滾動軸承作為風力發(fā)電機組重要的旋轉(zhuǎn)部件,其健康狀態(tài)對于傳動鏈甚至機組的正常運行具有重要影響。因此,開展對滾動軸承的故障檢測以及診斷具有重要的現(xiàn)實意義。風場運行的不同階段,其故障數(shù)據(jù)具有不同的特征。風場建設(shè)初期故障數(shù)據(jù)具有一定的不完備性,無法對軸承故障類型進行建模。當風場經(jīng)過長期持續(xù)運行,各種故障類型數(shù)據(jù)具有一定積累,為模型建立提供了足夠的數(shù)據(jù)支撐,便可在該數(shù)據(jù)基礎(chǔ)上進行更為精確的故障定位。本文根據(jù)風場故障數(shù)據(jù)是否具有完備性兩種情況,分別提出相應的基于深度學習的軸承故障診斷方法。在現(xiàn)場故障數(shù)據(jù)不完備情況下,針對傳統(tǒng)Encoder-Decoder模型無法有效利用信號特征的問題,提出一種基于MALED的異常檢測模型。該模型具有從時頻信號中自動提取局部頻率特征和時間特征的能力,同時能夠避免信號被稀釋的問題,增強了模型提取特征的能力。通過現(xiàn)場實際數(shù)據(jù)對模型進行測試,實驗表明,本章方法對于軸承異常檢測的識別率達到97%以上,驗證了本章方法的有效性。在故障數(shù)據(jù)具有一定完備性的情況下,針對單一小波變換無法充分表達信號特征以及標準卷積神經(jīng)網(wǎng)絡(luò)泛化能力差的問題,提出一種基于Mw-1DConvLSTM的故障... 

【文章來源】：中國民航大學天津市

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【部分圖文】：

滾動軸承基本結(jié)構(gòu)

中國民航大學碩士學位論文23第三章滾動軸承振動信號采集與預處理由于風力發(fā)電機組軸承不同部位振動信號表現(xiàn)出的不同頻率特征，使得所測得的信號是由多種頻率疊加、耦合的結(jié)果。此外，軸承故障會引入低頻脈沖，而這些成分易被具有主振幅的固有高頻分量和強背景噪聲所掩蓋。因此，在僅考慮時域信號的情況下，難以對故障特征進行有效表達，需充分考慮信號的時頻特征。本章對常見時頻特征提取方法（短時傅里葉變換、小波變換）進行分析，并最終選用特征表達能力較好的小波分析方法得到時頻圖，為后續(xù)工作提供數(shù)據(jù)支撐。3.1數(shù)據(jù)采集本文實驗數(shù)據(jù)來源于山東某風場華銳SL1500型風機佳木斯發(fā)電機驅(qū)動端6328型軸承和永濟發(fā)電機驅(qū)動端6332型軸承的振動信號，由安裝在風機上的CMS系統(tǒng)采集獲取，系統(tǒng)采樣頻率為25.6kHz。圖3-1分別展示了CMS系統(tǒng)的振動傳感器的安裝位置（具體位于發(fā)電機驅(qū)動端的端蓋處）和風力發(fā)電機組的基本結(jié)構(gòu)。圖3-1CMS系統(tǒng)發(fā)電機軸承傳感器測點布置示意圖

中國民航大學碩士學位論文555.4.2實驗結(jié)果分析(1)多小波時頻分析與單一小波時頻分析振動信號在不同小波變換下提取的特征差異較大，因此有必要考慮多小波分解特征。為了驗證小波分解數(shù)目對于準確率的影響，使用1~4種小波進行實驗驗證。實驗采用圖5-10所示的結(jié)構(gòu)。不同條件下的實驗結(jié)果如表5.5所示，可以發(fā)現(xiàn)本文方法在2~4個類別數(shù)目上的性能優(yōu)于傳統(tǒng)的單一小波方法。一般來說，隨著數(shù)目的增加，模型可以獲得更穩(wěn)健的性能，因此所提出的多小波方法可以提高診斷性能。同時，可以發(fā)現(xiàn)當利用3小波時取得較好的效果，利用4種小波時，診斷性能并沒有得到較大提升，卻會增加網(wǎng)絡(luò)訓練時間，因此最終選用coif1、db3和sym2這3種重構(gòu)誤差最小的小波函數(shù)。圖5-10基于Mw-1DConvLSTM的軸承故障診斷網(wǎng)絡(luò)結(jié)構(gòu)為更直觀地理解多小波特征融合的優(yōu)越性，使用t-SNE降維技術(shù)對數(shù)據(jù)特征進行可視化，不同顏色代表不同的健康狀態(tài)，如圖5-11所示，圖5-11（a）為原始數(shù)據(jù)，可以發(fā)現(xiàn)原始數(shù)據(jù)不具有分類特性；圖5-11（b）為將單一小波數(shù)據(jù)經(jīng)過網(wǎng)絡(luò)特征提取后可視化的結(jié)果，可以發(fā)現(xiàn)模型有一定的聚類趨勢，但類間區(qū)分不明顯；圖5-11（c）為將兩種小波數(shù)據(jù)經(jīng)過網(wǎng)絡(luò)特征提取后的結(jié)果，可以發(fā)現(xiàn)具有一定的聚類和分類特性，但分類效果不明顯；圖5-11（d）為將3種小波數(shù)據(jù)經(jīng)過網(wǎng)絡(luò)特征學習后的結(jié)果，可以觀察到，此時網(wǎng)絡(luò)提取的特征已經(jīng)表現(xiàn)出良好的聚類和分類特性�？梢酝茢喑鲭S著小波種類數(shù)目的增加，相同健康狀態(tài)的特征呈現(xiàn)出很好的聚類特性，不同健康狀態(tài)間呈現(xiàn)出更好的分類特性。結(jié)果表明3種小波變換提取的特征具有較強的辨識能力。進一步驗證了融合多種小波特征可以大大提高特征學習能力。


本文編號：3274629