【摘要】：時(shí)代日新月異,電力風(fēng)機(jī)作為電力生產(chǎn)環(huán)節(jié)的一個(gè)重要的組成部分,人們對(duì)它的穩(wěn)定性、可靠性和安全性都有著很高的要求。然而由于電力生產(chǎn)情況復(fù)雜、現(xiàn)場(chǎng)環(huán)境惡劣,工人很難及時(shí)、有效地對(duì)設(shè)備問(wèn)題點(diǎn)進(jìn)行快速定位,并進(jìn)行針對(duì)性的維修。本課題針對(duì)這一問(wèn)題,設(shè)計(jì)并實(shí)現(xiàn)了一套基于冗余技術(shù)的電力風(fēng)機(jī)健康監(jiān)測(cè)系統(tǒng),本系統(tǒng)能夠在保障監(jiān)測(cè)系統(tǒng)穩(wěn)定性的情況下對(duì)風(fēng)機(jī)的運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)、有效的健康監(jiān)測(cè),從而保證了風(fēng)機(jī)能夠較為平衡、高效地投入生產(chǎn)工作。本課題設(shè)計(jì)了帶有冗余功能的數(shù)據(jù)采集主控板。此控制板采用雙處理器工作模式,以i.MX6UL核心板為主處理器,以STM32F103RCT6芯片為從處理器。從處理器以SPI通信進(jìn)行狀態(tài)監(jiān)測(cè),根據(jù)主機(jī)狀態(tài)進(jìn)行主從機(jī)工作模式切換。通過(guò)ADC轉(zhuǎn)換模塊采集振動(dòng)信號(hào),通過(guò)RS485總線獲取過(guò)來(lái)的風(fēng)機(jī)狀態(tài)信號(hào),并通過(guò)4G模塊發(fā)送到云平臺(tái)。本課題設(shè)計(jì)了云端數(shù)據(jù)庫(kù)軟件和本地監(jiān)控主機(jī)軟件。云端數(shù)據(jù)庫(kù)軟件用于接收來(lái)自數(shù)據(jù)采集主控板的風(fēng)機(jī)狀態(tài)數(shù)據(jù),并進(jìn)行數(shù)據(jù)庫(kù)存儲(chǔ)。本課題設(shè)計(jì)的本地監(jiān)控主機(jī)軟件向上述的數(shù)據(jù)庫(kù)中調(diào)取數(shù)據(jù)并轉(zhuǎn)化為實(shí)際的物理量,在軟件上實(shí)時(shí)顯示,并提供數(shù)據(jù)下載、數(shù)據(jù)曲線顯示、歷史數(shù)據(jù)查詢(xún)等功能。實(shí)現(xiàn)了對(duì)風(fēng)機(jī)狀態(tài)的遠(yuǎn)程實(shí)時(shí)的狀態(tài)監(jiān)測(cè)功能。本課題基于機(jī)械故障特征分析,采用小波包分解—經(jīng)驗(yàn)?zāi)B(tài)分解的故障特征提取算法,將小波包分解去噪后的信號(hào)通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解算法提取出機(jī)械故障特征向量,并將其輸入到BP神經(jīng)網(wǎng)絡(luò)中,通過(guò)訓(xùn)練、模擬、仿真,驗(yàn)證了其能夠?qū)崿F(xiàn)對(duì)風(fēng)機(jī)故障的診斷。最后,本論文針對(duì)系統(tǒng)設(shè)計(jì)給出了部分測(cè)試方案和整體測(cè)試方案。通過(guò)測(cè)試結(jié)果驗(yàn)證,本系統(tǒng)實(shí)現(xiàn)了處理器的冗余功能,保證控制模塊可以穩(wěn)定、可靠的運(yùn)行。各個(gè)模塊之間可以協(xié)同合作,完成任務(wù)需求,能夠?qū)崿F(xiàn)對(duì)電力風(fēng)機(jī)的健康狀態(tài)的在線觀測(cè)、診斷,整個(gè)系統(tǒng)具有較高的可靠性和穩(wěn)定性。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：TM315;TP274
【圖文】：

圖 1-1 基于統(tǒng)計(jì)時(shí)間特征和神經(jīng)網(wǎng)絡(luò)算法的故障監(jiān)測(cè)流程[16]2015 年突尼斯大學(xué) JaouherBen Ali 教授等人提出了一種基于振動(dòng)信號(hào)經(jīng)驗(yàn)?zāi)B(tài)分解和人工神經(jīng)網(wǎng)絡(luò)技術(shù)的軸承故障診斷技術(shù)[17]，其提出了基于經(jīng)驗(yàn)?zāi)B(tài)分解(EMD，Empirical Mode Decomposition)能量熵的故障提取方式，將故障提取值輸入到人工神經(jīng)網(wǎng)絡(luò)(ANN，Artificial Neural Network)中，從而來(lái)對(duì)軸承的故障問(wèn)題進(jìn)行分類(lèi)。實(shí)驗(yàn)結(jié)果表明，所提出的基于運(yùn)動(dòng)-故障振動(dòng)信號(hào)的方法可以對(duì)軸承的缺陷進(jìn)行可靠的分類(lèi)。如圖 1-2 通過(guò)使用健康指數(shù)(HI，Health Index)，能夠在不同的缺陷類(lèi)型和不同的情況下很好地檢測(cè)到的軸承退化。

