本文選題：風(fēng)電機(jī)組 + 譜峭度��； 參考：《華北電力大學(xué)(北京)》2017年碩士論文

【摘要】：風(fēng)電機(jī)組具有載荷復(fù)雜、運(yùn)行環(huán)境惡劣等特點(diǎn),因此故障率和運(yùn)維費(fèi)用高。其中,風(fēng)電機(jī)組傳動(dòng)鏈的問題尤其突出。針對(duì)風(fēng)電機(jī)組傳動(dòng)系統(tǒng)的特點(diǎn),研究新的故障特征提取理論和方法,提高故障早期診斷能力,對(duì)于保證風(fēng)電機(jī)組的健康運(yùn)行具有重要的意義。在對(duì)風(fēng)電機(jī)組實(shí)際振動(dòng)信號(hào)進(jìn)行診斷分析時(shí),經(jīng)典的振動(dòng)信號(hào)處理方法難以捕捉到反映故障特征的準(zhǔn)確信息,影響了對(duì)機(jī)組故障的診斷分析。本文針對(duì)以上問題,研究基于譜峭度的振動(dòng)信號(hào)分析和故障特征提取方法,結(jié)合最小熵解卷積(Minimum entropy deconvolution,MED)和最大相關(guān)峭度解卷積(Maximum correlated kurtosis deconvolution,MCKD)對(duì)振動(dòng)信號(hào)進(jìn)行分析,從強(qiáng)背景噪聲下的振動(dòng)信號(hào)中準(zhǔn)確的提取故障特征信息,并應(yīng)用風(fēng)電機(jī)組傳動(dòng)鏈的實(shí)測信號(hào)進(jìn)行驗(yàn)證。主要研究內(nèi)容和結(jié)論如下:(1)對(duì)譜峭度理論基礎(chǔ)進(jìn)行探究,介紹了兩種傳統(tǒng)譜峭度算法,并用仿真信號(hào)及風(fēng)電機(jī)組實(shí)測信號(hào)對(duì)比分析,探討了譜峭度算法的特點(diǎn)及不足。(2)針對(duì)強(qiáng)噪聲環(huán)境下,譜峭度算法存在故障特征難以提取等問題,研究了將譜峭度與AR-MED、MCKD結(jié)合提取微弱故障特征的方法。首先對(duì)信號(hào)進(jìn)行濾波預(yù)處理,抑制噪聲成分,提高了沖擊特性,然后再對(duì)降噪后的信號(hào)進(jìn)行譜峭度計(jì)算,包絡(luò)解調(diào)提取出故障特征頻率。用風(fēng)電機(jī)組實(shí)測振動(dòng)信號(hào)對(duì)該方法進(jìn)行檢驗(yàn),結(jié)果表明早期故障特征能力有所改善。(3)研究用振動(dòng)特征值表示風(fēng)電機(jī)組振動(dòng)狀態(tài)劣化趨勢的方法,對(duì)數(shù)據(jù)進(jìn)行等時(shí)間間隔篩選,運(yùn)用改進(jìn)的譜峭度方法提取故障特征,做出故障特征值變化趨勢,通過與常用的時(shí)域特征值變化趨勢進(jìn)行對(duì)比,表明改進(jìn)譜峭度方法的特征值能夠反映故障的發(fā)生發(fā)展趨勢。
[Abstract]:Wind turbine has the characteristics of complex load and bad operating environment, so the failure rate and operation cost are high. Among them, the problem of wind turbine transmission chain is particularly prominent. According to the characteristics of wind turbine transmission system, it is of great significance to study the new theory and method of fault feature extraction to improve the ability of early fault diagnosis for ensuring the healthy operation of wind turbine. When the actual vibration signal of wind turbine is diagnosed and analyzed, it is difficult for the classical vibration signal processing method to capture the accurate information reflecting the fault characteristics, which affects the diagnosis and analysis of the unit fault. In this paper, the vibration signal analysis and fault feature extraction based on spectral kurtosis are studied in this paper. The vibration signal is analyzed by minimum entropy deconvolution (MED) and maximum correlated kurtosis deconvolution (MCKD). The fault characteristic information is extracted from the vibration signal of strong background noise and verified by the measured signal of the transmission chain of wind turbine. The main research contents and conclusions are as follows: (1) the theoretical basis of spectral kurtosis is explored, two traditional spectral kurtosis algorithms are introduced, and the simulation signals and wind turbine measured signals are compared and analyzed. The characteristics and shortcomings of spectral kurtosis algorithm are discussed. (2) aiming at the problem that the spectral kurtosis algorithm is difficult to extract fault features in strong noise environment, the method of extracting weak fault features by combining spectral kurtosis with AR-MEDMKD is studied. Firstly the signal is pre-processed to suppress the noise component and the impulse characteristic is improved. Then the spectrum kurtosis of the de-noised signal is calculated and the fault characteristic frequency is extracted by envelope demodulation. The method is tested with the measured vibration signal of wind turbine, and the results show that the ability of early fault characteristic is improved. (3) the method of showing the deterioration trend of wind turbine vibration state with vibration eigenvalue is studied, and the data are screened at equal intervals. The improved spectral kurtosis method is used to extract the fault feature and make the trend of fault eigenvalue change. The comparison with the time domain eigenvalue shows that the improved spectral kurtosis method can reflect the trend of fault occurrence and development.
【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】：2017
【分類號(hào)】：TM315

