基于冗余技术的电力风机健康监测系统的设计与实现

发布时间：2020-08-21 18:50

【摘要】：时代日新月异,电力风机作为电力生产环节的一个重要的组成部分,人们对它的稳定性、可靠性和安全性都有着很高的要求。然而由于电力生产情况复杂、现场环境恶劣,工人很难及时、有效地对设备问题点进行快速定位,并进行针对性的维修。本课题针对这一问题,设计并实现了一套基于冗余技术的电力风机健康监测系统,本系统能够在保障监测系统稳定性的情况下对风机的运行状态进行实时、有效的健康监测,从而保证了风机能够较为平衡、高效地投入生产工作。本课题设计了带有冗余功能的数据采集主控板。此控制板采用双处理器工作模式,以i.MX6UL核心板为主处理器,以STM32F103RCT6芯片为从处理器。从处理器以SPI通信进行状态监测,根据主机状态进行主从机工作模式切换。通过ADC转换模块采集振动信号,通过RS485总线获取过来的风机状态信号,并通过4G模块发送到云平台。本课题设计了云端数据库软件和本地监控主机软件。云端数据库软件用于接收来自数据采集主控板的风机状态数据,并进行数据库存储。本课题设计的本地监控主机软件向上述的数据库中调取数据并转化为实际的物理量,在软件上实时显示,并提供数据下载、数据曲线显示、历史数据查询等功能。实现了对风机状态的远程实时的状态监测功能。本课题基于机械故障特征分析,采用小波包分解—经验模态分解的故障特征提取算法,将小波包分解去噪后的信号通过经验模态分解算法提取出机械故障特征向量,并将其输入到BP神经网络中,通过训练、模拟、仿真,验证了其能够实现对风机故障的诊断。最后,本论文针对系统设计给出了部分测试方案和整体测试方案。通过测试结果验证,本系统实现了处理器的冗余功能,保证控制模块可以稳定、可靠的运行。各个模块之间可以协同合作,完成任务需求,能够实现对电力风机的健康状态的在线观测、诊断,整个系统具有较高的可靠性和稳定性。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TM315;TP274
【图文】：

流程图,时间特征,故障监测,神经网络算法

图 1-1 基于统计时间特征和神经网络算法的故障监测流程[16]2015 年突尼斯大学 JaouherBen Ali 教授等人提出了一种基于振动信号经验模态分解和人工神经网络技术的轴承故障诊断技术[17]，其提出了基于经验模态分解(EMD，Empirical Mode Decomposition)能量熵的故障提取方式，将故障提取值输入到人工神经网络(ANN，Artificial Neural Network)中，从而来对轴承的故障问题进行分类。实验结果表明，所提出的基于运动-故障振动信号的方法可以对轴承的缺陷进行可靠的分类。如图 1-2 通过使用健康指数(HI，Health Index)，能够在不同的缺陷类型和不同的情况下很好地检测到的轴承退化。

故障情况,三维坐标,能量,经验模态分解

框架图,统计特征,支持向量机,框架

1-3 基于小波分解、统计特征提取、支持向量机的智能状态监测框架对基于 DWT 和 WPT 的故障检测进行了分析，从齿轮箱的原始伤信息。在此方法中，从 DWT 取得包含统计计算特征的小波系轮箱的能量特点进行了运算，并对其统计特点进行了分析。从作为 SVM 和 ANN 分类器的输入量。采用改进的距离评估技NN 的敏感输入特性。利用网格查找方式对 SVM 中的因子和内。最终，对 SVM 和安算法进行了优化，以检测齿轮箱的损伤。结坏检测使用能量特征提取 WPT 或其统计值作为输入特性学习系数的统计值作为输入参数会产生更高的分类精度。内研究现状内关于机械故障诊断技术的起步较晚，但近年来随着教育、科技国内关于机械故障诊断方面的技术研究也越来越多。年华东电力大学富双进提出电站风机故障预警系统的方法研究

【参考文献】