本文選題：風(fēng)電機(jī)組 + 故障診斷　； 參考：《華北電力大學(xué)(北京)》2016年碩士論文

【摘要】：風(fēng)力發(fā)電正在電力行業(yè)中占有越來(lái)越重要的位置。但是由于載荷復(fù)雜多變、運(yùn)行環(huán)境條件惡劣,使得風(fēng)電機(jī)組故障率以及運(yùn)行維護(hù)費(fèi)用較高。因此對(duì)風(fēng)電機(jī)組進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷具有重大的工程實(shí)際意義。然而在強(qiáng)噪聲、強(qiáng)干擾、強(qiáng)耦合的背景下進(jìn)行滾動(dòng)軸承、齒輪等部件故障特征信息的早期提取一直是風(fēng)電機(jī)組故障診斷領(lǐng)域的一大難題。最小熵解卷積方法正是一種十分便捷和有效的故障特征提取和智能診斷方法,通過(guò)最小熵解卷積方法來(lái)增強(qiáng)故障信號(hào)的沖擊性,降低傳遞路徑等因素帶來(lái)的干擾,將更加有利于對(duì)設(shè)備故障早期特征信息的識(shí)別,從而提高故障診斷的準(zhǔn)確性和及時(shí)性。本文主要研究基于最小熵解卷積的軸承故障特征增強(qiáng)方法及其在實(shí)測(cè)信號(hào)分析中的應(yīng)用,主要研究?jī)?nèi)容：(1)對(duì)最小熵解卷積方法的理論基礎(chǔ)進(jìn)行探究,用仿真信號(hào)及風(fēng)電機(jī)組實(shí)測(cè)信號(hào)驗(yàn)證了其有效性。(2)驗(yàn)證當(dāng)對(duì)象信號(hào)的轉(zhuǎn)速變化時(shí),最小熵解卷積方法依然可以進(jìn)行穩(wěn)定可靠的狀態(tài)判斷。通過(guò)更改濾波器的參數(shù),探究各個(gè)因素對(duì)最小熵解卷積結(jié)果的影響,并給出合理的參數(shù)設(shè)置。(3)對(duì)經(jīng)過(guò)最小熵解卷積后信號(hào)的時(shí)域特征值與頻域特征值的變化情況進(jìn)行研究,并介紹了自組織特征映射(SOM)神經(jīng)網(wǎng)絡(luò)的基本理論,將用最小熵解卷積方法處理過(guò)的振動(dòng)信號(hào)輸入到SOM神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練,可以取得更理想的分類結(jié)果。
[Abstract]:Wind power generation is playing an increasingly important role in the power industry. However, due to the complex load and poor operating environment, the failure rate and maintenance cost of wind turbine are high. Therefore, the condition monitoring and fault diagnosis of wind turbine is of great practical significance. However, in the background of strong noise, strong interference and strong coupling, the early extraction of fault feature information of rolling bearings, gears and other components has been a major problem in the field of wind turbine fault diagnosis. The minimum entropy deconvolution method is a very convenient and effective method for fault feature extraction and intelligent diagnosis. The minimum entropy deconvolution method is used to enhance the impact of the fault signal and reduce the interference caused by the transmission path. It will be more helpful to identify the early feature information of equipment fault and improve the accuracy and timeliness of fault diagnosis. This paper mainly studies the bearing fault feature enhancement method based on minimum entropy deconvolution and its application in the analysis of measured signals. The main research content is: 1) the theoretical basis of the minimum entropy deconvolution method is explored. The validity of the method is verified by the simulation signal and the measured signal of the wind turbine. It is verified that the minimum entropy deconvolution method can still be used to judge the stable and reliable state when the speed of the object signal changes. By changing the parameters of the filter, the influence of each factor on the result of minimum entropy deconvolution is explored, and the reasonable parameter setting is given. The variation of the time domain characteristic value and the frequency domain characteristic value of the signal after the minimum entropy deconvolution is studied. The basic theory of self-organizing feature mapping (SOM) neural network is introduced. The vibration signal processed by minimum entropy deconvolution method is input into SOM neural network for training, and more ideal classification results can be obtained.
【學(xué)位授予單位】：華北電力大學(xué)(北京)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TM315

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李正直;重迭光譜線形的解卷積方法[J];光譜學(xué)與光譜分析;1985年03期

2 王宇;伍星;遲毅林;周川;沈沂;;基于盲解卷積和聚類的機(jī)械弱沖擊聲信號(hào)提取[J];振動(dòng)工程學(xué)報(bào);2009年06期

3 吳兆熊;;在滿足譜估計(jì)解卷積法的二個(gè)假設(shè)條件下的一個(gè)同態(tài)解卷積系統(tǒng)[J];西安交通大學(xué)學(xué)報(bào);1985年01期

4 葉大田，，鄭玲;基于雙通性重現(xiàn)視網(wǎng)膜圖象的解卷積方法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);1995年01期

5 朱墨;吳國(guó)清;郭新毅;;基于盲解卷積的水聲信號(hào)恢復(fù)技術(shù)[J];應(yīng)用聲學(xué);2011年03期

6 梁春;沈建新;鈕賽賽;;基于半盲解卷積復(fù)原的高分辨率視網(wǎng)膜成像系統(tǒng)[J];光學(xué)精密工程;2012年06期

7 劉國(guó)軍;;時(shí)間分辨光譜測(cè)量中時(shí)間加寬效應(yīng)的研究[J];光學(xué)機(jī)械;1988年04期

8 劉婷婷;任興民;楊永鋒;郭峰;;盲解卷積的機(jī)械振動(dòng)信號(hào)分離技術(shù)[J];振動(dòng)、測(cè)試與診斷;2009年04期

9 吳一龍;萬(wàn)紅進(jìn);劉輝;磨國(guó)瑞;;解卷積銳化算法在導(dǎo)引頭前視成像中的應(yīng)用[J];火控雷達(dá)技術(shù);2014年01期

10 簡(jiǎn)曉明,李明軒;用自適應(yīng)濾波解卷積進(jìn)行缺陷類型識(shí)別[J];聲學(xué)學(xué)報(bào);1999年06期

相關(guān)重要報(bào)紙文章 前1條

1 奚奇輝;油脂快速檢測(cè)再出新方法[N];中國(guó)國(guó)門時(shí)報(bào);2010年

相關(guān)博士學(xué)位論文 前2條

1 張之猛;水聲信號(hào)處理中的盲解卷積技術(shù)研究[D];哈爾濱工程大學(xué);2009年

2 王凱;譜域光學(xué)相干層析成像方法與系統(tǒng)研究[D];浙江大學(xué);2010年

相關(guān)碩士學(xué)位論文 前3條

1 邵昌盛;基于最小熵解卷積的風(fēng)電機(jī)組故障診斷研究[D];華北電力大學(xué)(北京);2016年

2 沈沂;盲解卷積在聲信號(hào)診斷中的應(yīng)用研究[D];昆明理工大學(xué);2010年

3 孔藝穎;亞細(xì)胞結(jié)構(gòu)的熒光解卷積成像方法的研究[D];清華大學(xué);2013年

本文編號(hào)：1987956