本文關(guān)鍵詞：風力發(fā)電機齒輪箱狀態(tài)監(jiān)測與故障診斷系統(tǒng)的研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著人口的增長、能源的緊缺,風電作為一種取之不盡用之不竭的清潔能源必將迅速發(fā)展,甚至最終取代傳統(tǒng)能源的地位。伴隨著風電迅速的發(fā)展,風力發(fā)電機的維護工作也越來越重要。特別是風力發(fā)電機的關(guān)鍵部分比如齒輪箱,一旦出現(xiàn)故障將會造成大量的經(jīng)濟損失。功能良好的風力發(fā)電機組齒輪箱狀態(tài)監(jiān)測和故障診斷系統(tǒng)能夠保證風電機組穩(wěn)定運行,降低故障發(fā)生率。本文主要是針對風力發(fā)電機齒輪箱的狀態(tài)監(jiān)測和故障診斷問題的研究。由于風力發(fā)電機結(jié)構(gòu)復(fù)雜且極易發(fā)生故障,同時齒輪箱又是風力發(fā)電機故障高發(fā)部件,因此本文就以下幾點進行了研究與分析:首先,本文深入研究了風力發(fā)電機齒輪箱常見故障以及常用的故障診斷方法。其次,本文在風力發(fā)電機組齒輪箱故障模擬實驗平臺的基礎(chǔ)上做了大量的齒輪箱故障實驗,用小波消噪和小波包分解方法對實驗所得數(shù)據(jù)進行前期處理,并且分析了風力發(fā)電機齒輪箱的時域故障特征和頻域故障特征。然后,本文提出了一種改進的K最近鄰域(KNN)智能故障診斷算法,用在風力發(fā)電機齒輪箱故障診斷中,并取得了良好的效果。最后,本文還提出了一種合理的針對風力發(fā)電機組齒輪箱狀態(tài)監(jiān)測與故障診斷系統(tǒng)的構(gòu)架方案,并且借助了學校實驗室小型風力發(fā)電機組模擬實驗裝置與齒輪箱故障診斷模擬實驗裝置仔細的介紹了整個系統(tǒng)的每個單元的實現(xiàn)方案以及每個單元的功能。
【關(guān)鍵詞】：風力發(fā)電機 齒輪箱 故障診斷 K最近鄰域算法 狀態(tài)監(jiān)測
【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5-6
• ABSTRACT6-11
• 第一章 緒論11-21
• 1.1 選題背景及意義11-13
• 1.2 課題研究目的與意義13-15
• 1.3 風電機組齒輪箱狀態(tài)監(jiān)測與故障診斷的國內(nèi)外研究現(xiàn)狀15-19
• 1.3.1 國內(nèi)研究現(xiàn)狀15-16
• 1.3.2 國外研究現(xiàn)狀16-17
• 1.3.3 風力發(fā)電機常用故障診斷方法17-18
• 1.3.4 風力發(fā)電機組齒輪箱故障診斷傳統(tǒng)方法18-19
• 1.4 課題研究的主要內(nèi)容及章節(jié)安排19-21
• 第二章 風力發(fā)電機組齒輪箱常見故障類型及特征21-30
• 2.1 引言21
• 2.2 風力發(fā)電機的結(jié)構(gòu)原理21-22
• 2.3 風力發(fā)電機組齒輪箱結(jié)構(gòu)原理、常見故障及特征22-29
• 2.3.1 風力發(fā)電機組齒輪箱結(jié)構(gòu)24-25
• 2.3.2 風力發(fā)電機組齒輪箱主要故障及特征25-29
• 2.4 本章小結(jié)29-30
• 第三章 風力發(fā)電機組齒輪箱振動信號的特征提取30-49
• 3.1 引言30
• 3.2 風力發(fā)電機組實驗平臺30-34
• 3.2.1 小型風電機組模擬裝置30-31
• 3.2.2 風力發(fā)電機組齒輪箱故障診斷實驗裝置31-32
• 3.2.3 風力發(fā)電機組齒輪箱部分實驗數(shù)據(jù)32-34
• 3.3 小波分析原理及降噪34-39
• 3.3.1 小波變換原理34-35
• 3.3.2 小波包原理與降噪35-39
• 3.4 齒輪箱故障診斷特征量提取39-45
• 3.4.1 時域特征量39-42
• 3.4.2 頻域特征量42-45
• 3.5 特征量組合以及數(shù)據(jù)歸一化45-48
• 3.6 本章小結(jié)48-49
• 第四章 基于改進KNN的風力發(fā)電機組齒輪箱故障診斷49-60
• 4.1 引言49
• 4.2 K-最近鄰算法理論49-51
• 4.3 改進的KNN算法51-52
• 4.3.1 傳統(tǒng)KNN算法的不足51
• 4.3.2 改進的KNN算法51-52
• 4.4 風力發(fā)電齒輪箱故障診斷實例分析52-59
• 4.4.1 風力發(fā)電機組齒輪箱故障診斷數(shù)據(jù)獲取53-55
• 4.4.2 基于優(yōu)化KNN的齒輪箱故障識別55-59
• 4.5 本章小結(jié)59-60
• 第五章 風力發(fā)電機組齒輪箱狀態(tài)監(jiān)測與故障診斷系統(tǒng)60-74
• 5.1 引言60
• 5.2 系統(tǒng)整體架構(gòu)的設(shè)計60-61
• 5.3 數(shù)據(jù)采集單元61-65
• 5.3.1 傳感器的選擇與安裝61-63
• 5.3.2 數(shù)據(jù)采集處理63-65
• 5.4 狀態(tài)監(jiān)測單元65-69
• 5.5 故障診斷單元69-71
• 5.5.1 數(shù)據(jù)處理70
• 5.5.2 改進的KNN智能診斷算法在故障診斷系統(tǒng)中的應(yīng)用70-71
• 5.6 通信模塊71-73
• 5.7 本章小結(jié)73-74
• 第六章 總結(jié)與展望74-76
• 6.1 總結(jié)74
• 6.2 展望74-76
• 參考文獻76-81
• 致謝81-82
• 攻讀碩士學位期間取得的研究成果82

