基于深度学习算法的风机传动系统故障诊断研究
发布时间：2021-09-22 00:38
近年来,随着技术的日趋成熟和人类对环境污染问题的愈加重视,风力发电在发电总装机容量中占得比重越来越大。由于工作环境恶劣且风速及方向随时都在变化,导致风力发电机组长期处于交变负载运行状态,故障频发。因此针对风电机组的故障诊断已经成为了世界范围的热点话题。传动系统是风电机组的能量中转站,同时也是发生故障频率最高的部位。本文针对风电机组传动系统的故障诊断问题,提出了一种基于深度学习算法的风机传动系统故障诊断方案。利用卷积神经网络结合短时傅里叶变换从故障数据自身学习数据与故障类型内在联系。此方法在轴承故障数据集和齿轮箱故障数据集上均取得了良好的效果。本文的主要研究工作如下:首先,根据风电机组的基本结构和工作原理,分析轴承、齿轮故障特性及原因,在前人研究基础上完成了故障诊断方案设计。将轴承、齿轮实例故障数据组成故障样本,利用短时傅里叶变换处理样本,选择合理的窗函数以及窗宽,最后将一维时域故障信号转变为适合卷积神经网络处理的二维时频图,避免了故障特征信息在频域上的丢失。然后将经过短时傅里叶变换处理但未提取特征的轴承、齿轮在不同状态下时频图组成故障数据集。将这个数据集按一定比例划分为训练集和测试集。...
【文章来源】：兰州交通大学甘肃省
【文章页数】：53 页
【学位级别】：硕士
【部分图文】：
风力发电机组组成部分
基于深度学习算法的风机传动系统故障诊断研究-8-大的应力等。当裂纹发展到一定程度时会使得部分材料脱离轴承而形成断裂。(3)变形风电机组轴承在受到很大冲击力（如外界风力过大）情况下，导致工作表面的局部应力超过轴承材料所能承受的极限，滚动轴承会产生形变，影响了它的正常旋转，缩短了它的使用寿命。2.3.2齿轮箱故障类型及原因由于齿轮箱自身存在的制造误差，以及不规范的安装过程导致齿轮经常会出现一些故障。齿轮发生的故障类型主要有点蚀、磨损和断齿等。(1)点蚀齿轮表面发生疲劳点蚀原因主要是齿轮的接触疲劳强度不足所导致的。齿轮的顶端在长期齿面应力的冲击下产生了裂纹。当裂纹汇聚到一起时，齿轮表面金属以片状形式发生脱落，造成齿面不光滑，被称为点蚀。点蚀破坏了齿轮箱运行过程的稳定性。(2)齿面磨损当齿轮接触的两齿面相对滑动时，在载荷作用下，齿面间的灰尘和硬屑粒会引起齿面磨损，特别在多灰尘场合，齿面磨损是轮齿失效的主要形式。长时间的齿面磨损可能导致齿轮发生轻微的形变，从而引起齿轮的啮合过程中不规则振动以及冲击现象，严重时会导致齿轮折断。(3)断齿齿轮工作过程中，在交变应力的作用下过大的负载以及冲击会直接作用于齿轮的根部，导致其根部受力超过材料最大承受程度，齿根处出现裂纹。长期作用下裂纹不断汇集导致轮齿部分地方出现断裂，这就形成了断齿。图2.2是齿轮箱中不同故障类型的实物图。(a)点蚀（b）裂纹（c）断齿图2.2齿轮箱不同故障类型的实物图
基于深度学习算法的风机传动系统故障诊断研究-8-大的应力等。当裂纹发展到一定程度时会使得部分材料脱离轴承而形成断裂。(3)变形风电机组轴承在受到很大冲击力（如外界风力过大）情况下，导致工作表面的局部应力超过轴承材料所能承受的极限，滚动轴承会产生形变，影响了它的正常旋转，缩短了它的使用寿命。2.3.2齿轮箱故障类型及原因由于齿轮箱自身存在的制造误差，以及不规范的安装过程导致齿轮经常会出现一些故障。齿轮发生的故障类型主要有点蚀、磨损和断齿等。