滾動(dòng)軸承作為風(fēng)力發(fā)電機(jī)組重要的旋轉(zhuǎn)部件,其健康狀態(tài)對(duì)于傳動(dòng)鏈甚至機(jī)組的正常運(yùn)行具有重要影響。因此,開(kāi)展對(duì)滾動(dòng)軸承的故障檢測(cè)以及診斷具有重要的現(xiàn)實(shí)意義。風(fēng)場(chǎng)運(yùn)行的不同階段,其故障數(shù)據(jù)具有不同的特征。風(fēng)場(chǎng)建設(shè)初期故障數(shù)據(jù)具有一定的不完備性,無(wú)法對(duì)軸承故障類型進(jìn)行建模。當(dāng)風(fēng)場(chǎng)經(jīng)過(guò)長(zhǎng)期持續(xù)運(yùn)行,各種故障類型數(shù)據(jù)具有一定積累,為模型建立提供了足夠的數(shù)據(jù)支撐,便可在該數(shù)據(jù)基礎(chǔ)上進(jìn)行更為精確的故障定位。本文根據(jù)風(fēng)場(chǎng)故障數(shù)據(jù)是否具有完備性兩種情況,分別提出相應(yīng)的基于深度學(xué)習(xí)的軸承故障診斷方法。在現(xiàn)場(chǎng)故障數(shù)據(jù)不完備情況下,針對(duì)傳統(tǒng)Encoder-Decoder模型無(wú)法有效利用信號(hào)特征的問(wèn)題,提出一種基于MALED的異常檢測(cè)模型。該模型具有從時(shí)頻信號(hào)中自動(dòng)提取局部頻率特征和時(shí)間特征的能力,同時(shí)能夠避免信號(hào)被稀釋的問(wèn)題,增強(qiáng)了模型提取特征的能力。通過(guò)現(xiàn)場(chǎng)實(shí)際數(shù)據(jù)對(duì)模型進(jìn)行測(cè)試,實(shí)驗(yàn)表明,本章方法對(duì)于軸承異常檢測(cè)的識(shí)別率達(dá)到97%以上,驗(yàn)證了本章方法的有效性。在故障數(shù)據(jù)具有一定完備性的情況下,針對(duì)單一小波變換無(wú)法充分表達(dá)信號(hào)特征以及標(biāo)準(zhǔn)卷積神經(jīng)網(wǎng)絡(luò)泛化能力差的問(wèn)題,提出一種基于Mw-1DConvLSTM的故障... 

【文章來(lái)源】：中國(guó)民航大學(xué)天津市

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

滾動(dòng)軸承基本結(jié)構(gòu)

中國(guó)民航大學(xué)碩士學(xué)位論文23第三章滾動(dòng)軸承振動(dòng)信號(hào)采集與預(yù)處理由于風(fēng)力發(fā)電機(jī)組軸承不同部位振動(dòng)信號(hào)表現(xiàn)出的不同頻率特征，使得所測(cè)得的信號(hào)是由多種頻率疊加、耦合的結(jié)果。此外，軸承故障會(huì)引入低頻脈沖，而這些成分易被具有主振幅的固有高頻分量和強(qiáng)背景噪聲所掩蓋。因此，在僅考慮時(shí)域信號(hào)的情況下，難以對(duì)故障特征進(jìn)行有效表達(dá)，需充分考慮信號(hào)的時(shí)頻特征。本章對(duì)常見(jiàn)時(shí)頻特征提取方法（短時(shí)傅里葉變換、小波變換）進(jìn)行分析，并最終選用特征表達(dá)能力較好的小波分析方法得到時(shí)頻圖，為后續(xù)工作提供數(shù)據(jù)支撐。3.1數(shù)據(jù)采集本文實(shí)驗(yàn)數(shù)據(jù)來(lái)源于山東某風(fēng)場(chǎng)華銳SL1500型風(fēng)機(jī)佳木斯發(fā)電機(jī)驅(qū)動(dòng)端6328型軸承和永濟(jì)發(fā)電機(jī)驅(qū)動(dòng)端6332型軸承的振動(dòng)信號(hào)，由安裝在風(fēng)機(jī)上的CMS系統(tǒng)采集獲取，系統(tǒng)采樣頻率為25.6kHz。圖3-1分別展示了CMS系統(tǒng)的振動(dòng)傳感器的安裝位置（具體位于發(fā)電機(jī)驅(qū)動(dòng)端的端蓋處）和風(fēng)力發(fā)電機(jī)組的基本結(jié)構(gòu)。圖3-1CMS系統(tǒng)發(fā)電機(jī)軸承傳感器測(cè)點(diǎn)布置示意圖