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 朱曉;;風能發(fā)電的現(xiàn)狀和發(fā)展[J];科技致富向?qū)?2014年23期

2 章浙濤;朱建軍;匡翠林;周璀;;小波包多閾值去噪法及其在形變分析中的應(yīng)用[J];測繪學報;2014年01期

3 胡智;段禮祥;張來斌;;優(yōu)化KNNC算法在滾動軸承故障模式識別中應(yīng)用[J];振動與沖擊;2013年22期

4 張睿;黃晉英;張永梅;;ICA算法及其在齒輪箱故障診斷中的應(yīng)用[J];礦山機械;2013年05期

5 楊雨時;邵洪波;;粗糙集理論在機械故障診斷中的應(yīng)用[J];計算機光盤軟件與應(yīng)用;2013年08期

6 楊維新;唐伶俐;汪超亮;李子揚;;基于遺傳小波神經(jīng)網(wǎng)絡(luò)的光電穩(wěn)定平臺系統(tǒng)辨識[J];儀器儀表學報;2013年03期

7 黨選舉;徐小平;于曉明;姜輝;;永磁同步直線電機的小波神經(jīng)網(wǎng)絡(luò)控制[J];電機與控制學報;2013年01期

8 何耀耀;許啟發(fā);楊善林;余本功;;基于RBF神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的電力負荷概率密度預(yù)測方法[J];中國電機工程學報;2013年01期

9 奉國和;吳敬學;;KNN分類算法改進研究進展[J];圖書情報工作;2012年21期

10 蔡賀;張睿;;k最近鄰域分類算法分析與研究[J];甘肅科技;2012年18期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 劉文藝;風電機組振動監(jiān)測與故障診斷研究[D];重慶大學;2010年

中國碩士學位論文全文數(shù)據(jù)庫 前9條

1 葛春曉;基于案例推理的變壓器故障診斷專家系統(tǒng)的研究[D];吉林大學;2014年

2 黃娟娟;基于KNN的文本分類特征選擇與分類算法的研究與改進[D];廈門大學;2014年

3 張新疆;基于LabVIEW的風機齒輪箱離線故障診斷系統(tǒng)研究[D];電子科技大學;2013年

4 王歡歡;風力發(fā)電機旋轉(zhuǎn)機械故障診斷虛擬儀器系統(tǒng)研究[D];湖南大學;2012年

5 麻東東;風力發(fā)電機組遠程狀態(tài)監(jiān)測與故障診斷系統(tǒng)的開發(fā)[D];華北電力大學;2012年

6 管森森;基于振動信號分析的齒輪箱故障診斷系統(tǒng)開發(fā)[D];華北電力大學;2011年

7 劉天舒;BP神經(jīng)網(wǎng)絡(luò)的改進研究及應(yīng)用[D];東北農(nóng)業(yè)大學;2011年

8 卜凡軍;KNN算法的改進及其在文本分類中的應(yīng)用[D];江南大學;2009年

9 馬清峰;基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷研究[D];中北大學;2006年

  本文關(guān)鍵詞：風力發(fā)電機齒輪箱狀態(tài)監(jiān)測與故障診斷系統(tǒng)的研究，由筆耕文化傳播整理發(fā)布。

本文編號：263235