基于振动信号的大型风力发电机齿轮箱健康状态预测研究

发布时间：2017-10-05 23:04

  本文关键词：基于振动信号的大型风力发电机齿轮箱健康状态预测研究

  更多相关文章： 风力发电机 齿轮箱 希尔伯特变换 BP神经网络 故障诊断

【摘要】：风能作为一种可持续的清洁能源，，许多国家已经把它作为可持续发展战略的重要能源。风力发电机是将风能转换成电能的主要设备，而齿轮箱作为风力发电机的关键机械系统，其健康状态对风力发电机的正常运行起着至关重要的作用。齿轮箱在运行过程中常见的故障有齿轮断齿、齿根裂纹、轴承的失效、轴磨损等，严重影响着风力发电机的正常运行。 齿轮箱产生的故障信号通常是非平稳的振动信号，而且噪声信号常常把故障振动信号的特征淹没，尤其是同时出现多种故障，更不易实现故障状态识别。 针对风力发电机齿轮箱中齿轮和轴承振动信号的振动机理及振动特点，采用BP神经网络作为故障分类的方法，通过对经验模式分解获得的本征模式函数进行希尔伯特变换，降低信号干扰，从而进行故障状态识别、为实现预测性维护齿轮箱奠定了基础。本文主要从以下几方面进行研究： （1）介绍了风力发电机故障诊断技术，研究齿轮箱振动故障的特点及故障的类型，分析几种故障振动信号的特征，进行信号处理。 （2）采用一种基于希尔伯特-黄变换边际谱分析的齿轮箱故障诊断方法实现对齿轮箱单一故障与复合故障的诊断。该方法通过对经验模式分解获得的本征模式函数进行希尔伯特变换，得到边际谱，采用谱分析的方式实现齿轮箱故障的判定。 （3）采集某风场数据，应用Matlab进行信号分析，提取故障特征频率。对齿轮箱健康状态、主轴磨损状态、轴承外圈点蚀状态和高速轴齿根裂纹状态进行分类识别。 （4）提出了BP神经网络对齿轮箱状态进行预测。根据神经网络算法建立模型实现齿轮箱故障的类型识别，齿轮箱振动信号在Matlab平台上处理结果表明神经网络系统可以实现齿轮箱状态趋势预测。
【关键词】：风力发电机 齿轮箱 希尔伯特变换 BP神经网络 故障诊断
【学位授予单位】：沈阳工业大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TM315;TH165.3
【目录】：

• 摘要5-6
• Abstract6-10
• 第一章 绪论10-16
• 1.1 课题的来源依据10
• 1.2 引言10-11
• 1.3 风力发电机组国内外研究动态11-14
• 1.4 本文主要的研究内容14-15
• 1.5 本课题的目的与意义15-16
• 第二章 齿轮箱振动机理及典型故障16-26
• 2.1 风力发电机齿轮箱基本结构16-18
• 2.2 齿轮振动产生原因及典型故障分析18-21
• 2.2.1 齿轮振动的产生原因分析18-19
• 2.2.2 齿轮典型故障分析19-21
• 2.3 轴承振动产生原因及典型故障分析21-23
• 2.3.1 滚动轴承振动产生原因分析21-22
• 2.3.2 轴承典型故障分析22-23
• 2.4 齿轮箱振动信号特征分析23-25
• 2.4.1 齿轮故障的振动信号特征23-24
• 2.4.2 滚动轴承故障的振动信号特征24-25
• 2.5 本章小结25-26
• 第三章 希尔伯特-黄变换方法应用研究26-55
• 3.1 经验模态分解法26-30
• 3.1.1 特征尺度26-27
• 3.1.2 瞬时频率27-28
• 3.1.3 内禀模态函数（IMF）28
• 3.1.4 经验模态分解法的原理28-29
• 3.1.5 经验模态分解法的算法步骤29-30
• 3.2 经验模态分解方法的特点30-32
• 3.3 希尔伯特变换32-33
• 3.4 实例应用33-36
• 3.5 振动信号采集36-39
• 3.6 振动信号处理39-54
• 3.6.1 应用希尔伯特-黄变换的齿轮箱故障初步诊断41-51
• 3.6.2 基于振动信号的经验模态分解能量特征提取51-54
• 3.7 本章小结54-55
• 第四章 神经网络预测方法研究55-65
• 4.1 BP 神经网络结构55-56
• 4.2 BP 神经网络的缺陷56-57
• 4.3 BP 神经网络的改进57-58
• 4.4 仿真应用58-63
• 4.5 齿轮箱振动信号的 BP 神经网络识别预测63-64
• 4.6 本章小结64-65
• 第五章 结论65-67
• 5.1 结论65
• 5.2 展望65-67
• 参考文献67-70
• 在学研究成果70-71
• 致谢71

【参考文献】

中国期刊全文数据库 前10条

1 刘晓娟;潘宏侠;;基于EMD分解和支持向量机的齿轮箱故障诊断与研究[J];柴油机设计与制造;2011年03期

2 邹强;刘波峰;彭镭;王家乐;;爬山算法在风力发电机组偏航控制系统中的应用[J];电网技术;2010年05期

3 王之华;王志新;;大型风力发电机组状态监测与控制技术研究[J];机电一体化;2008年11期

4 郝旺身;韩捷;董辛e

本文编号：979320