风力发电机组轴承的特征提取及其故障诊断研究
发布时间：2021-07-17 10:35
自全球进入工业时代以来,人类的生产与生活都对能源产生了越来越大的需求,这导致了传统化石能源的急剧消耗。随之产生了能源危机、温室效应以及生态环境恶化等问题。为消弭化石能源过度使用造成的影响,世界各国加速了对可再生清洁能源的开发,风能是其中一种重要的清洁能源。风力发电机组作为风力发电的主要设备,其安装容量逐年持续增加。但其所处恶劣环境导致事故频发。滚动轴承作为风力机组的关键部件,同时也是故障频发的部位。因此,有必要进行轴承的故障诊断研究。针对轴承故障诊断流程中特征提取和故障诊断两个关键环节进行研究。主要工作内容如下:（1）在分析了轴承故障诊断技术的发展历程的基础上,研究了特征提取算法以及故障诊断方法的研究现状。（2）研究了风力机组中轴承的结构以及轴承的主要故障形式,分析了轴承的故障机理以及轴承的故障特征。本文对实验数据的来源以及数据采集设备的参数作了简单描述,通过公式计算得到轴承在各类故障发生时的故障特征频率。（3）采用经验模态分解（EMD）算法结合奇异值分解（SVD）进行轴承信号的特征提取。针对经验模态分解的端点效应问题,提出改进的极值延拓算法来抑制端点效应,并通过对比实验,验证了提出算...
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
全球风电累计装机容量
的 Hilbert 谱，其为对信号时频分布的完整描述，该过uang 变换（HHT）。HHT 诞生之初就受到了各国学者的关究之后，HHT 被不断的应用到了各个领域，包括故障诊断其他方法结合，用于滚动轴承等机械设备的故障特征提取论研究并不多，实际应用时，如端点效应、模态混叠等问准确。针对这些缺陷国内外研究人员也对此进行了研究，改进措施，但仍没有彻底的解决办法。这也需要大量的科改进，完善其理论。障诊断的方法研究机组有很多的故障诊断方法，其分类如图 1-3 所示，大致可信号分析处理的故障诊断；（2）基于解析模型的故障诊断故障诊断[8,33]。
的极值延拓法理的轴承振动信号是波动性较大的非平稳信号。因此提出的尽可能多考虑信号边界特征，而非整体特征，来预测两端的例，向左预测极大值与极小值各一对，具体的延拓算法如下始信号为离散序列 x (t), t[t (1),t(2),,t(n)] = ；该序列中极大值K ,，对应时间序列为 t (U (i))；极小值序列为 L ( j), j 1,2,= 列为 t ( L(j))。1 个极值点为极大值，即 U (1 )< L(1)时，判断端点是否为))时，端点不是极值； x (1 )≤ x(L(1))时，端点为极小值。延拓小可如下表示：
【参考文献】：
期刊论文
[1]大型风力发电机组故障诊断方法综述[J]. 龙霞飞,杨苹,郭红霞,伍席文. 电网技术. 2017(11)
[2]2016年全球风电装机统计[J]. 风能. 2017(02)
[3]改进的经验模式分解在机械故障诊断中的应用[J]. 马文朋,张俊红,马梁,刘昱,贾晓杰. 振动.测试与诊断. 2015(04)
[4]EMD自适应三角波匹配延拓算法[J]. 王录雁,王强,鲁冬林,张梅军,毛迪. 振动与冲击. 2014(04)
[5]风力发电系统故障诊断方法综述[J]. 沈艳霞,李帆. 控制工程. 2013(05)
[6]基于EMD和Hilbert包络谱的灵敏轴承缺陷特征分析[J]. 梁兰兰,杨伯原,李建华. 轴承. 2013(02)
[7]我国风能资源与风电产业发展[J]. 佟昕,董媛媛. 能源研究与利用. 2012(06)
[8]一种模糊认知图分类器构造方法[J]. 马楠,杨炳儒,翟云,李广原,张德政. 北京科技大学学报. 2012(05)
[9]滚动轴承故障特征的时间—小波能量谱提取方法[J]. 张进,冯志鹏,褚福磊. 机械工程学报. 2011(17)
[10]风电机组故障智能诊断技术及系统研究[J]. 彭华东,陈晓清,任明,杨代勇,董明. 电网与清洁能源. 2011(02)
博士论文
[1]基于模糊认知图的动态系统的建模与控制[D]. 张燕丽.大连理工大学 2012
[2]基于小波分析的测量信号处理技术研究[D]. 李翔.哈尔滨工业大学 2009
[3]面向机械故障特征提取的混合时频分析方法研究[D]. 程发斌.重庆大学 2007
[4]模糊认知图模型方法及其应用研究[D]. 林春梅.东华大学 2007
硕士论文
[1]电机轴承故障诊断研究[D]. 孙永鹏.太原科技大学 2017
[2]基于振动信号的滚动轴承故障特征提取研究[D]. 孙美岩.东北石油大学 2015
[3]风力发电机组发电机和齿轮箱故障诊断方法研究[D]. 甄立敬.华北电力大学 2014
[4]基于多智能体进化算法的模糊认知图学习[D]. 朱晨.西安电子科技大学 2014
[5]风力发电机组轴承振动检测和故障诊断研究[D]. 蔡志成.华北电力大学 2014