(1)点蚀齿轮表面发生疲劳点蚀原因主要是齿轮的接触疲劳强度不足所导致的。齿轮的顶端在长期齿面应力的冲击下产生了裂纹。当裂纹汇聚到一起时，齿轮表面金属以片状形式发生脱落，造成齿面不光滑，被称为点蚀。点蚀破坏了齿轮箱运行过程的稳定性。(2)齿面磨损当齿轮接触的两齿面相对滑动时，在载荷作用下，齿面间的灰尘和硬屑粒会引起齿面磨损，特别在多灰尘场合，齿面磨损是轮齿失效的主要形式。长时间的齿面磨损可能导致齿轮发生轻微的形变，从而引起齿轮的啮合过程中不规则振动以及冲击现象，严重时会导致齿轮折断。(3)断齿齿轮工作过程中，在交变应力的作用下过大的负载以及冲击会直接作用于齿轮的根部，导致其根部受力超过材料最大承受程度，齿根处出现裂纹。长期作用下裂纹不断汇集导致轮齿部分地方出现断裂，这就形成了断齿。图2.2是齿轮箱中不同故障类型的实物图。(a)点蚀（b）裂纹（c）断齿图2.2齿轮箱不同故障类型的实物图
【参考文献】：
期刊论文
[1]基于警报信号和D-S证据理论的风电机组故障诊断[J]. 叶春霖,邱颖宁,冯延晖. 太阳能学报. 2019(12)
[2]深度学习在设备故障预测与健康管理中的应用[J]. 陈志强,陈旭东,José Valente de Olivira,李川. 仪器仪表学报. 2019(09)
[3]基于数据分类重建的风电机组故障预警方法[J]. 刘帅,刘长良,甄成刚. 仪器仪表学报. 2019(08)
[4]独立自适应学习率优化深度信念网络在轴承故障诊断中的应用研究[J]. 沈长青,汤盛浩,江星星,石娟娟,王俊,朱忠奎. 机械工程学报. 2019(07)
[5]一维卷积神经网络实时抗噪故障诊断算法[J]. 刘星辰,周奇才,赵炯,沈鹤鸿,熊肖磊. 哈尔滨工业大学学报. 2019(07)
[6]基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法[J]. 胡茑庆,陈徽鹏,程哲,张伦,张宇. 机械工程学报. 2019(07)
[7]基于深度学习神经网络的核电厂故障诊断技术[J]. 陈玉昇,杨燕华,林萌,余刃. 上海交通大学学报. 2018(S1)
[8]基于短时傅里叶变换的岩石声波信号分析方法研究[J]. 曹洁梅. 路基工程. 2018(06)
[9]基于自适应深度学习模型的变压器故障诊断方法[J]. 牟善仲,徐天赐,符奥,王萌,白茹. 南方电网技术. 2018(10)
[10]基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J]. 李恒,张氢,秦仙蓉,孙远韬. 振动与冲击. 2018(19)
博士论文
[1]基于变分模态分解的风电机组传动系统故障诊断研究[D]. 武英杰.华北电力大学(北京) 2016
[2]双馈异步风电机组状态监测与故障诊断系统的研究[D]. 宋磊.华北电力大学 2015
硕士论文
[1]基于特征提取的风机齿轮箱故障诊断方法研究[D]. 胡亚威.新疆大学 2019
[2]基于振动特征的风电机组传动系统机械故障诊断研究[D]. 方立华.东北电力大学 2018
[3]基于信息融合的风电机组传动系统故障诊断方法研究[D]. 母芝验.重庆交通大学 2018
[4]基于振动分析的风机齿轮箱轴承故障诊断方法的研究[D]. 张伟.华北电力大学 2018
[5]基于温度量的风电机组传动链状态评估与预测[D]. 张光.华北电力大学(北京) 2018