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 鐘先友;趙春華;陳保家;田紅亮;;基于MCKD和包絡(luò)譜的旋轉(zhuǎn)機(jī)械故障診斷方法[J];機(jī)械傳動(dòng);2015年07期

2 唐貴基;王曉龍;;最大相關(guān)峭度解卷積結(jié)合1.5維譜的滾動(dòng)軸承早期故障特征提取方法[J];振動(dòng)與沖擊;2015年12期

3 冷軍發(fā);荊雙喜;禹建功;;基于最小熵解卷積的齒輪箱早期故障診斷[J];機(jī)械科學(xué)與技術(shù);2015年03期

4 張丹;隋文濤;;MED方法及在滾動(dòng)軸承故障診斷中的應(yīng)用[J];機(jī)床與液壓;2014年23期

5 劉志川;唐力偉;曹立軍;;基于MED及FSK的滾動(dòng)軸承微弱故障特征提取[J];振動(dòng)與沖擊;2014年14期

6 鄭紅;周雷;楊浩;;基于譜峭度與雙譜的軸承故障診斷方法[J];北京航空航天大學(xué)學(xué)報(bào);2014年09期

7 任學(xué)平;龐震;辛向志;邢義通;;小波包和峭度在軸承早期故障分析中的應(yīng)用[J];軸承;2014年03期

8 陳輝;孔凡讓;李昌林;;基于譜峭度小波變換法的軸承故障特征提取技術(shù)研究[J];現(xiàn)代制造工程;2013年11期

9 姚熾偉;樊新海;黃夢;;基于MED的滾動(dòng)軸承故障特征提取方法及其應(yīng)用[J];裝甲兵工程學(xué)院學(xué)報(bào);2013年03期

10 王宏超;陳進(jìn);董廣明;;基于最小熵解卷積與稀疏分解的滾動(dòng)軸承微弱故障特征提取[J];機(jī)械工程學(xué)報(bào);2013年01期

相關(guān)會(huì)議論文 前1條

1 李興林;;滾動(dòng)軸承故障診斷技術(shù)現(xiàn)狀及發(fā)展[A];2009年全國青年摩擦學(xué)學(xué)術(shù)會(huì)議論文集[C];2009年

相關(guān)博士學(xué)位論文 前8條

1 宋磊;雙饋異步風(fēng)電機(jī)組狀態(tài)監(jiān)測與故障診斷系統(tǒng)的研究[D];華北電力大學(xué);2015年

2 孫鮮明;復(fù)雜工況下風(fēng)力發(fā)電機(jī)組關(guān)鍵部件故障分析與診斷研究[D];沈陽工業(yè)大學(xué);2014年

3 蔣章雷;風(fēng)電機(jī)組傳動(dòng)系統(tǒng)運(yùn)行穩(wěn)定性劣化趨勢預(yù)測方法研究[D];北京理工大學(xué);2014年

4 辛衛(wèi)東;風(fēng)電機(jī)組傳動(dòng)鏈振動(dòng)分析與故障特征提取方法研究[D];華北電力大學(xué);2013年

5 朱可恒;滾動(dòng)軸承振動(dòng)信號(hào)特征提取及診斷方法研究[D];大連理工大學(xué);2013年

6 趙志宏;基于振動(dòng)信號(hào)的機(jī)械故障特征提取與診斷研究[D];北京交通大學(xué);2012年

7 單光坤;兆瓦級(jí)風(fēng)電機(jī)組狀態(tài)監(jiān)測及故障診斷研究[D];沈陽工業(yè)大學(xué);2011年

8 梁巍;管道缺陷檢測中超聲信號(hào)稀疏解卷積及稀疏壓縮方法的研究[D];上海交通大學(xué);2008年

相關(guān)碩士學(xué)位論文 前6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 劉怡思;華銳風(fēng)電SL1500機(jī)組的優(yōu)化升級(jí)技術(shù)研究[D];華北電力大學(xué);2015年

3 葉聰杰;海上風(fēng)電機(jī)組傳動(dòng)系統(tǒng)的早期故障診斷研究[D];上海電力學(xué)院;2014年

4 彭國華;風(fēng)電機(jī)組齒輪箱在線振動(dòng)監(jiān)測系統(tǒng)的開發(fā)[D];南京航空航天大學(xué);2013年

5 李虎;大型風(fēng)電機(jī)組振動(dòng)狀態(tài)監(jiān)測系統(tǒng)開發(fā)[D];華北電力大學(xué)（北京）;2009年

6 樓建忠;大型旋轉(zhuǎn)機(jī)械振動(dòng)監(jiān)測系統(tǒng)的研究[D];浙江大學(xué);2005年

，

本文編號(hào)：2078264