[6]基于数据挖掘的风力发电机组齿轮箱故障诊断系统研究[D]. 彭安群.兰州理工大学 2012
[7]基于奇异值分解的信号处理方法及其在机械故障诊断中的应用[D]. 曾作钦.华南理工大学 2011
[8]风力发电机组齿轮箱早期故障诊断方法研究[D]. 张亮.大连理工大学 2010
[9]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
[10]齿轮箱轴承故障诊断的时频分析方法初步探讨[D]. 万畅.兰州理工大学 2007
本文编号：3288007
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
全球风电累计装机容量
的 Hilbert 谱，其为对信号时频分布的完整描述，该过uang 变换（HHT）。HHT 诞生之初就受到了各国学者的关究之后，HHT 被不断的应用到了各个领域，包括故障诊断其他方法结合，用于滚动轴承等机械设备的故障特征提取论研究并不多，实际应用时，如端点效应、模态混叠等问准确。针对这些缺陷国内外研究人员也对此进行了研究，改进措施，但仍没有彻底的解决办法。这也需要大量的科改进，完善其理论。障诊断的方法研究机组有很多的故障诊断方法，其分类如图 1-3 所示，大致可信号分析处理的故障诊断；（2）基于解析模型的故障诊断故障诊断[8,33]。
的极值延拓法理的轴承振动信号是波动性较大的非平稳信号。因此提出的尽可能多考虑信号边界特征，而非整体特征，来预测两端的例，向左预测极大值与极小值各一对，具体的延拓算法如下始信号为离散序列 x (t), t[t (1),t(2),,t(n)] = ；该序列中极大值K ,，对应时间序列为 t (U (i))；极小值序列为 L ( j), j 1,2,= 列为 t ( L(j))。1 个极值点为极大值，即 U (1 )< L(1)时，判断端点是否为))时，端点不是极值； x (1 )≤ x(L(1))时，端点为极小值。延拓小可如下表示：
【参考文献】：
期刊论文
[1]大型风力发电机组故障诊断方法综述[J]. 龙霞飞,杨苹,郭红霞,伍席文. 电网技术. 2017(11)
[2]2016年全球风电装机统计[J]. 风能. 2017(02)
[3]改进的经验模式分解在机械故障诊断中的应用[J]. 马文朋,张俊红,马梁,刘昱,贾晓杰. 振动.测试与诊断. 2015(04)
[4]EMD自适应三角波匹配延拓算法[J]. 王录雁,王强,鲁冬林,张梅军,毛迪. 振动与冲击. 2014(04)
[5]风力发电系统故障诊断方法综述[J]. 沈艳霞,李帆. 控制工程. 2013(05)
[6]基于EMD和Hilbert包络谱的灵敏轴承缺陷特征分析[J]. 梁兰兰,杨伯原,李建华. 轴承. 2013(02)
[7]我国风能资源与风电产业发展[J]. 佟昕,董媛媛. 能源研究与利用. 2012(06)
[8]一种模糊认知图分类器构造方法[J]. 马楠,杨炳儒,翟云,李广原,张德政. 北京科技大学学报. 2012(05)
[9]滚动轴承故障特征的时间—小波能量谱提取方法[J]. 张进,冯志鹏,褚福磊. 机械工程学报. 2011(17)
[10]风电机组故障智能诊断技术及系统研究[J]. 彭华东,陈晓清,任明,杨代勇,董明. 电网与清洁能源. 2011(02)
博士论文
[1]基于模糊认知图的动态系统的建模与控制[D]. 张燕丽.大连理工大学 2012
[2]基于小波分析的测量信号处理技术研究[D]. 李翔.哈尔滨工业大学 2009
[3]面向机械故障特征提取的混合时频分析方法研究[D]. 程发斌.重庆大学 2007
[4]模糊认知图模型方法及其应用研究[D]. 林春梅.东华大学 2007
硕士论文
[1]电机轴承故障诊断研究[D]. 孙永鹏.太原科技大学 2017
[2]基于振动信号的滚动轴承故障特征提取研究[D]. 孙美岩.东北石油大学 2015
[3]风力发电机组发电机和齿轮箱故障诊断方法研究[D]. 甄立敬.华北电力大学 2014
[4]基于多智能体进化算法的模糊认知图学习[D]. 朱晨.西安电子科技大学 2014
[5]风力发电机组轴承振动检测和故障诊断研究[D]. 蔡志成.华北电力大学 2014
[6]基于数据挖掘的风力发电机组齿轮箱故障诊断系统研究[D]. 彭安群.兰州理工大学 2012
[7]基于奇异值分解的信号处理方法及其在机械故障诊断中的应用[D]. 曾作钦.华南理工大学 2011
[8]风力发电机组齿轮箱早期故障诊断方法研究[D]. 张亮.大连理工大学 2010
[9]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
[10]齿轮箱轴承故障诊断的时频分析方法初步探讨[D]. 万畅.兰州理工大学 2007
本文编号：3288007
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3288007.html