圖 1-1 基于統(tǒng)計(jì)時(shí)間特征和神經(jīng)網(wǎng)絡(luò)算法的故障監(jiān)測(cè)流程[16]2015 年突尼斯大學(xué) JaouherBen Ali 教授等人提出了一種基于振動(dòng)信號(hào)經(jīng)驗(yàn)?zāi)B(tài)分解和人工神經(jīng)網(wǎng)絡(luò)技術(shù)的軸承故障診斷技術(shù)[17]，其提出了基于經(jīng)驗(yàn)?zāi)B(tài)分解(EMD，Empirical Mode Decomposition)能量熵的故障提取方式，將故障提取值輸入到人工神經(jīng)網(wǎng)絡(luò)(ANN，Artificial Neural Network)中，從而來(lái)對(duì)軸承的故障問(wèn)題進(jìn)行分類(lèi)。實(shí)驗(yàn)結(jié)果表明，所提出的基于運(yùn)動(dòng)-故障振動(dòng)信號(hào)的方法可以對(duì)軸承的缺陷進(jìn)行可靠的分類(lèi)。如圖 1-2 通過(guò)使用健康指數(shù)(HI，Health Index)，能夠在不同的缺陷類(lèi)型和不同的情況下很好地檢測(cè)到的軸承退化。

1-3 基于小波分解、統(tǒng)計(jì)特征提取、支持向量機(jī)的智能狀態(tài)監(jiān)測(cè)框架對(duì)基于 DWT 和 WPT 的故障檢測(cè)進(jìn)行了分析，從齒輪箱的原始傷信息。在此方法中，從 DWT 取得包含統(tǒng)計(jì)計(jì)算特征的小波系輪箱的能量特點(diǎn)進(jìn)行了運(yùn)算，并對(duì)其統(tǒng)計(jì)特點(diǎn)進(jìn)行了分析。從作為 SVM 和 ANN 分類(lèi)器的輸入量。采用改進(jìn)的距離評(píng)估技NN 的敏感輸入特性。利用網(wǎng)格查找方式對(duì) SVM 中的因子和內(nèi)。最終，對(duì) SVM 和安算法進(jìn)行了優(yōu)化，以檢測(cè)齒輪箱的損傷。結(jié)壞檢測(cè)使用能量特征提取 WPT 或其統(tǒng)計(jì)值作為輸入特性學(xué)習(xí)系數(shù)的統(tǒng)計(jì)值作為輸入?yún)?shù)會(huì)產(chǎn)生更高的分類(lèi)精度。內(nèi)研究現(xiàn)狀內(nèi)關(guān)于機(jī)械故障診斷技術(shù)的起步較晚，但近年來(lái)隨著教育、科技國(guó)內(nèi)關(guān)于機(jī)械故障診斷方面的技術(shù)研究也越來(lái)越多。 年華東電力大學(xué)富雙進(jìn)提出電站風(fēng)機(jī)故障預(yù)警系統(tǒng)的方法研究

【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 李志農(nóng);朱明;褚福磊;肖堯先;;基于經(jīng)驗(yàn)小波變換的機(jī)械故障診斷方法研究[J];儀器儀表學(xué)報(bào);2014年11期

2 丘世因;袁銳波;;基于小波包分解的滾動(dòng)軸承故障信號(hào)頻域特征提取方法研究[J];機(jī)械與電子;2014年05期

3 葉瑞召;李萬(wàn)紅;;基于小波包分解和BP神經(jīng)網(wǎng)絡(luò)的軸承故障診斷[J];軸承;2012年10期

4 顏世玉;劉沖;趙海濱;王宏;;基于小波包分解的意識(shí)腦電特征提取[J];儀器儀表學(xué)報(bào);2012年08期

5 王亞萍;張振福;;電力設(shè)備故障及監(jiān)測(cè)診斷技術(shù)概析[J];中國(guó)高新技術(shù)企業(yè);2011年25期

6 程江寧;;風(fēng)機(jī)在線監(jiān)測(cè)和故障診斷系統(tǒng)設(shè)計(jì)[J];鑿巖機(jī)械氣動(dòng)工具;2009年03期

7 楊國(guó)安,鐘秉林,黃仁,賈民平,許云飛;機(jī)械故障信號(hào)小波包分解的時(shí)域特征提取方法研究[J];振動(dòng)與沖擊;2001年02期

相關(guān)博士學(xué)位論文 前3條

1 陳偉;郵政旋轉(zhuǎn)設(shè)備系統(tǒng)故障診斷方法研究[D];北京郵電大學(xué);2016年

2 潘作為;大功率電站風(fēng)機(jī)振動(dòng)監(jiān)測(cè)及故障診斷方法研究[D];華北電力大學(xué)(北京);2016年

3 朱霄s

本文編號(hào)：2799735