风电机组发电机轴承故障诊断方法研究

发布时间：2021-07-09 22:44

　　滚动轴承作为风力发电机组重要的旋转部件,其健康状态对于传动链甚至机组的正常运行具有重要影响。因此,开展对滚动轴承的故障检测以及诊断具有重要的现实意义。风场运行的不同阶段,其故障数据具有不同的特征。风场建设初期故障数据具有一定的不完备性,无法对轴承故障类型进行建模。当风场经过长期持续运行,各种故障类型数据具有一定积累,为模型建立提供了足够的数据支撑,便可在该数据基础上进行更为精确的故障定位。本文根据风场故障数据是否具有完备性两种情况,分别提出相应的基于深度学习的轴承故障诊断方法。在现场故障数据不完备情况下,针对传统Encoder-Decoder模型无法有效利用信号特征的问题,提出一种基于MALED的异常检测模型。该模型具有从时频信号中自动提取局部频率特征和时间特征的能力,同时能够避免信号被稀释的问题,增强了模型提取特征的能力。通过现场实际数据对模型进行测试,实验表明,本章方法对于轴承异常检测的识别率达到97%以上,验证了本章方法的有效性。在故障数据具有一定完备性的情况下,针对单一小波变换无法充分表达信号特征以及标准卷积神经网络泛化能力差的问题,提出一种基于Mw-1DConvLSTM的故障... 

【文章来源】：中国民航大学天津市

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

滚动轴承基本结构

中国民航大学硕士学位论文23第三章滚动轴承振动信号采集与预处理由于风力发电机组轴承不同部位振动信号表现出的不同频率特征，使得所测得的信号是由多种频率叠加、耦合的结果。此外，轴承故障会引入低频脉冲，而这些成分易被具有主振幅的固有高频分量和强背景噪声所掩盖。因此，在仅考虑时域信号的情况下，难以对故障特征进行有效表达，需充分考虑信号的时频特征。本章对常见时频特征提取方法（短时傅里叶变换、小波变换）进行分析，并最终选用特征表达能力较好的小波分析方法得到时频图，为后续工作提供数据支撑。3.1数据采集本文实验数据来源于山东某风场华锐SL1500型风机佳木斯发电机驱动端6328型轴承和永济发电机驱动端6332型轴承的振动信号，由安装在风机上的CMS系统采集获取，系统采样频率为25.6kHz。图3-1分别展示了CMS系统的振动传感器的安装位置（具体位于发电机驱动端的端盖处）和风力发电机组的基本结构。图3-1CMS系统发电机轴承传感器测点布置示意图

中国民航大学硕士学位论文555.4.2实验结果分析(1)多小波时频分析与单一小波时频分析振动信号在不同小波变换下提取的特征差异较大，因此有必要考虑多小波分解特征。为了验证小波分解数目对于准确率的影响，使用1~4种小波进行实验验证。实验采用图5-10所示的结构。不同条件下的实验结果如表5.5所示，可以发现本文方法在2~4个类别数目上的性能优于传统的单一小波方法。一般来说，随着数目的增加，模型可以获得更稳健的性能，因此所提出的多小波方法可以提高诊断性能。同时，可以发现当利用3小波时取得较好的效果，利用4种小波时，诊断性能并没有得到较大提升，却会增加网络训练时间，因此最终选用coif1、db3和sym2这3种重构误差最小的小波函数。图5-10基于Mw-1DConvLSTM的轴承故障诊断网络结构为更直观地理解多小波特征融合的优越性，使用t-SNE降维技术对数据特征进行可视化，不同颜色代表不同的健康状态，如图5-11所示，图5-11（a）为原始数据，可以发现原始数据不具有分类特性；图5-11（b）为将单一小波数据经过网络特征提取后可视化的结果，可以发现模型有一定的聚类趋势，但类间区分不明显；图5-11（c）为将两种小波数据经过网络特征提取后的结果，可以发现具有一定的聚类和分类特性，但分类效果不明显；图5-11（d）为将3种小波数据经过网络特征学习后的结果，可以观察到，此时网络提取的特征已经表现出良好的聚类和分类特性。可以推断出随着小波种类数目的增加，相同健康状态的特征呈现出很好的聚类特性，不同健康状态间呈现出更好的分类特性。结果表明3种小波变换提取的特征具有较强的辨识能力。进一步验证了融合多种小波特征可以大大提高特征学习能力。


本文编号：3274629