风机故障诊断算法的研究

发布时间：2017-08-09 01:21

  本文关键词：风机故障诊断算法的研究

  更多相关文章： 粗糙集理论 主成分分析 小波神经网络 故障诊断

【摘要】：风能是一种目前国内外都在重点开发的可再生清洁能源,而风力发电机能否安全可靠的运行对发电总量至关重要。风力发电机一般是在相对恶劣的气候环境下工作,很容易发生故障,维修人员会定期对风力发电机进行检修,同时根据经验对其发生的故障进行判断。随着计算机的普及,通过在风力发电机的关键部件安装的传感器,风力发电机运行时的状态数据会被采集并存储在数据库中,通过对这些数据进行研究,找出数据中隐含的有意义的信息,可以为维修人员处理故障提供帮助,减少因故障停机造成的经济损失。本文通过对风力发电机数据进行研究,首先提出一种基于粗糙集和BP神经网络的风力发电机故障诊断方法。根据可区分矩阵的属性约简方法对数据进行降维处理,然后将这些参数作为神经网络的输入向量,采用等价类划分的方法提取神经网络中的规则并对风力发电机故障进行诊断。实验结果表明,基于粗糙集和BP神经网络的风力发电机故障诊断方法简单,可以有效避免冗余属性对神经网络产生噪声干扰,诊断率较高。但是研究过程中也发现,对于风力发电机齿轮箱和变桨系统发生的故障本方法在故障诊断过程中收敛速度比较慢,并且诊断准确率相对于诊断其它故障明显偏低。针对以上问题,本文以小波神经网络为基础,提出一种基于小波神经网络的风力发电机故障诊断方法。在本方法中,采用基于无监督学习的主成分分析的方法来对数据进行预处理,然后再用基于小波神经网络的方法来挖掘数据中的知识。针对参数值是否异常比较难以界定这一难点,提出故障偏移向量组的概念,不简单的认为参数的取值只分为正常和异常两种,认为参数取值的异常也分为很多种,可以用范围区间来区分,这些不同的异常可能会导致不同的故障,为更加准确的诊断故障提供保证。研究表明,本文提出的诊断方法,对于维修人员来说,只要在神经网络中输入风力发电机数据,不需要任何先验知识,就能对风力发电机发生的故障进行诊断,可以有效提高风力发电机故障诊断效率。
【关键词】：粗糙集理论 主成分分析 小波神经网络 故障诊断
【学位授予单位】：东北大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM315;TP183
【目录】：

• 摘要5-6
• Abstract6-11
• 第1章 绪论11-21
• 1.1 故障诊断的发展与研究现状11-13
• 1.1.1 机械设备故障诊断国内外研究现状11-12
• 1.1.2 风力发电机的故障诊断技术国内外研究现状12-13
• 1.2 小波神经网络的发展与现状13-19
• 1.2.1 人工神经网络的发展13-15
• 1.2.2 小波理论的发展15-17
• 1.2.3 小波神经网络的构造形式及特点17-18
• 1.2.4 小波神经网络的进展及应用前景18-19
• 1.3 本课题的研究意义和主要工作19-21
• 1.3.1 课题的研究意义19-20
• 1.3.2 本文主要工作20-21
• 第2章 相关理论和技术21-29
• 2.1 人工神经网络21-24
• 2.1.1 神经网络结构的设计21-22
• 2.1.2 基于BP算法的多层前馈网络模型22-24
• 2.2 小波理论24-28
• 2.2.1 小波函数24-26
• 2.2.2 连续小波变换26-27
• 2.2.3 离散小波变换27
• 2.2.4 多分辨率分析27-28
• 2.3 本章小结28-29
• 第3章 基于粗糙集和BP神经网络的风机故障诊断29-53
• 3.1 问题提出29
• 3.2 粗糙集理论和神经网络学习算法29-38
• 3.2.1 粗糙集理论29-32
• 3.2.2 差别矩阵法32-35
• 3.2.3 BP神经网络的学习算法35-38
• 3.3 总体流程38-40
• 3.4 相关定义40
• 3.5 算法步骤40-41
• 3.6 实验分析41-51
• 3.6.1 数据集41-42
• 3.6.2 实验过程42-48
• 3.6.3 实验结果48-51
• 3.7 本章小结51-53
• 第4章 基于小波神经网络的风机故障诊断53-69
• 4.1 问题提出53
• 4.2 主元分析法和小波神经网络53-58
• 4.2.1 主元分析法53-56
• 4.2.2 小波神经网络的学习算法56-58
• 4.3 总体流程58-59
• 4.4 相关定义59-60
• 4.5 算法步骤60-61
• 4.6 实验分析61-68
• 4.6.1 实验过程61-64
• 4.6.2 实验结果64-68
• 4.7 本章小结68-69
• 第5章 结束语69-71
• 5.1 全文总结69
• 5.2 进一步的工作69-71
• 参考文献71-75
• 致谢75

【参考文献】

中国期刊全文数据库 前10条

1 焦斌;徐志翔;;基于综合优化方法的风力发电机故障诊断[J];控制工程;2012年04期

2 刘艳春;杨德辉;刘艳丽;康建军;;基于神经网络的某型飞机发动机故障诊断研究[J];电子设计工程;2012年11期

3 陈雪峰;李继猛;程航;李兵;何正嘉;;风力发电机状态监测和故障诊断技术的研究与进展[J];机械工程学报;2011年09期

4 庄哲民;殷国华;李芬兰;江钟伟;;基于小波神经网络的风力发电机故障诊断[J];电工技术学报;2009年04期

5 李铁军;朱成实;叶龙;赵新君;王丹;王学平;;基于RBF人工神经网络的风机故障诊断[J];风机技术;2007年05期

6 胡梅;王红;胡庚;杨士元;;Soft Fault Diagnosis for Analog Circuits Based on Slope Fault Feature and BP Neural Networks[J];Tsinghua Science and Technology;2007年S1期

7 李丽容;;小波分析的产生、发展及应用[J];中国水运(理论版);2007年03期

8 唐新安;谢志明;王哲;吴金强;;风力机齿轮箱故障诊断[J];噪声与振动控制;2007年01期

9 徐军华,刘天琪;基于小波分解和人工神经网络的短期负荷预测[J];电网技术;2004年08期

10 张友水,冯学智,阮仁宗;基于GIS的BP神经网络遥感影像分类研究[J];南京大学学报(自然科学版);2003年06期

，

本文编号：642912