基于数据驱动的风电机滚动轴承故障诊断

发布时间：2021-04-01 23:00

　　滚动轴承作为风电机的重要组成部件,工作在高速的运转状态下,其容易发生故障,因此风电机滚动轴承的故障诊断具有非常重要的研究意义。论文以风电机传动系统的滚动轴承作为研究对象,对滚动轴承振动信号进行数据处理、特征提取和故障分类,研究基于数据驱动的风电机滚动轴承故障诊断策略。主要研究内容有以下方面:（1）针对风电机滚动轴承振动信号具有非平稳、非线性等特性,且故障特征提取困难的问题,提出一种基于深度置信网络的故障诊断方法。论文通过改进的集合经验模态分解-自回归模型对滚动轴承振动信号进行处理,得到自回归模型的系数;然后将自回归模型的系数输入深度置信网络,挖掘滚动轴承的故障特征并实现故障分类。以Western Reserve University的滚动轴承数据为例进行仿真,仿真结果表明:该方法能够对风电机滚动轴承三种故障的特征进行提取,并且与传统的BP神经网络、支持向量机相比有较高的准确率。（2）为了解决风电机滚动轴承故障诊断存在采样数据量大、故障特征依赖主观选取的问题,提出了风电机滚动轴承振动信号压缩采集、自动提取特征及故障分类的方法。论文利用梯度加速法和正交三角分解理论对随机高斯观测矩阵进行优化... 

【文章来源】：江南大学江苏省 211工程院校 教育部直属院校

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

本文研究的技术路线

【参考文献】：
期刊论文
[1]基于VMD和SVDD的滚动轴承早期微弱故障检测和性能退化评估研究[J]. 王斐,房立清,赵玉龙,齐子元.  振动与冲击. 2019(22)
[2]基于自适应时频分析的滚动轴承故障诊断[J]. 荆双喜,杨晓雨,罗志鹏.  机械设计与研究. 2018(04)
[3]基于深度学习的轴承健康因子无监督构建方法[J]. 赵光权,刘小勇,姜泽东,胡聪.  仪器仪表学报. 2018(06)
[4]基于深度置信网络的风电机组主轴承故障诊断方法研究[J]. 王春梅.  自动化仪表. 2018(05)
[5]一种用于文本分类的去冗余特征选择新方法（英文）[J]. You-wei WANG,Li-zhou FENG.  Frontiers of Information Technology & Electronic Engineering. 2018(02)
[6]基于压缩采集与深度学习的轴承故障诊断方法[J]. 温江涛,闫常弘,孙洁娣,乔艳雷.  仪器仪表学报. 2018(01)
[7]基于EEMD-Hilbert包络谱和DBN的变负载下滚动轴承状态识别方法[J]. 王玉静,那晓栋,康守强,谢金宝,V I MIKULOVICH.  中国电机工程学报. 2017(23)
[8]风电场柔性直流并网系统镇定器的频域分析与设计[J]. 吕敬,蔡旭.  中国电机工程学报. 2018(14)
[9]深沟球轴承内部载荷序列与寿命计算[J]. 汪久根,徐鹤琴.  机械工程学报. 2017(15)
[10]基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 时培明,梁凯,赵娜,安淑君.  中国机械工程. 2017(09)

博士论文
[1]基于数学形态学的滚动轴承故障诊断方法研究[D]. 鄢小安.东南大学 2019
[2]滚动轴承故障特征提取与早期诊断方法研究[D]. 李永波.哈尔滨工业大学 2017

硕士论文
[1]基于数据驱动的滚动轴承故障诊断研究[D]. 董飞.中国矿业大学 2018
[2]基于EMD的风力发电机轴承故障诊断方法研究[D]. 张建坤.哈尔滨理工大学 2016
[3]基于压缩感知的OFDM系统信道估计[D]. 刘雨溪.哈尔滨工程大学 2016
[4]基于数据驱动的船舶旋转机械故障诊断方法研究及应用[D]. 董晨辰.南京航空航天大学 2016
[5]基于AR-SVPMCD的多传感器信息融合故障诊断方法研究[D]. 韩冰.东南大学 2015



本文编号：3114112