中國(guó)民航大學(xué)碩士學(xué)位論文555.4.2實(shí)驗(yàn)結(jié)果分析(1)多小波時(shí)頻分析與單一小波時(shí)頻分析振動(dòng)信號(hào)在不同小波變換下提取的特征差異較大，因此有必要考慮多小波分解特征。為了驗(yàn)證小波分解數(shù)目對(duì)于準(zhǔn)確率的影響，使用1~4種小波進(jìn)行實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)采用圖5-10所示的結(jié)構(gòu)。不同條件下的實(shí)驗(yàn)結(jié)果如表5.5所示，可以發(fā)現(xiàn)本文方法在2~4個(gè)類別數(shù)目上的性能優(yōu)于傳統(tǒng)的單一小波方法。一般來(lái)說(shuō)，隨著數(shù)目的增加，模型可以獲得更穩(wěn)健的性能，因此所提出的多小波方法可以提高診斷性能。同時(shí)，可以發(fā)現(xiàn)當(dāng)利用3小波時(shí)取得較好的效果，利用4種小波時(shí)，診斷性能并沒(méi)有得到較大提升，卻會(huì)增加網(wǎng)絡(luò)訓(xùn)練時(shí)間，因此最終選用coif1、db3和sym2這3種重構(gòu)誤差最小的小波函數(shù)。圖5-10基于Mw-1DConvLSTM的軸承故障診斷網(wǎng)絡(luò)結(jié)構(gòu)為更直觀地理解多小波特征融合的優(yōu)越性，使用t-SNE降維技術(shù)對(duì)數(shù)據(jù)特征進(jìn)行可視化，不同顏色代表不同的健康狀態(tài)，如圖5-11所示，圖5-11（a）為原始數(shù)據(jù)，可以發(fā)現(xiàn)原始數(shù)據(jù)不具有分類特性；圖5-11（b）為將單一小波數(shù)據(jù)經(jīng)過(guò)網(wǎng)絡(luò)特征提取后可視化的結(jié)果，可以發(fā)現(xiàn)模型有一定的聚類趨勢(shì)，但類間區(qū)分不明顯；圖5-11（c）為將兩種小波數(shù)據(jù)經(jīng)過(guò)網(wǎng)絡(luò)特征提取后的結(jié)果，可以發(fā)現(xiàn)具有一定的聚類和分類特性，但分類效果不明顯；圖5-11（d）為將3種小波數(shù)據(jù)經(jīng)過(guò)網(wǎng)絡(luò)特征學(xué)習(xí)后的結(jié)果，可以觀察到，此時(shí)網(wǎng)絡(luò)提取的特征已經(jīng)表現(xiàn)出良好的聚類和分類特性�？梢酝茢喑鲭S著小波種類數(shù)目的增加，相同健康狀態(tài)的特征呈現(xiàn)出很好的聚類特性，不同健康狀態(tài)間呈現(xiàn)出更好的分類特性。結(jié)果表明3種小波變換提取的特征具有較強(qiáng)的辨識(shí)能力。進(jìn)一步驗(yàn)證了融合多種小波特征可以大大提高特征學(xué)習(xí)能力。


本文編號(hào)：3274629