隨著風電行業(yè)的迅猛發(fā)展,對風電機組可靠性的要求越來越高。齒輪箱是風電機組傳動系統(tǒng)中廣泛應用的重要傳動部件。在實際運行時,風電齒輪箱承受動態(tài)重載負荷,運行環(huán)境復雜,導致軸承等零部件容易發(fā)生故障。開展面向風電齒輪箱故障診斷技術的研究,對于提高風電設備的安全性和可靠性,降低維護維修費用具有重要的理論意義和應用價值。本文主要研究了基于深度學習的風電齒輪箱故障診斷技術,主要研究工作如下:首先,分別對傳統(tǒng)故障診斷方法和深度學習方法在故障診斷領域中的應用進行分析,研究風電齒輪箱故障診斷所存在的問題,并具體分析了基于信號處理的故障診斷分類算法和基于模式識別的故障診斷分類算法的特點。在深入研究幾種典型深度學習算法原理的基礎上,分析和探討不同超參數下深度學習算法的故障診斷能力,研究不同超參數對網絡的影響結果。其次,針對去噪自動編碼器在小樣本數據集中特征提取能力不足的問題,分析去噪自動編碼器基本理論,研究了一種數據預處理新方法,為了更好地引入隨機性,在相鄰樣本之間重復利用數據點。通過超參數遞減的方式優(yōu)化網絡中超參數的選取方式。通過分析L1正則化和L2正則化各自的優(yōu)點和不足,將兩種正則化方法相結合來增加網絡的... 

【文章來源】：燕山大學河北省

【文章頁數】：65 頁

【學位級別】：碩士

【部分圖文】：

陸上和海上風機吊裝現(xiàn)場

第 1 章 緒 論性。通過與 K 最近鄰算法進行結合，簡化了網絡結構，減時提高了準確率。于卷積神經網絡的故障診斷技術：卷積神經網絡進行故障診斷的一般過程，針對卷積神經網慢的問題，用基于自適應正則化系數的卷積神經網絡對數類，顯著降低了網絡的訓練時間，并有效地提升了故障診構安排如圖 1-2 所示：

圖 2-1 受限玻爾茲曼機的結構于能量的生成型模型，層間節(jié)點互相連接但各層值都是隨機的 0 或 1。RBM 可見層變量v和隱藏 nimjmjniijijjjiiEv,hθWhvbvah1 1 1 1點的狀態(tài)向量；h表示隱含層節(jié)點的狀態(tài)向量；數目；W 表示可見層節(jié)點與隱含層節(jié)點之間的型的參數，其中a和b 分別代表隱含層節(jié)點和可函數可知，在給定參數 θ W,b,a的情況下， ZθePv,hθ Ev,hθ

【參考文獻】：
期刊論文
[1]基于深度信念網絡的高壓斷路器故障識別算法[J]. 朱萌,梅飛,鄭建勇,沙浩源,戴永正,顧宇鋒.  電測與儀表. 2019(02)
[2]基于傅里葉分解方法的風電齒輪箱故障診斷[J]. 林近山,竇春紅,趙光勝,尹建華.  機械傳動. 2018(11)
[3]基于卷積神經網絡和離散小波變換的滾動軸承故障診斷[J]. 陳仁祥,黃鑫,楊黎霞,湯寶平,余騰偉,周君.  振動工程學報. 2018(05)
[4]風電機組傳動鏈故障智能識別算法研究[J]. 劉志剛,趙曉燕,張濤,敖寶林,王俊濤,黨齊乾.  機械傳動. 2018(09)
[5]基于深度學習算法的小樣本人耳識別[J]. 李萬相,田瑩.  計算機仿真. 2018(08)
[6]基于深度置信網絡的風電機組主軸承故障診斷方法研究[J]. 王春梅.  自動化儀表. 2018(05)
[7]基于支持向量機和遺傳算法的變壓器故障診斷[J]. 吐松江·卡日,高文勝,張紫薇,莫文雄,王紅斌,崔屹平.  清華大學學報(自然科學版). 2018(07)
[8]基于局部均值分解多尺度模糊熵和灰色相似關聯(lián)度的滾動軸承故障診斷[J]. 孟宗,趙東方,李晶,熊景鳴,劉爽.  計量學報. 2018(02)
[9]基于數據挖掘的風電機組齒輪箱運行狀態(tài)分析[J]. 賈子文,顧煜炯.  中國機械工程. 2018(06)
[10]一種新的風電機組軸承故障監(jiān)測與診斷策略[J]. 齊詠生,趙鵬,高勝利,王林,劉月文.  控制工程. 2018(01)

博士論文
[1]小波分析及其在齒輪箱故障診斷中應用研究[D]. 焦新濤.華南理工大學 2014

碩士論文
[1]基于深度學習模型的感應電機故障診斷方法研究[D]. 孫文珺.東南大學 2017
[2]基于改進的SVM和t-SNE高速列車走行部故障診斷[D]. 張雨晨.西南交通大學 2016
[3]齒輪及滾動軸承故障特征分離方法的研究[D]. 汪澤民.太原理工大學 2010
[4]基于EMD和SVM技術風電齒輪箱早期故障診斷研究[D]. 白亞紅.大連理工大學 2009



本文編號：3436046