 馬智博;高爐上料傳動系統(tǒng)齒輪箱軸承故障診斷研究[D];遼寧科技大學;2019年

8 周曉慶;基于FCE和DUCG的齒輪箱運行狀態(tài)評價與故障診斷[D];江西理工大學;2019年

9 徐陽;基于VMD和小波的風電機組齒輪箱的故障診斷[D];華北電力大學;2019年

10 李偉明;大型風機齒輪箱在線監(jiān)測與故障診斷應用研究[D];華南理工大學;2019年

本文編號：2673637