風力發(fā)電機是風電行業(yè)最重要的生產(chǎn)設(shè)備�！笆濉币詠�,我國大力支持開發(fā)大型風力發(fā)電設(shè)備,使得風力發(fā)電機(以下簡稱“風機”)得到了迅猛發(fā)展,但風機發(fā)生故障的概率也隨之增加。加強對風機運行狀態(tài)的監(jiān)測和故障診斷,對于提高該設(shè)備的運行可靠性、減少風機停機造成的經(jīng)濟損失具有重要意義,也是工業(yè)工程領(lǐng)域研究的熱點問題之一。而一個準確、穩(wěn)定的故障診斷模型能夠為設(shè)備的健康管理提供可靠的數(shù)據(jù)支持,幫助企業(yè)及時排除故障,延長設(shè)備的使用周期,降低生產(chǎn)成本。因此,本文將風電行業(yè)作為研究背景,以風機的齒輪箱為研究對象,來構(gòu)建一個更加有效的風機齒輪箱故障診斷模型,幫助企業(yè)提高設(shè)備維護管理效率和最大化企業(yè)的經(jīng)濟效益。風機由風能驅(qū)動,而自然環(huán)境中的風向和風速是時刻變化的,風機齒輪箱的運行狀態(tài)隨風速變化,采集到的振動信號容易受到風機運行條件和環(huán)境的干擾。許多現(xiàn)有的關(guān)于風機故障診斷的文獻中,同一種故障狀態(tài)下的訓練數(shù)據(jù)主要采集自同種運行條件下的振動信號。針對這個問題,本文提出了一種新型的深度流形學習網(wǎng)絡(luò),即棧式流形自編碼器(Stacked Manifold Autoencoder,SMAE),用于風機齒箱的故障診斷。首先,為...

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 基于數(shù)據(jù)驅(qū)動的故障診斷技術(shù)國內(nèi)外研究現(xiàn)狀
        1.2.1 信號采集
        1.2.2 信號預處理和特征提取
        1.2.3 深度學習在故障診斷的應用研究
    1.3 研究內(nèi)容和創(chuàng)新點
        1.3.1 研究內(nèi)容
        1.3.2 創(chuàng)新點
    1.4 本章小結(jié)
第2章 基于流形學習的數(shù)據(jù)表示
    2.1 常用的流形學習模型
        2.1.1 t-分布隨機鄰域嵌入(tSNE)
        2.1.2 等距特征映射(Isomap)
        2.1.3 局部線性嵌入(LLE)
        2.1.4 局部保留投影(LPP)
    2.2 實驗結(jié)果與分析
        2.2.1 流形數(shù)據(jù)可視化
        2.2.2 旋轉(zhuǎn)設(shè)備標桿數(shù)據(jù)可視化
    2.3 本章小結(jié)
第3章 SMAE深度網(wǎng)絡(luò)的構(gòu)建和預訓練
    3.1 自編碼器在故障診斷的應用研究
    3.2 SMAE深度網(wǎng)絡(luò)的基本理論介紹
        3.2.1 AE的基本理論
        3.2.2 棧式流形自編碼器(SMAE)
        3.2.3 SMAE實現(xiàn)過程
    3.3 基于SMAE深度網(wǎng)絡(luò)的故障診斷模型預訓練
        3.3.1 實驗平臺介紹與數(shù)據(jù)采集
        3.3.3 SMAE的深度網(wǎng)絡(luò)預訓練
    3.4 本章小結(jié)
第4章 基于SMAE深度網(wǎng)絡(luò)的風機齒輪箱故障診斷
    4.1 基于SMAE的風機齒輪箱故障診斷方案
    4.2 參數(shù)分析
        4.2.1 學習速率
        4.2.2 迭代次數(shù)
        4.2.3 最優(yōu)參數(shù)下的風機齒輪箱故障診斷
        4.2.4 輸入數(shù)據(jù)對測試精度的影響
    4.3 對比實驗
        4.3.1 對比模型介紹
        4.3.2 對比實驗結(jié)果及分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 研究總結(jié)
    5.2 研究展望
參考文獻
致謝
在學期間發(fā)表論文及參加課題情況



本文編號：3872325