【摘要】：時代日新月異,電力風(fēng)機作為電力生產(chǎn)環(huán)節(jié)的一個重要的組成部分,人們對它的穩(wěn)定性、可靠性和安全性都有著很高的要求。然而由于電力生產(chǎn)情況復(fù)雜、現(xiàn)場環(huán)境惡劣,工人很難及時、有效地對設(shè)備問題點進行快速定位,并進行針對性的維修。本課題針對這一問題,設(shè)計并實現(xiàn)了一套基于冗余技術(shù)的電力風(fēng)機健康監(jiān)測系統(tǒng),本系統(tǒng)能夠在保障監(jiān)測系統(tǒng)穩(wěn)定性的情況下對風(fēng)機的運行狀態(tài)進行實時、有效的健康監(jiān)測,從而保證了風(fēng)機能夠較為平衡、高效地投入生產(chǎn)工作。本課題設(shè)計了帶有冗余功能的數(shù)據(jù)采集主控板。此控制板采用雙處理器工作模式,以i.MX6UL核心板為主處理器,以STM32F103RCT6芯片為從處理器。從處理器以SPI通信進行狀態(tài)監(jiān)測,根據(jù)主機狀態(tài)進行主從機工作模式切換。通過ADC轉(zhuǎn)換模塊采集振動信號,通過RS485總線獲取過來的風(fēng)機狀態(tài)信號,并通過4G模塊發(fā)送到云平臺。本課題設(shè)計了云端數(shù)據(jù)庫軟件和本地監(jiān)控主機軟件。云端數(shù)據(jù)庫軟件用于接收來自數(shù)據(jù)采集主控板的風(fēng)機狀態(tài)數(shù)據(jù),并進行數(shù)據(jù)庫存儲。本課題設(shè)計的本地監(jiān)控主機軟件向上述的數(shù)據(jù)庫中調(diào)取數(shù)據(jù)并轉(zhuǎn)化為實際的物理量,在軟件上實時顯示,并提供數(shù)據(jù)下載、數(shù)據(jù)曲線顯示、歷史數(shù)據(jù)查詢等功能。實現(xiàn)了對風(fēng)機狀態(tài)的遠程實時的狀態(tài)監(jiān)測功能。本課題基于機械故障特征分析,采用小波包分解—經(jīng)驗?zāi)B(tài)分解的故障特征提取算法,將小波包分解去噪后的信號通過經(jīng)驗?zāi)B(tài)分解算法提取出機械故障特征向量,并將其輸入到BP神經(jīng)網(wǎng)絡(luò)中,通過訓(xùn)練、模擬、仿真,驗證了其能夠?qū)崿F(xiàn)對風(fēng)機故障的診斷。最后,本論文針對系統(tǒng)設(shè)計給出了部分測試方案和整體測試方案。通過測試結(jié)果驗證,本系統(tǒng)實現(xiàn)了處理器的冗余功能,保證控制模塊可以穩(wěn)定、可靠的運行。各個模塊之間可以協(xié)同合作,完成任務(wù)需求,能夠?qū)崿F(xiàn)對電力風(fēng)機的健康狀態(tài)的在線觀測、診斷,整個系統(tǒng)具有較高的可靠性和穩(wěn)定性。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TM315;TP274
【圖文】：

圖 1-1 基于統(tǒng)計時間特征和神經(jīng)網(wǎng)絡(luò)算法的故障監(jiān)測流程[16]2015 年突尼斯大學(xué) JaouherBen Ali 教授等人提出了一種基于振動信號經(jīng)驗?zāi)B(tài)分解和人工神經(jīng)網(wǎng)絡(luò)技術(shù)的軸承故障診斷技術(shù)[17]，其提出了基于經(jīng)驗?zāi)B(tài)分解(EMD，Empirical Mode Decomposition)能量熵的故障提取方式，將故障提取值輸入到人工神經(jīng)網(wǎng)絡(luò)(ANN，Artificial Neural Network)中，從而來對軸承的故障問題進行分類。實驗結(jié)果表明，所提出的基于運動-故障振動信號的方法可以對軸承的缺陷進行可靠的分類。如圖 1-2 通過使用健康指數(shù)(HI，Health Index)，能夠在不同的缺陷類型和不同的情況下很好地檢測到的軸承退化。

