為實(shí)現(xiàn)風(fēng)電機(jī)組發(fā)電機(jī)前軸承故障預(yù)警及辨識(shí),將監(jiān)控和數(shù)據(jù)采集系統(tǒng)(SCADA)時(shí)間序列數(shù)據(jù)和狀態(tài)監(jiān)測(cè)系統(tǒng)振動(dòng)數(shù)據(jù)相結(jié)合,提出了一種時(shí)頻域建模方法。首先,利用SCADA數(shù)據(jù)建立基于門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的發(fā)電機(jī)前軸承溫度模型,并計(jì)算其溫度殘差特征;其次,提取發(fā)電機(jī)前軸承振動(dòng)信號(hào)時(shí)域特征和頻域特征;最后,將溫度殘差特征和振動(dòng)信號(hào)時(shí)頻域特征相融合,建立基于極限梯度提升的前軸承故障辨識(shí)模型,從而辨識(shí)發(fā)電機(jī)前軸承正常、內(nèi)圈損傷、外圈損傷、軸不平衡、滾動(dòng)體損傷5類(lèi)情況。實(shí)驗(yàn)研究表明,該方法比單獨(dú)利用振動(dòng)信號(hào)特征開(kāi)展前軸承故障預(yù)警辨識(shí)的準(zhǔn)確率高,其正常、內(nèi)圈損傷、外圈損傷的平均辨識(shí)準(zhǔn)確率從87%、58.5%、65%,分別提升到88.5%、67.5%和74%。

【文章頁(yè)數(shù)】：10 頁(yè)

【文章目錄】：
0 引 言
1 建模方法和思路
2 方法原理及實(shí)現(xiàn)
    2.1 基于GRU神經(jīng)網(wǎng)絡(luò)的發(fā)電機(jī)前軸承溫度模型
        1)數(shù)據(jù)預(yù)處理
        2)發(fā)電機(jī)前軸承溫度模型
    2.2 基于振動(dòng)信號(hào)的時(shí)頻域分析
        1)基于振動(dòng)信號(hào)的時(shí)域特征提取
        2)基于振動(dòng)信號(hào)的頻域特征提取
    2.3 基于XGBoost的發(fā)電機(jī)前軸承故障辨識(shí)
3 案例分析及驗(yàn)證
4 結(jié) 論



本文編號(hào)：3837242