基于深度学习的风电齿轮箱故障诊断方法研究

发布时间：2021-10-14 11:12

　　随着风电行业的迅猛发展,对风电机组可靠性的要求越来越高。齿轮箱是风电机组传动系统中广泛应用的重要传动部件。在实际运行时,风电齿轮箱承受动态重载负荷,运行环境复杂,导致轴承等零部件容易发生故障。开展面向风电齿轮箱故障诊断技术的研究,对于提高风电设备的安全性和可靠性,降低维护维修费用具有重要的理论意义和应用价值。本文主要研究了基于深度学习的风电齿轮箱故障诊断技术,主要研究工作如下:首先,分别对传统故障诊断方法和深度学习方法在故障诊断领域中的应用进行分析,研究风电齿轮箱故障诊断所存在的问题,并具体分析了基于信号处理的故障诊断分类算法和基于模式识别的故障诊断分类算法的特点。在深入研究几种典型深度学习算法原理的基础上,分析和探讨不同超参数下深度学习算法的故障诊断能力,研究不同超参数对网络的影响结果。其次,针对去噪自动编码器在小样本数据集中特征提取能力不足的问题,分析去噪自动编码器基本理论,研究了一种数据预处理新方法,为了更好地引入随机性,在相邻样本之间重复利用数据点。通过超参数递减的方式优化网络中超参数的选取方式。通过分析L1正则化和L2正则化各自的优点和不足,将两种正则化方法相结合来增加网络的... 

【文章来源】：燕山大学河北省

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

陆上和海上风机吊装现场

第 1 章 绪 论性。通过与 K 最近邻算法进行结合，简化了网络结构，减时提高了准确率。于卷积神经网络的故障诊断技术：卷积神经网络进行故障诊断的一般过程，针对卷积神经网慢的问题，用基于自适应正则化系数的卷积神经网络对数类，显著降低了网络的训练时间，并有效地提升了故障诊构安排如图 1-2 所示：

图 2-1 受限玻尔兹曼机的结构于能量的生成型模型，层间节点互相连接但各层值都是随机的 0 或 1。RBM 可见层变量v和隐藏 nimjmjniijijjjiiEv,hθWhvbvah1 1 1 1点的状态向量；h表示隐含层节点的状态向量；数目；W 表示可见层节点与隐含层节点之间的型的参数，其中a和b 分别代表隐含层节点和可函数可知，在给定参数 θ W,b,a的情况下， ZθePv,hθ Ev,hθ

【参考文献】：
期刊论文
[1]基于深度信念网络的高压断路器故障识别算法[J]. 朱萌,梅飞,郑建勇,沙浩源,戴永正,顾宇锋.  电测与仪表. 2019(02)
[2]基于傅里叶分解方法的风电齿轮箱故障诊断[J]. 林近山,窦春红,赵光胜,尹建华.  机械传动. 2018(11)
[3]基于卷积神经网络和离散小波变换的滚动轴承故障诊断[J]. 陈仁祥,黄鑫,杨黎霞,汤宝平,余腾伟,周君.  振动工程学报. 2018(05)
[4]风电机组传动链故障智能识别算法研究[J]. 刘志刚,赵晓燕,张涛,敖宝林,王俊涛,党齐乾.  机械传动. 2018(09)
[5]基于深度学习算法的小样本人耳识别[J]. 李万相,田莹.  计算机仿真. 2018(08)
[6]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)
[7]基于支持向量机和遗传算法的变压器故障诊断[J]. 吐松江·卡日,高文胜,张紫薇,莫文雄,王红斌,崔屹平.  清华大学学报(自然科学版). 2018(07)
[8]基于局部均值分解多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断[J]. 孟宗,赵东方,李晶,熊景鸣,刘爽.  计量学报. 2018(02)
[9]基于数据挖掘的风电机组齿轮箱运行状态分析[J]. 贾子文,顾煜炯.  中国机械工程. 2018(06)
[10]一种新的风电机组轴承故障监测与诊断策略[J]. 齐咏生,赵鹏,高胜利,王林,刘月文.  控制工程. 2018(01)

博士论文
[1]小波分析及其在齿轮箱故障诊断中应用研究[D]. 焦新涛.华南理工大学 2014

硕士论文
[1]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
[2]基于改进的SVM和t-SNE高速列车走行部故障诊断[D]. 张雨晨.西南交通大学 2016
[3]齿轮及滚动轴承故障特征分离方法的研究[D]. 汪泽民.太原理工大学 2010
[4]基于EMD和SVM技术风电齿轮箱早期故障诊断研究[D]. 白亚红.大连理工大学 2009



本文编号：3436046