本文關鍵詞：風電齒輪箱故障特征分析與診斷方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著風力發(fā)電技術日趨成熟,市場逐步擴大,風力發(fā)電已成為各國重點開發(fā)的能源之一。據(jù)統(tǒng)計,風力發(fā)電機組中齒輪箱傳動裝置故障率發(fā)生較高,對齒輪箱故障診斷方法研究的重要性及緊迫性越來越顯著。本文以風力發(fā)電機組中的齒輪箱振動信號分析與故障診斷方法為研究重點,以提高風電機組的可靠性為目的,主要對齒輪箱的重要組成部分齒輪、軸承進行研究。文章主要做了三個方面的工作:(1)研究了大型風電機組齒輪箱故障形成機理,傳感器采集的齒輪箱振動數(shù)據(jù)中往往包含了大量的噪聲信息,對故障識別和狀態(tài)評估等帶來了較大的影響。本文針對常規(guī)小波閾值去噪采用了一種改進的方法,提高了信噪比、降低了均方差并通過MATLAB仿真分析與齒輪箱齒輪、軸承故障診斷實例分析,驗證了改進后的方法取得了較好的效果。(2)研究了大型風電機組齒輪箱的故障診斷方法,以振動信號為分析對象,采用了一種基于小波包(WPA)的振動信號能量分析法。通過計算各節(jié)點能量值并獲取與各故障對應關系,對能量值變化明顯的節(jié)點系數(shù)進行重構,對重構系數(shù)進行包絡頻譜分析,實驗結果表明可較好的確定故障所在位置及故障類型。本文在此基礎上引入了能量矩參數(shù),考慮了能量隨時間參數(shù)變化的分布,并結合時域、頻域信號提取與故障相關的特征參數(shù),共同構建特征向量為后續(xù)診斷分析做準備。最后通過風力機實驗臺齒輪箱模擬故障實驗,驗證了該方法的有效性。(3)采用粒子群優(yōu)化算法(PSO)對支持向量機(SVM)的核參數(shù)進行優(yōu)化,構成WPA-PSO-SVM診斷模型,對各工況進行智能模式識別。一般SVM算法的核函數(shù)采用單一核函數(shù),泛化性和學習性過于單一,分類準確率不是很高。本文結合RBF核函數(shù)和多項式核函數(shù)各自優(yōu)點,構建了線性組合的混合核函數(shù),通過權重的調節(jié)來平衡算法的泛化性和學習性。最后通過風力機實驗臺齒輪箱模擬故障實驗,在不同轉速情況下驗證了該方法的有效性。
【關鍵詞】：齒輪箱 小波去噪 包絡頻譜 能量矩 模式識別 混合核函數(shù)
【學位授予單位】：上海電機學院
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TM315
【目錄】：

• 摘要5-7
• ABSTRACT7-11
• 第一章 緒論11-20
• 1.1 選題的背景及意義11-13
• 1.2 國內外研究的現(xiàn)狀13-16
• 1.2.1 國內齒輪箱在線監(jiān)測與故障診斷技術研究現(xiàn)狀13-15
• 1.2.2 國外齒輪箱在線監(jiān)測與故障診斷技術研究現(xiàn)狀15-16
• 1.3 研究對象常見失效形式及失效原因16-18
• 1.3.1 齒輪的主要失效形式及失效原因16-17
• 1.3.2 滾動軸承的主要失效形式及失效原因17-18
• 1.4 論文研究內容18-20
• 第二章 風力發(fā)電機組齒輪箱故障振動機理及信號分析方法20-35
• 2.1 齒輪、軸承的故障特征分析20-23
• 2.1.1 齒輪的基本參數(shù)、故障特征頻率及頻譜特征20-21
• 2.1.2 滾動軸承的基本參數(shù)、故障特征頻率及頻譜特征21-23
• 2.2 振動信號調制現(xiàn)象23-25
• 2.3 基于振動信號的故障診斷方法25-28
• 2.3.1 時域特征分析25-27
• 2.3.2 頻域特征分析27-28
• 2.4 時頻分析方法28-34
• 2.4.1 小波變換理論29-31
• 2.4.2 小波包理論31-34
• 2.5 本章小結34-35
• 第三章 風力發(fā)電齒輪箱振動信號去噪及特征提取分析35-53
• 3.1 齒輪箱實驗平臺搭建35-39
• 3.2 小波閾值降噪39-41
• 3.2.1 閾值選取規(guī)則40-41
• 3.2.2 閾值函數(shù)41
• 3.3 改進的閾值選取規(guī)則和閾值函數(shù)41-46
• 3.3.1 仿真分析42-44
• 3.3.2 試驗驗證44-46
• 3.4 基于小波變換的包絡頻譜分析46-52
• 3.5 本章小結52-53
• 第四章 基于小波包的風力發(fā)電齒輪箱故障診斷方法研究53-62
• 4.1 基于小波包頻帶能量分析法的故障特征提取53-54
• 4.1.1 小波包特征提取理論53-54
• 4.1.2 小波包特征提取步驟54
• 4.2 支持向量機理論54-57
• 4.2.1 最優(yōu)超平面55-56
• 4.2.2 核函數(shù)56-57
• 4.3 能量矩參數(shù)引入57-60
• 4.3.1 仿真實驗驗證58-59
• 4.3.2 試驗驗證59-60
• 4.4 本章小結60-62
• 第五章 改進的SVM在風力發(fā)電齒輪箱故障診斷中的應用62-70
• 5.1 概述62
• 5.2 混合核函數(shù)62-63
• 5.3 SVM相關參數(shù)的選擇方法63-64
• 5.3.1 交叉驗證的方法63-64
• 5.3.2 基于粒子群優(yōu)化SVM相關參數(shù)選擇方法64
• 5.4 基于混合核函數(shù)的PSO-SVM64-69
• 5.4.1 基于UCI數(shù)據(jù)集的PSO-SVM（混合核函數(shù)）算法驗證66-67
• 5.4.2 基于混合核函數(shù)的齒輪箱故障診斷實例分析67-69
• 5.5 本章小結69-70
• 第六章 結論與展望70-72
• 6.1 總結70-71
• 6.2 展望71-72
• 參考文獻72-77
• 致謝77-78
• 攻讀碩士學位期間取得的研究成果78

