齒輪箱是風電機組的主要傳動部件,惡劣工作環(huán)境及風況變化引起的交變載荷極易使齒輪發(fā)生故障,其振動信號表現(xiàn)出強烈的非線性、非平穩(wěn)性的特點。充分利用齒輪時變工況下的瞬時振動信息進行狀態(tài)監(jiān)測與故障診斷,對風電機的穩(wěn)定運行和高效維修具有重要的科學意義和研究價值。本文在分析現(xiàn)有變工況風機齒輪箱故障診斷所存在問題的基礎上,提出基于圖像處理方法的變工況風機齒輪箱特征提取與診斷方法,并在風機齒輪實驗臺進行實驗驗證,結果表明該方法能夠有效的提取變工況下的齒輪箱故障特征,并得到良好的故障類型識別結果。首先,研究了變工況下齒輪箱故障圖像的生成方法,通過原理分析和仿真實驗對比指出了時頻分析方法生成變工況下齒輪箱故障圖像的優(yōu)越性。其次,研究了不同圖像特征提取方法,并指出了TD-2DPCA算法在圖像特征提取方面的良好性能。在此基礎上,分析了STFT、WT、S變換三種時頻分析方法與TD-2DPCA算法的結合性能,利用TD-2DPCA對三種時頻方法得到的時頻圖進行特征提取,然后利用支持向量機進行故障診斷。不管是從不同維數(shù)特征提取實驗還是隨機實驗,發(fā)現(xiàn)以Morlet小波為小波基的小波變換與TD-2DPCA算結合性能優(yōu)于S變換,而S變換的結合性能又優(yōu)于短時傅里葉變換。最后,將小波變換和TD-2DPCA算法結合用來提取變工況下風機齒輪箱故障特征。在不同維數(shù)特征提取實驗中,達到了較高的識別正確率,最高可達96%。在變工況下,TD-2DPCA算法識別準確率要優(yōu)于2DPCA算法,又與PCA算法相比二維的PCA算法提取變工況齒輪箱故障圖像特征的性能更加優(yōu)越,故障診斷的精度更高。為了分析TD-2DPCA算法提取圖像特征的全面性,同GLCM、LBP、Gabor圖像特征提取算法相比較。通過隨機實驗發(fā)現(xiàn),TD-2DPCA算法在提取圖像特征方面有更優(yōu)良的特性。
【學位單位】：新疆大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TH132.41;TM315
【部分圖文】：

圖 1.1 2006 到 2015 年全球風電嚴重事故統(tǒng)計一般安裝在高山、荒郊或偏遠等風功率較大地區(qū)，其運行行時工況復雜多變，傳動鏈尤其是齒輪箱經(jīng)常會發(fā)生負載與和擾動作用。這就給風機齒輪箱的故障診斷帶來了很大的變工況運行，其本質(zhì)是風速改變導致齒輪箱變轉速改變。當和根部的載荷發(fā)生改變。因此，材料內(nèi)應力也隨之發(fā)生變時，就會在齒輪表面產(chǎn)生裂紋，隨著接觸的持續(xù)和變載荷擴大，最終形成整個部件的損傷[4]。另一方面，在工作時齒部應力超過材料的極限應力，也可能造成齒輪諸如裂紋、載荷狀態(tài)非常復雜，變載荷必定引起齒輪運行工況變化。齒輪箱變工況下的故障診斷及研究，不僅提高了齒輪箱故[5]

擲嗟乃俁群途?�。该算法的特征提取�?淌疽饌既繽?3.2 所示。圖 3.2 TD-2DPCA 算法特征提取示意圖3.3 實驗設置及運行狀態(tài)分析3.3.1 實驗平臺介紹實驗選用的齒輪箱為美國 SQi 公司生產(chǎn)的風機齒輪箱實驗平臺，其實驗臺構成如圖 3.3 所示。實驗系統(tǒng)主要包括 DT9837 信號采集器、PHC-100 型號磁粉加載器以、608A11 型加速度傳感器以及平行軸齒輪箱構成。齒輪箱內(nèi)故障齒輪的主要參數(shù)為：輸入軸的主動輪齒數(shù)為 80，從動輪齒數(shù) 19，輸出軸的主動輪齒數(shù)為 80，從動輪齒數(shù)為17。故障齒輪為輸出軸的從動齒輪，實驗時采樣頻率為10000Hz ，采樣時間為1s 。圖 3.3 風機齒輪箱實驗平臺結構圖往P投影轉置后往Q投影原始圖像矩陣 橫向壓縮矩陣 雙向壓縮矩陣

