當前風電產(chǎn)業(yè)迅速發(fā)展,風電機組的狀態(tài)監(jiān)測與故障診斷對于降低維護成本、減少損失、提高系統(tǒng)可靠性等都具有重要意義。軸承是風電機組中故障最為頻繁的部件之一,因此準確有效的軸承故障診斷方法有助于保障風電機組安全穩(wěn)定運行。傳統(tǒng)的診斷方法往往需要依靠人工經(jīng)驗和專家知識進行故障特征提取,增加了故障診斷的復雜性和困難性,不利于實現(xiàn)風電機組的自動化故障檢測和智能運維。因此,為了同時實現(xiàn)故障特征學習和故障分類,本文研究了基于卷積神經(jīng)網(wǎng)絡的軸承故障診斷方法。本文提出了一個基于振動信號檢測、信號變換、卷積神經(jīng)網(wǎng)絡識別分類的軸承故障智能診斷流程,并設(shè)計了一個具有三個卷積-池化層對和兩層全連接層的深度卷積神經(jīng)網(wǎng)絡模型。首先利用仿真數(shù)據(jù)驗證了所提方法的有效性,然后利用凱斯西儲大學公共軸承數(shù)據(jù)集,在相同的模型結(jié)構(gòu)下研究了振動信號經(jīng)過振動灰度圖、短時傅里葉變換和連續(xù)小波變換這三種不同信號變換方式進行模型訓練,對于模型故障診斷準確率的影響。同時還比較了基于深度卷積神經(jīng)網(wǎng)絡方法與基于時域統(tǒng)計特征和淺層機器學習方法在相同數(shù)據(jù)集上的診斷效果,證明了本文方法的優(yōu)越性。此外還對對噪聲干擾下的微弱故障診斷以及復合故障診斷進行了研究。... 

【文章來源】：浙江大學浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：96 頁

【學位級別】：碩士

【部分圖文】：

009-2018年中國風電累計裝機容量走勢

浙江大學碩士學位論文第1章緒論12故障診斷模型對噪聲干擾的穩(wěn)健性，通過模型優(yōu)化、代價函數(shù)改進和訓練樣本干擾提高了模型對低信噪比故障信號的檢測識別能力。第五章則是對復合故障的診斷進行了一定程度的嘗試和探索。第六章簡要總結(jié)了全文的研究工作內(nèi)容，并對未來工作方向進行了展望�？傮w論文結(jié)構(gòu)如圖1.3所示。圖1.2論文內(nèi)容結(jié)構(gòu)安排

浙江大學碩士學位論文第2章軸承故障與卷積神經(jīng)網(wǎng)絡理論14圖2.1風電機組主要軸承部件2.1.2軸承失效原因本文研究的是滾動軸承，典型的滾動軸承主要由內(nèi)圈（InnerRace）、外圈（OuterRace）、滾動體（RollingElement）以及保持架（Cage）構(gòu)成，其中滾動體分為球形、圓柱形、錐柱形等，是軸承的核心元件。內(nèi)圈通常與軸徑配合并與軸一起旋轉(zhuǎn)。外圈通常與軸承座孔或機械部件殼體配合，起支承作用。但是在某些應用場合，也有外圈旋轉(zhuǎn)，內(nèi)圈固定，或者內(nèi)、外圈都旋轉(zhuǎn)的。滾動體就是在內(nèi)外圈之間的滾道中進行滾動。保持架用于保持滾動體等距均勻隔開，有利于改善載荷分配和引導滾動體在正確的軌道上運動[72]。圖2.2展示了滾動軸承的基本結(jié)構(gòu)示意圖。由于滾動體與內(nèi)外圈之間的滾動摩擦，這三個元件最容易發(fā)生損壞失效，因此軸承故障往往發(fā)生在內(nèi)圈、外圈和滾動體上。引起軸承故障失效的原因有很多，除去制造和安裝過程中的偏差等因素，惡劣的工作環(huán)境和復雜多變的運行工況都會引起軸承不同形式和不同程度的損傷。同時由于軸承有自身的使用壽命限制，長期工作本身也會導致軸承的退化。常見的軸承元件失效形式主要有以下幾種[72][73][74]：（1）疲勞由于滾動體和內(nèi)外圈表面相互滾動摩擦，同時在運行時會受到載荷的反復作用，接觸面在長時間的擠壓和摩擦作用下會疲勞產(chǎn)生裂紋，導致金屬表層產(chǎn)生片狀或點狀剝落。如果軸承出現(xiàn)疲勞失效后不采取措施解決，持續(xù)運轉(zhuǎn)工作，損壞將逐步增大。疲勞剝落是軸承故障的重要原因。

【參考文獻】：
期刊論文
[1]世界能源發(fā)展趨勢與中國能源未來發(fā)展方向[J]. 張所續(xù),馬伯永.  中國國土資源經(jīng)濟. 2019(10)
[2]小波降噪及Hilbert變換在電機軸承故障診斷中的應用[J]. 丁鋒,秦峰偉.  電機與控制學報. 2017(06)
[3]復合故障診斷技術(shù)綜述[J]. 張可,周東華,柴毅.  控制理論與應用. 2015(09)
[4]基于深度學習理論的機械裝備大數(shù)據(jù)健康監(jiān)測方法[J]. 雷亞國,賈峰,周昕,林京.  機械工程學報. 2015(21)
[5]風電機組狀態(tài)監(jiān)測與故障診斷相關(guān)技術(shù)研究[J]. 張文秀,武新芳.  電機與控制應用. 2014(02)
[6]基于時域多普勒校正和EEMD的列車軸承道旁聲音監(jiān)測故障診斷方法研究[J]. 劉方,沈長青,何清波,胡飛,張翱,孔凡讓.  振動與沖擊. 2013(24)
[7]優(yōu)化KNNC算法在滾動軸承故障模式識別中應用[J]. 胡智,段禮祥,張來斌.  振動與沖擊. 2013(22)
[8]基于經(jīng)驗模態(tài)分解和散度指標的風力發(fā)電機滾動軸承故障診斷方法[J]. 郭艷平,顏文俊,包哲靜,楊強.  電力系統(tǒng)保護與控制. 2012(17)
[9]局部均值分解在齒輪故障診斷中的應用研究[J]. 何田,林意洲,郜普剛,申永軍.  振動與沖擊. 2011(06)
[10]風力發(fā)電機用軸承簡述[J]. 陳龍,杜宏武,武建柯,王玲.  軸承. 2008(12)

博士論文
[1]基于變分模態(tài)分解與優(yōu)化多核支持向量機的旋轉(zhuǎn)機械早期故障診斷方法研究[D]. 呂中亮.重慶大學 2016

碩士論文
[1]風電機組傳動系統(tǒng)故障診斷的技術(shù)研究[D]. 馬金斗.蘭州理工大學 2019
[2]風力發(fā)電機組齒輪箱振動監(jiān)測與故障診斷方法研究[D]. 封新建.東北電力大學 2017
[3]結(jié)合異常檢測算法的軸承故障檢測研究[D]. 林超.浙江大學 2017
[4]風機齒輪箱多故障診斷問題研究[D]. 胡純直.浙江大學 2017
[5]滾動軸承故障程度和工況不敏感智能診斷方法研究[D]. 張磊.華東交通大學 2016
[6]旋轉(zhuǎn)機械強噪聲中微弱故障特征提取的研究[D]. 谷偉明.燕山大學 2016



本文編號：2911849