基于卷积神经网络的风电机组轴承故障诊断方法研究
发布时间：2020-12-12 04:20
当前风电产业迅速发展,风电机组的状态监测与故障诊断对于降低维护成本、减少损失、提高系统可靠性等都具有重要意义。轴承是风电机组中故障最为频繁的部件之一,因此准确有效的轴承故障诊断方法有助于保障风电机组安全稳定运行。传统的诊断方法往往需要依靠人工经验和专家知识进行故障特征提取,增加了故障诊断的复杂性和困难性,不利于实现风电机组的自动化故障检测和智能运维。因此,为了同时实现故障特征学习和故障分类,本文研究了基于卷积神经网络的轴承故障诊断方法。本文提出了一个基于振动信号检测、信号变换、卷积神经网络识别分类的轴承故障智能诊断流程,并设计了一个具有三个卷积-池化层对和两层全连接层的深度卷积神经网络模型。首先利用仿真数据验证了所提方法的有效性,然后利用凯斯西储大学公共轴承数据集,在相同的模型结构下研究了振动信号经过振动灰度图、短时傅里叶变换和连续小波变换这三种不同信号变换方式进行模型训练,对于模型故障诊断准确率的影响。同时还比较了基于深度卷积神经网络方法与基于时域统计特征和浅层机器学习方法在相同数据集上的诊断效果,证明了本文方法的优越性。此外还对对噪声干扰下的微弱故障诊断以及复合故障诊断进行了研究。...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：96 页
【学位级别】：硕士
【部分图文】：
009-2018年中国风电累计装机容量走势
浙江大学硕士学位论文第1章绪论12故障诊断模型对噪声干扰的稳健性，通过模型优化、代价函数改进和训练样本干扰提高了模型对低信噪比故障信号的检测识别能力。第五章则是对复合故障的诊断进行了一定程度的尝试和探索。第六章简要总结了全文的研究工作内容，并对未来工作方向进行了展望。总体论文结构如图1.3所示。图1.2论文内容结构安排
浙江大学硕士学位论文第2章轴承故障与卷积神经网络理论14图2.1风电机组主要轴承部件2.1.2轴承失效原因本文研究的是滚动轴承，典型的滚动轴承主要由内圈（InnerRace）、外圈（OuterRace）、滚动体（RollingElement）以及保持架（Cage）构成，其中滚动体分为球形、圆柱形、锥柱形等，是轴承的核心元件。内圈通常与轴径配合并与轴一起旋转。外圈通常与轴承座孔或机械部件壳体配合，起支承作用。但是在某些应用场合，也有外圈旋转，内圈固定，或者内、外圈都旋转的。滚动体就是在内外圈之间的滚道中进行滚动。保持架用于保持滚动体等距均匀隔开，有利于改善载荷分配和引导滚动体在正确的轨道上运动[72]。图2.2展示了滚动轴承的基本结构示意图。由于滚动体与内外圈之间的滚动摩擦，这三个元件最容易发生损坏失效，因此轴承故障往往发生在内圈、外圈和滚动体上。引起轴承故障失效的原因有很多，除去制造和安装过程中的偏差等因素，恶劣的工作环境和复杂多变的运行工况都会引起轴承不同形式和不同程度的损伤。同时由于轴承有自身的使用寿命限制，长期工作本身也会导致轴承的退化。常见的轴承元件失效形式主要有以下几种[72][73][74]：（1）疲劳由于滚动体和内外圈表面相互滚动摩擦，同时在运行时会受到载荷的反复作用，接触面在长时间的挤压和摩擦作用下会疲劳产生裂纹，导致金属表层产生片状或点状剥落。如果轴承出现疲劳失效后不采取措施解决，持续运转工作，损坏将逐步增大。疲劳剥落是轴承故障的重要原因。
【参考文献】：
期刊论文
[1]世界能源发展趋势与中国能源未来发展方向[J]. 张所续,马伯永. 中国国土资源经济. 2019(10)
[2]小波降噪及Hilbert变换在电机轴承故障诊断中的应用[J]. 丁锋,秦峰伟. 电机与控制学报. 2017(06)
[3]复合故障诊断技术综述[J]. 张可,周东华,柴毅. 控制理论与应用. 2015(09)
[4]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京. 机械工程学报. 2015(21)
[5]风电机组状态监测与故障诊断相关技术研究[J]. 张文秀,武新芳. 电机与控制应用. 2014(02)
[6]基于时域多普勒校正和EEMD的列车轴承道旁声音监测故障诊断方法研究[J]. 刘方,沈长青,何清波,胡飞,张翱,孔凡让. 振动与冲击. 2013(24)
[7]优化KNNC算法在滚动轴承故障模式识别中应用[J]. 胡智,段礼祥,张来斌. 振动与冲击. 2013(22)
[8]基于经验模态分解和散度指标的风力发电机滚动轴承故障诊断方法[J]. 郭艳平,颜文俊,包哲静,杨强. 电力系统保护与控制. 2012(17)
[9]局部均值分解在齿轮故障诊断中的应用研究[J]. 何田,林意洲,郜普刚,申永军. 振动与冲击. 2011(06)
[10]风力发电机用轴承简述[J]. 陈龙,杜宏武,武建柯,王玲. 轴承. 2008(12)
博士论文
[1]基于变分模态分解与优化多核支持向量机的旋转机械早期故障诊断方法研究[D]. 吕中亮.重庆大学 2016
硕士论文