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 孫福霞;齒輪箱故障的狀態(tài)監(jiān)測分析[J];中國設備管理;2000年05期

2 杜秋杰;正確運用分析方法確定齒輪箱故障[J];新技術新工藝;2002年10期

3 姚竹亭,潘宏俠;齒輪箱故障信息增強技術研究[J];儀器儀表學報;2004年S1期

4 陸人定;;齒輪箱故障時域和頻域綜合診斷技術[J];機電工程技術;2007年06期

5 湯和;汪元輝;張策;應懷樵;;定量診斷齒輪箱故障方法的探討[J];齒輪;1987年05期

6 張新華;齒輪箱故障的實時監(jiān)測的原理和系統(tǒng)設計[J];機床與液壓;2001年06期

7 蒙宣伊;龍辛;;風機齒輪箱故障原因淺析[J];電力技術;2010年08期

8 于良峰;趙登利;吳樹梁;;風電機組齒輪箱故障分析及改進措施[J];風能;2012年10期

9 G.H.Mills;劉志堅;;隨機監(jiān)測磨屑預報齒輪箱故障[J];煤礦機電;1992年02期

10 肖洪波;劉松松;;風電齒輪箱故障診斷實例分析[J];機械工程師;2014年04期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 姚竹亭;潘宏俠;;齒輪箱故障信息增強技術研究[A];第二屆全國信息獲取與處理學術會議論文集[C];2004年

2 李淑智;劉彈;徐光華;;基于CHMM動態(tài)模型的齒輪箱故障檢測和診斷方法研究[A];2008年全國振動工程及應用學術會議暨第十一屆全國設備故障診斷學術會議論文集[C];2008年

3 楊炯明;范得功;周雁冰;柳亦兵;;基于Fisher準則的風電齒輪箱故障識別[A];中國自動化學會控制理論專業(yè)委員會B卷[C];2011年

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 張澎濤;齒輪箱故障振動信號去噪及特征提取算法研究[D];東北林業(yè)大學;2014年

2 劉志亮;基于數(shù)據(jù)驅動的行星齒輪箱故障診斷方法研究[D];電子科技大學;2013年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 張欣欣;風力發(fā)電機齒輪箱故障預警方法研究[D];燕山大學;2015年

2 劉劍鋒;基于時頻—解調分析的行星齒輪箱故障診斷方法研究[D];電子科技大學;2015年

3 任爽;基于振動特征分析的風電齒輪箱故障診斷技術研究[D];河北工業(yè)大學;2015年

4 高志飛;風電齒輪箱故障特征分析與診斷方法研究[D];上海電機學院;2016年

5 馬玉峰;風電機組齒輪箱故障趨勢預測方法研究[D];華北電力大學;2013年

6 王斐斐;基于狀態(tài)監(jiān)測信息的風電機組齒輪箱故障預測研究[D];華北電力大學;2012年

7 王艷芳;齒輪箱故障特征提取技術研究[D];中北大學;2007年

8 彭志凌;基于信息融合的齒輪箱故障診斷技術研究[D];中北大學;2006年

9 張斌;基于EMD和支持向量機的齒輪箱故障診斷方法研究[D];太原理工大學;2009年

10 張強;基于EMD的齒輪箱故障特征提取方法研究[D];大連理工大學;2013年

  本文關鍵詞：風電齒輪箱故障特征分析與診斷方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：255155