【摘要】：振動監(jiān)測是當前風電機組傳動系統(tǒng)狀態(tài)監(jiān)測的主要手段。首先,分析了風電機組傳動系統(tǒng)振動監(jiān)測策略和各部件振動特征提取流程,重點介紹了邊頻帶能量因子、階次譜邊頻帶能量比等振動特征趨勢指標;然后,分析指出解決現役風電機組因傳動系統(tǒng)故障導致巨大經濟損失的關鍵是進行風電機組傳動系統(tǒng)早期故障預示,重點介紹了泛化流形學習的風電機組傳動系統(tǒng)早期故障預示方法;最后,從系統(tǒng)架構、數據采集配置及監(jiān)測分析方法等方面分析了現有的風電機組傳動系統(tǒng)振動監(jiān)測系統(tǒng)的功能與特點,指出了基于多源信息融合的大數據預測分析與智能維護將是風電機組健康管理的重要發(fā)展趨勢。
[Abstract]:Vibration monitoring is the main means of current wind turbine transmission system condition monitoring. Firstly, the vibration monitoring strategy of the wind turbine transmission system and the process of extracting the vibration characteristics of each component are analyzed, and the trend indexes of the vibration characteristics, such as the energy factor of the side band, the energy ratio of the frequency band of the order spectrum, and so on, are emphatically introduced. Then, it is pointed out that the key to solve the huge economic loss caused by the transmission system failure of the wind turbine in service is to predict the early failure of the transmission system of the wind turbine. The early fault prediction method of wind turbine transmission system based on generalized manifold learning is introduced. Finally, the functions and characteristics of the existing vibration monitoring system of wind turbine transmission system are analyzed from the aspects of system architecture, data acquisition configuration and monitoring and analysis methods, etc. It is pointed out that big data prediction analysis and intelligent maintenance based on multi-source information fusion will be an important development trend of wind turbine health management.
【作者單位】： 重慶大學機械傳動國家重點實驗室;
【基金】：國家自然科學基金資助項目(51675067,51375514) 重慶市重點產業(yè)專項資助項目(cstc2015zdcy-ztzx70012)
【分類號】：TM315

【參考文獻】

相關期刊論文 前7條

1 彭進;王維慶;王海云;唐新安;;基于EEMD峭度-相關系數準則的多特征量風電機組軸承故障診斷[J];可再生能源;2016年10期

2 賀王鵬;訾艷陽;陳彬強;姚斌;張周鎖;;周期稀疏導向超小波在風力發(fā)電設備發(fā)電機軸承故障診斷中的應用[J];機械工程學報;2016年03期

3 馬婧華;湯寶平;宋濤;;基于自適應本征維數估計流形學習的相空間重構降噪方法[J];振動與沖擊;2015年11期

4 馬婧華;湯寶平;韓延;;風電機組傳動系統(tǒng)網絡化狀態(tài)監(jiān)測與故障診斷系統(tǒng)設計[J];重慶大學學報;2015年01期

5 宋濤;湯寶平;鄧蕾;;動態(tài)增殖流形學習算法在機械故障診斷中的應用[J];振動與沖擊;2014年23期

6 蘇祖強;湯寶平;劉自然;秦毅;;基于正交半監(jiān)督局部Fisher判別分析的故障診斷[J];機械工程學報;2014年18期

7 孫自強;陳長征;谷艷玲;劉歡;;基于混沌和取樣積分技術的大型風電增速箱早期故障診斷[J];振動與沖擊;2013年09期

【共引文獻】

相關期刊論文 前10條

1 湯寶平;羅雷;鄧蕾;韓延;;風電機組傳動系統(tǒng)振動監(jiān)測研究進展[J];振動.測試與診斷;2017年03期

2 趙川;馮志鵬;;基于多域流形的行星齒輪箱局部故障識別[J];工程科學學報;2017年05期

3 段禮祥;謝駿遙;王凱;王金江;;基于不同工況下輔助數據集的齒輪箱故障診斷[J];振動與沖擊;2017年10期

4 戚斌;;網絡化數據庫數據采集系統(tǒng)設計與實現[J];計算機與現代化;2017年05期

5 趙孝禮;趙榮珍;;全局與局部判別信息融合的轉子故障數據集降維方法研究[J];自動化學報;2017年04期

6 季云峰;馮立元;匡亮;;基于改進的有監(jiān)督正交鄰域保持嵌入的故障辨識[J];機械傳動;2017年01期

7 馬立玲;徐發(fā)富;王軍政;;一種基于改進核Fisher的故障診斷方法[J];化工學報;2017年03期

8 孟曉麗;;模糊減法聚類在機組設備故障診斷的應用[J];控制工程;2016年11期

9 董開松;李濤濤;尹浩霖;;風力發(fā)電機組故障分析與智能診斷[J];高壓電器;2016年10期

10 蘇祖強;蕭紅;張毅;羅久飛;;基于小波包分解與主流形識別的非線性降噪[J];儀器儀表學報;2016年09期

【二級參考文獻】

相關期刊論文 前10條

1 程軍圣;馬興偉;楊宇;;基于ICA相關系數和VPMCD的滾動軸承故障診斷[J];振動.測試與診斷;2015年04期

2 王軍輝;賈嶸;譚泊;;基于EEMD和模糊C均值聚類的風電機組齒輪箱故障診斷[J];太陽能學報;2015年02期

3 嚴英杰;盛戈v，

本文編號：2471526