新疆大學碩士研究生學位論文的變工況齒輪箱故障樣本，隨機選擇 30 個訓練樣本，每類狀態(tài)下是個，試樣本，進行隨機實驗10次。在實驗過程中，TD-2DPCA的特征提取維數(shù)為 算法選擇能量、熵、慣性矩、相關的均值和標準差作為 8 維紋理特征，3 3的鄰域矩陣，得到維數(shù)為 59 的特征灰度直方圖特征，Gabor 圖像特擇 5 個濾波器尺度和 8 個核函數(shù)方向上的結果作為特征參量。利用支持征識別，其分類正確率結果如下圖 4.9 所示。
【參考文獻】

相關期刊論文 前10條

1 王旭;岳應娟;蔡艷平;郭雅云;;基于遞歸圖紋理特征分析的可視化故障診斷方法[J];圖學學報;2017年06期

2 姜戰(zhàn)偉;鄭近德;潘海洋;潘紫微;;POVMD與包絡階次譜的變工況滾動軸承故障診斷[J];振動.測試與診斷;2017年03期

3 袁建虎;韓濤;唐建;安立周;;基于小波時頻圖和CNN的滾動軸承智能故障診斷方法[J];機械設計與研究;2017年02期

4 溫廣瑞;江鋮;李楊;廖與禾;;基于弗德卡曼階比跟蹤的轉子起停車故障特征提取方法及應用[J];振動與沖擊;2016年02期

5 秦嗣峰;馮志鵬;LIANG Ming;;Vold-Kalman濾波和高階能量分離在時變工況行星齒輪箱故障診斷中的應用研究[J];振動工程學報;2015年05期

6 向陽輝;張干清;龐佑霞;;結合SVM和改進證據(jù)理論的多信息融合故障診斷[J];振動與沖擊;2015年13期

7 蒲曉川;肖涵;;基于EMD降噪的遞歸圖分析方法在齒輪故障診斷中的應用[J];機床與液壓;2015年05期

8 林龍;;基于S變換和圖像紋理信息的軸承故障智能診斷方法[J];科學技術與工程;2014年06期

9 任玲輝;劉凱;張海燕;;基于圖像處理技術的機械故障診斷研究進展[J];機械設計與研究;2011年05期

10 任凌志;于德介;彭富強;皮維;;基于多尺度線調(diào)頻基稀疏信號分解的齒輪故障信號階比分析[J];機械工程學報;2011年13期

相關博士學位論文 前3條

1 王重秋;摩擦式礦井提升機關鍵旋轉體動態(tài)特性研究[D];中國礦業(yè)大學;2014年

2 趙明;變轉速下機械動態(tài)信息的自適應提取與狀態(tài)評估[D];西安交通大學;2017年

3 辛衛(wèi)東;風電機組傳動鏈振動分析與故障特征提取方法研究[D];華北電力大學;2013年

相關碩士學位論文 前4條

1 劉海;風力發(fā)電機組中軸承的狀態(tài)監(jiān)測與故障診斷系統(tǒng)的研究[D];上海電機學院;2016年

2 曾雪瓊;基于卷積神經(jīng)網(wǎng)絡的變速器故障分類識別研究[D];華南理工大學;2016年

3 馮文;多轉子軸承復雜路徑下微弱故障特征提取方法研究[D];北京化工大學;2015年

4 謝孟龍;變工況齒輪箱振動信號處理與故障診斷方法研究[D];河北科技大學;2013年

本文編號：2837975