圖 1-1 基于統(tǒng)計時間特征和神經(jīng)網(wǎng)絡(luò)算法的故障監(jiān)測流程[16]2015 年突尼斯大學(xué) JaouherBen Ali 教授等人提出了一種基于振動信號經(jīng)驗?zāi)B(tài)分解和人工神經(jīng)網(wǎng)絡(luò)技術(shù)的軸承故障診斷技術(shù)[17]，其提出了基于經(jīng)驗?zāi)B(tài)分解(EMD，Empirical Mode Decomposition)能量熵的故障提取方式，將故障提取值輸入到人工神經(jīng)網(wǎng)絡(luò)(ANN，Artificial Neural Network)中，從而來對軸承的故障問題進行分類。實驗結(jié)果表明，所提出的基于運動-故障振動信號的方法可以對軸承的缺陷進行可靠的分類。如圖 1-2 通過使用健康指數(shù)(HI，Health Index)，能夠在不同的缺陷類型和不同的情況下很好地檢測到的軸承退化。

1-3 基于小波分解、統(tǒng)計特征提取、支持向量機的智能狀態(tài)監(jiān)測框架對基于 DWT 和 WPT 的故障檢測進行了分析，從齒輪箱的原始傷信息。在此方法中，從 DWT 取得包含統(tǒng)計計算特征的小波系輪箱的能量特點進行了運算，并對其統(tǒng)計特點進行了分析。從作為 SVM 和 ANN 分類器的輸入量。采用改進的距離評估技NN 的敏感輸入特性。利用網(wǎng)格查找方式對 SVM 中的因子和內(nèi)。最終，對 SVM 和安算法進行了優(yōu)化，以檢測齒輪箱的損傷。結(jié)壞檢測使用能量特征提取 WPT 或其統(tǒng)計值作為輸入特性學(xué)習(xí)系數(shù)的統(tǒng)計值作為輸入?yún)?shù)會產(chǎn)生更高的分類精度。內(nèi)研究現(xiàn)狀內(nèi)關(guān)于機械故障診斷技術(shù)的起步較晚，但近年來隨著教育、科技國內(nèi)關(guān)于機械故障診斷方面的技術(shù)研究也越來越多。 年華東電力大學(xué)富雙進提出電站風(fēng)機故障預(yù)警系統(tǒng)的方法研究

【參考文獻】

相關(guān)期刊論文 前7條

1 李志農(nóng);朱明;褚福磊;肖堯先;;基于經(jīng)驗小波變換的機械故障診斷方法研究[J];儀器儀表學(xué)報;2014年11期

2 丘世因;袁銳波;;基于小波包分解的滾動軸承故障信號頻域特征提取方法研究[J];機械與電子;2014年05期

3 葉瑞召;李萬紅;;基于小波包分解和BP神經(jīng)網(wǎng)絡(luò)的軸承故障診斷[J];軸承;2012年10期

4 顏世玉;劉沖;趙海濱;王宏;;基于小波包分解的意識腦電特征提取[J];儀器儀表學(xué)報;2012年08期

5 王亞萍;張振福;;電力設(shè)備故障及監(jiān)測診斷技術(shù)概析[J];中國高新技術(shù)企業(yè);2011年25期

6 程江寧;;風(fēng)機在線監(jiān)測和故障診斷系統(tǒng)設(shè)計[J];鑿巖機械氣動工具;2009年03期

7 楊國安,鐘秉林,黃仁,賈民平,許云飛;機械故障信號小波包分解的時域特征提取方法研究[J];振動與沖擊;2001年02期

相關(guān)博士學(xué)位論文 前3條

1 陳偉;郵政旋轉(zhuǎn)設(shè)備系統(tǒng)故障診斷方法研究[D];北京郵電大學(xué);2016年

2 潘作為;大功率電站風(fēng)機振動監(jiān)測及故障診斷方法研究[D];華北電力大學(xué)(北京);2016年

3 朱霄s

本文編號：2799735