[6]深度学习中优化算法的研究与改进[D]. 张慧.北京邮电大学 2018
[7]基于SCADA数据和振动信息相结合的风电机组状态监测研究[D]. 孙伟.燕山大学 2017
[8]风电机组传动系统故障诊断研究[D]. 李子民.华北电力大学(北京) 2017
[9]基于深度学习模型的感应电机故障诊断方法研究[D]. 孙文珺.东南大学 2017
[10]基于电流信号分析的风力机故障仿真研究[D]. 张金卫.华中科技大学 2016
本文编号：3402804
【文章来源】：兰州交通大学甘肃省
【文章页数】：53 页
【学位级别】：硕士
【部分图文】：
风力发电机组组成部分
基于深度学习算法的风机传动系统故障诊断研究-8-大的应力等。当裂纹发展到一定程度时会使得部分材料脱离轴承而形成断裂。(3)变形风电机组轴承在受到很大冲击力（如外界风力过大）情况下，导致工作表面的局部应力超过轴承材料所能承受的极限，滚动轴承会产生形变，影响了它的正常旋转，缩短了它的使用寿命。2.3.2齿轮箱故障类型及原因由于齿轮箱自身存在的制造误差，以及不规范的安装过程导致齿轮经常会出现一些故障。齿轮发生的故障类型主要有点蚀、磨损和断齿等。(1)点蚀齿轮表面发生疲劳点蚀原因主要是齿轮的接触疲劳强度不足所导致的。齿轮的顶端在长期齿面应力的冲击下产生了裂纹。当裂纹汇聚到一起时，齿轮表面金属以片状形式发生脱落，造成齿面不光滑，被称为点蚀。点蚀破坏了齿轮箱运行过程的稳定性。(2)齿面磨损当齿轮接触的两齿面相对滑动时，在载荷作用下，齿面间的灰尘和硬屑粒会引起齿面磨损，特别在多灰尘场合，齿面磨损是轮齿失效的主要形式。长时间的齿面磨损可能导致齿轮发生轻微的形变，从而引起齿轮的啮合过程中不规则振动以及冲击现象，严重时会导致齿轮折断。(3)断齿齿轮工作过程中，在交变应力的作用下过大的负载以及冲击会直接作用于齿轮的根部，导致其根部受力超过材料最大承受程度，齿根处出现裂纹。长期作用下裂纹不断汇集导致轮齿部分地方出现断裂，这就形成了断齿。图2.2是齿轮箱中不同故障类型的实物图。(a)点蚀（b）裂纹（c）断齿图2.2齿轮箱不同故障类型的实物图
基于深度学习算法的风机传动系统故障诊断研究-8-大的应力等。当裂纹发展到一定程度时会使得部分材料脱离轴承而形成断裂。(3)变形风电机组轴承在受到很大冲击力（如外界风力过大）情况下，导致工作表面的局部应力超过轴承材料所能承受的极限，滚动轴承会产生形变，影响了它的正常旋转，缩短了它的使用寿命。2.3.2齿轮箱故障类型及原因由于齿轮箱自身存在的制造误差，以及不规范的安装过程导致齿轮经常会出现一些故障。齿轮发生的故障类型主要有点蚀、磨损和断齿等。(1)点蚀齿轮表面发生疲劳点蚀原因主要是齿轮的接触疲劳强度不足所导致的。齿轮的顶端在长期齿面应力的冲击下产生了裂纹。当裂纹汇聚到一起时，齿轮表面金属以片状形式发生脱落，造成齿面不光滑，被称为点蚀。点蚀破坏了齿轮箱运行过程的稳定性。(2)齿面磨损当齿轮接触的两齿面相对滑动时，在载荷作用下，齿面间的灰尘和硬屑粒会引起齿面磨损，特别在多灰尘场合，齿面磨损是轮齿失效的主要形式。长时间的齿面磨损可能导致齿轮发生轻微的形变，从而引起齿轮的啮合过程中不规则振动以及冲击现象，严重时会导致齿轮折断。(3)断齿齿轮工作过程中，在交变应力的作用下过大的负载以及冲击会直接作用于齿轮的根部，导致其根部受力超过材料最大承受程度，齿根处出现裂纹。长期作用下裂纹不断汇集导致轮齿部分地方出现断裂，这就形成了断齿。图2.2是齿轮箱中不同故障类型的实物图。(a)点蚀（b）裂纹（c）断齿图2.2齿轮箱不同故障类型的实物图