[1]风电机组传动系统故障诊断的技术研究[D]. 马金斗.兰州理工大学 2019
[2]风力发电机组齿轮箱振动监测与故障诊断方法研究[D]. 封新建.东北电力大学 2017
[3]结合异常检测算法的轴承故障检测研究[D]. 林超.浙江大学 2017
[4]风机齿轮箱多故障诊断问题研究[D]. 胡纯直.浙江大学 2017
[5]滚动轴承故障程度和工况不敏感智能诊断方法研究[D]. 张磊.华东交通大学 2016
[6]旋转机械强噪声中微弱故障特征提取的研究[D]. 谷伟明.燕山大学 2016
本文编号：2911849
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：96 页
【学位级别】：硕士
【部分图文】：
009-2018年中国风电累计装机容量走势
浙江大学硕士学位论文第1章绪论12故障诊断模型对噪声干扰的稳健性，通过模型优化、代价函数改进和训练样本干扰提高了模型对低信噪比故障信号的检测识别能力。第五章则是对复合故障的诊断进行了一定程度的尝试和探索。第六章简要总结了全文的研究工作内容，并对未来工作方向进行了展望。总体论文结构如图1.3所示。图1.2论文内容结构安排
浙江大学硕士学位论文第2章轴承故障与卷积神经网络理论14图2.1风电机组主要轴承部件2.1.2轴承失效原因本文研究的是滚动轴承，典型的滚动轴承主要由内圈（InnerRace）、外圈（OuterRace）、滚动体（RollingElement）以及保持架（Cage）构成，其中滚动体分为球形、圆柱形、锥柱形等，是轴承的核心元件。内圈通常与轴径配合并与轴一起旋转。外圈通常与轴承座孔或机械部件壳体配合，起支承作用。但是在某些应用场合，也有外圈旋转，内圈固定，或者内、外圈都旋转的。滚动体就是在内外圈之间的滚道中进行滚动。保持架用于保持滚动体等距均匀隔开，有利于改善载荷分配和引导滚动体在正确的轨道上运动[72]。图2.2展示了滚动轴承的基本结构示意图。由于滚动体与内外圈之间的滚动摩擦，这三个元件最容易发生损坏失效，因此轴承故障往往发生在内圈、外圈和滚动体上。引起轴承故障失效的原因有很多，除去制造和安装过程中的偏差等因素，恶劣的工作环境和复杂多变的运行工况都会引起轴承不同形式和不同程度的损伤。同时由于轴承有自身的使用寿命限制，长期工作本身也会导致轴承的退化。常见的轴承元件失效形式主要有以下几种[72][73][74]：（1）疲劳由于滚动体和内外圈表面相互滚动摩擦，同时在运行时会受到载荷的反复作用，接触面在长时间的挤压和摩擦作用下会疲劳产生裂纹，导致金属表层产生片状或点状剥落。如果轴承出现疲劳失效后不采取措施解决，持续运转工作，损坏将逐步增大。疲劳剥落是轴承故障的重要原因。
【参考文献】：
期刊论文
[1]世界能源发展趋势与中国能源未来发展方向[J]. 张所续,马伯永. 中国国土资源经济. 2019(10)
[2]小波降噪及Hilbert变换在电机轴承故障诊断中的应用[J]. 丁锋,秦峰伟. 电机与控制学报. 2017(06)
[3]复合故障诊断技术综述[J]. 张可,周东华,柴毅. 控制理论与应用. 2015(09)
[4]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京. 机械工程学报. 2015(21)
[5]风电机组状态监测与故障诊断相关技术研究[J]. 张文秀,武新芳. 电机与控制应用. 2014(02)
[6]基于时域多普勒校正和EEMD的列车轴承道旁声音监测故障诊断方法研究[J]. 刘方,沈长青,何清波,胡飞,张翱,孔凡让. 振动与冲击. 2013(24)
[7]优化KNNC算法在滚动轴承故障模式识别中应用[J]. 胡智,段礼祥,张来斌. 振动与冲击. 2013(22)
[8]基于经验模态分解和散度指标的风力发电机滚动轴承故障诊断方法[J]. 郭艳平,颜文俊,包哲静,杨强. 电力系统保护与控制. 2012(17)
[9]局部均值分解在齿轮故障诊断中的应用研究[J]. 何田,林意洲,郜普刚,申永军. 振动与冲击. 2011(06)
[10]风力发电机用轴承简述[J]. 陈龙,杜宏武,武建柯,王玲. 轴承. 2008(12)
博士论文
[1]基于变分模态分解与优化多核支持向量机的旋转机械早期故障诊断方法研究[D]. 吕中亮.重庆大学 2016
硕士论文
[1]风电机组传动系统故障诊断的技术研究[D]. 马金斗.兰州理工大学 2019
[2]风力发电机组齿轮箱振动监测与故障诊断方法研究[D]. 封新建.东北电力大学 2017
[3]结合异常检测算法的轴承故障检测研究[D]. 林超.浙江大学 2017
[4]风机齿轮箱多故障诊断问题研究[D]. 胡纯直.浙江大学 2017
[5]滚动轴承故障程度和工况不敏感智能诊断方法研究[D]. 张磊.华东交通大学 2016
[6]旋转机械强噪声中微弱故障特征提取的研究[D]. 谷伟明.燕山大学 2016
本文编号：2911849
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2911849.html
