發(fā)布時間：2017-11-11 15:08

  本文關鍵詞：基于時頻流形的風力發(fā)電機軸承軸電流故障診斷與預測方法

  更多相關文章： 軸承軸電流 時頻分析 流形學習 多尺度子帶 故障診斷和預測

【摘要】：軸承一直是風力發(fā)電機中不可缺少的核心部件,在風力發(fā)電機運行中起著至關重要的作用。隨著清潔能源的大量使用,風力發(fā)電機已經朝著大型化、復雜化的方向發(fā)展。當風力發(fā)電機軸承的電絕緣層磨損、載荷突變或者遭受雷擊等極端天氣時,發(fā)電機軸電流問題就變得非常突出,進而影響風力發(fā)電機正常運行,若不及時處理,可能會引發(fā)風電機組整機失效,造成巨大的經濟損失。相比于軸承普通故障振動信號,軸承軸電流故障振動信號具有多重調制特征,傳統(tǒng)時頻分析方法很難準確識別其故障特征并進行故障預警,論文因此提出多尺度子帶流形保持故障診斷算法和子帶流形二次均方根的軸承損傷預測方法,實驗證明提出的方法有很好的效果。主要研究工作如下:(1)探討了風力發(fā)電機軸承的軸電流損傷過程,分析了軸承軸電流損傷后的軸承振動信號的時域和頻域特征,發(fā)現(xiàn)相對滾動軸承普通故障的振動信號特征而言,軸電流損傷軸承由于內圈、外圈和滾動體均有損壞,故障振動信號頻譜難以發(fā)現(xiàn)單一故障的特征頻率,具有多重調制特征;(2)提出一種多尺度子帶流形保持故障診斷算法,首先對故障信號進行小波包分解,得到多尺度信號,再對多尺度信號進行子帶分解,得到多尺度子帶信號,并提取多尺度子帶信號的樣本熵,初步得到故障信號的特征值,對故障信號特征值進行平滑偽Wigner-Ville分布,再對其進行局部保持投影(LPP)流形學習降維,提取故障信號最終的時頻流形故障特征,并用軸承故障信號對該方法進行驗證,結果證明該方法對軸承的多類故障識別具有很好的效果;(3)提出一種基于子帶流形二次均方根的軸承損傷預測方法,首先對故障信號進行小波包分解,提取多尺度信號,再對每一個多尺度信號進行流形學習降維,提取流形子帶信號,再對每一個流形子帶信號進行二次均方根值提取,得到故障信號的預測特征值,并利用自適應反向傳播(BP)神經網絡對故障進行預測,用軸承故障仿真信號對該方法進行驗證,結果表明該方法對軸承復雜故障具有很好的預測效果;(4)搭建軸承軸電流損傷模擬試驗臺,提取不同階段軸承的軸電流損傷故障振動信號,對論文提出的時頻流形故障診斷和狀態(tài)預測方法進行驗證,結果表明基于多尺度子帶流形保持故障診斷算法能有效識別軸承軸電流損傷故障,識別準確率可達96%,基于子帶流形二次均方根的軸承損傷預測方法可有效預測軸承軸電流損傷狀態(tài),預測誤差低于4.33%。
【學位授予單位】：湖南科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TM315

【參考文獻】

中國期刊全文數(shù)據庫 前10條

1 張曉濤;唐力偉;王平;鄧士杰;;基于多尺度正交PCA-LPP流形學習算法的故障特征增強方法[J];振動與沖擊;2015年13期

2 韓昕鋒;任立坤;;基于神經網絡的軸承故障預測模型[J];海軍航空工程學院學報;2015年03期

3 張曉濤;唐力偉;王平;鄧士杰;;基于多尺度局部保持投影的軸承故障特征增強方法[J];噪聲與振動控制;2014年06期

4 潘海洋;楊宇;李永國;程軍圣;;基于流形學習和改進VPMCD的滾動軸承故障診斷方法[J];振動工程學報;2014年06期

5 陳國強;陳國忠;徐明;張杰;高坡;劉志強;;風力發(fā)電機軸電壓軸電流對軸承影響及改進措施[J];神華科技;2014年05期

6 向丹;葛爽;;基于EMD樣本熵-LLTSA的故障特征提取方法[J];航空動力學報;2014年07期

7 鄭海波;;風電機組振動監(jiān)測案例分析[J];風能;2014年07期

8 向丹;葛爽;;一種基于小波包樣本熵和流形學習的故障特征提取模型[J];振動與沖擊;2014年11期

9 黃仁;梁笑;;基于多尺度子帶劃分的霧霾天氣圖像增強方法[J];計算機應用;2014年S1期

10 宋濤;湯寶平;李鋒;;基于流形學習和K-最近鄰分類器的旋轉機械故障診斷方法[J];振動與沖擊;2013年05期

，

本文編號：1171902