【参考文献】：
期刊论文
[1]基于警报信号和D-S证据理论的风电机组故障诊断[J]. 叶春霖,邱颖宁,冯延晖. 太阳能学报. 2019(12)
[2]深度学习在设备故障预测与健康管理中的应用[J]. 陈志强,陈旭东,José Valente de Olivira,李川. 仪器仪表学报. 2019(09)
[3]基于数据分类重建的风电机组故障预警方法[J]. 刘帅,刘长良,甄成刚. 仪器仪表学报. 2019(08)
[4]独立自适应学习率优化深度信念网络在轴承故障诊断中的应用研究[J]. 沈长青,汤盛浩,江星星,石娟娟,王俊,朱忠奎. 机械工程学报. 2019(07)
[5]一维卷积神经网络实时抗噪故障诊断算法[J]. 刘星辰,周奇才,赵炯,沈鹤鸿,熊肖磊. 哈尔滨工业大学学报. 2019(07)
[6]基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法[J]. 胡茑庆,陈徽鹏,程哲,张伦,张宇. 机械工程学报. 2019(07)
[7]基于深度学习神经网络的核电厂故障诊断技术[J]. 陈玉昇,杨燕华,林萌,余刃. 上海交通大学学报. 2018(S1)
[8]基于短时傅里叶变换的岩石声波信号分析方法研究[J]. 曹洁梅. 路基工程. 2018(06)
[9]基于自适应深度学习模型的变压器故障诊断方法[J]. 牟善仲,徐天赐,符奥,王萌,白茹. 南方电网技术. 2018(10)
[10]基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J]. 李恒,张氢,秦仙蓉,孙远韬. 振动与冲击. 2018(19)
博士论文
[1]基于变分模态分解的风电机组传动系统故障诊断研究[D]. 武英杰.华北电力大学(北京) 2016
[2]双馈异步风电机组状态监测与故障诊断系统的研究[D]. 宋磊.华北电力大学 2015
硕士论文
[1]基于特征提取的风机齿轮箱故障诊断方法研究[D]. 胡亚威.新疆大学 2019
[2]基于振动特征的风电机组传动系统机械故障诊断研究[D]. 方立华.东北电力大学 2018
[3]基于信息融合的风电机组传动系统故障诊断方法研究[D]. 母芝验.重庆交通大学 2018
[4]基于振动分析的风机齿轮箱轴承故障诊断方法的研究[D]. 张伟.华北电力大学 2018
[5]基于温度量的风电机组传动链状态评估与预测[D]. 张光.华北电力大学(北京) 2018
[6]深度学习中优化算法的研究与改进[D]. 张慧.北京邮电大学 2018
[7]基于SCADA数据和振动信息相结合的风电机组状态监测研究[D]. 孙伟.燕山大学 2017
[8]风电机组传动系统故障诊断研究[D]. 李子民.华北电力大学(北京) 2017
[9]基于深度学习模型的感应电机故障诊断方法研究[D]. 孙文珺.东南大学 2017
[10]基于电流信号分析的风力机故障仿真研究[D]. 张金卫.华中科技大学 2016
本文编号：3402804
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3402804.html
