本文關鍵詞：基于齒輪箱數(shù)據(jù)處理的故障預警與診斷系統(tǒng)，由筆耕文化傳播整理發(fā)布。

【摘要】：針對風電齒輪箱故障診斷的特點----關聯(lián)性強，海量運行數(shù)據(jù)，變量多等，在分析齒輪箱故障時，不能單一地只針對發(fā)生故障的部件進行故障分析，而需要考慮齒輪箱內部各部件的相關性，并建立動態(tài)，多變量的模型進行分析。因此，處理齒輪箱的海量數(shù)據(jù)和準確而迅速的排除潛在故障對于齒輪箱的安全運行意義重大。針對這些問題本文做了如下工作： 第一，本文對近年來的狀態(tài)監(jiān)測方法和故障預警及診斷技術進行了系統(tǒng)、全面的分析與研究，指出神經網絡建模是需要耗時的學習過程，學習樣本的選擇缺乏依據(jù)，并且基于神經網絡的故障診斷方法會遇到整理專家經驗困難等問題；通過小波分析方法處理高速采集的振動信號與實際齒輪箱的運行狀態(tài)有較大差別，并且振動信號存在難以提取和外部干擾過多等缺陷；基于FTA的故障診斷方法隨著系統(tǒng)復雜程度的提高，根據(jù)規(guī)則進行推理的速度就會變慢，無法及時提供診斷結果。 第二，針對齒輪箱的狀態(tài)監(jiān)測方法中遇到的問題，本文提出一種以易于采集的油溫信號來分析齒輪箱故障的方法。通過分析齒輪箱溫度的變化趨勢，建立非線性狀態(tài)估計(NSET)溫度預測模型，再根據(jù)統(tǒng)計的殘差變化，與通過驗證集合確定出的殘差均值和標準差的故障閾值作對比，預測潛在故障，優(yōu)化運行。 第三，根據(jù)非線性狀態(tài)估計法預測出的齒輪箱油溫、油壓異常故障，結合齒輪箱的故障實例，通過將FTA和BAM融合在一起，將經過FTA去除冗余故障數(shù)據(jù)之后的獨立、正交的故障數(shù)據(jù)作為訓練樣本，提供給BAM網絡進行訓練，結合分析與總結故障征兆、故障模式和故障原因之間的對應關系，得出診斷結果，判斷故障原因、給出預維修策略。 第四，在上述狀態(tài)監(jiān)測和故障診斷的基礎上，結合專家系統(tǒng)，設計出齒輪箱故障診斷輔助決策系統(tǒng)，通過知識獲取、故障診斷、在線診斷等模塊，完成智能化故障報警、故障樹查詢、BAM網絡診斷等功能。
【關鍵詞】：FTA 非線性狀態(tài)估計 BAM神經網絡
【學位授予單位】：河北工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TH132.41;TP277
【目錄】：

• 摘要4-5
• ABSTRACT5-8
• 第一章 緒論8-14
• 1.1 課題研究的背景和意義8-11
• 1.2 國內外研究現(xiàn)狀和發(fā)展趨勢11-13
• 1.2.1 故障預警和診斷技術發(fā)展概述11-12
• 1.2.2 風電機組齒輪箱的發(fā)展概況12-13
• 1.2.3 齒輪箱在線監(jiān)測與故障診斷技術發(fā)展概況13
• 1.3 本文的主要研究內容13-14
• 第二章 齒輪箱故障類型及診斷方法研究14-24
• 2.1 風電機組齒輪箱的介紹14-16
• 2.1.1 風電機組齒輪箱的結構與用途14-15
• 2.1.2 風電機組齒輪箱的工作狀況15-16
• 2.2 風電機組齒輪箱的故障統(tǒng)計16-20
• 2.2.1 風電機組齒輪箱的故障類型16-19
• 2.2.2 風電機組齒輪箱的故障原因19-20
• 2.2.3 風電機組齒輪箱的維護20
• 2.3 風電機組齒輪箱的故障診斷方法20-23
• 2.4 本章小結23-24
• 第三章 風電齒輪箱溫度趨勢狀態(tài)監(jiān)測及分析方法24-38
• 3.1 數(shù)據(jù)預處理24-26
• 3.1.1 數(shù)據(jù)預處理原則24-25
• 3.1.2 研究對象選取及數(shù)據(jù)預處理25-26
• 3.2 齒輪箱溫度 NSET 建模及預測26-33
• 3.2.1 非線性狀態(tài)估計法原理26-28
• 3.2.2 齒輪箱溫度 NSET 建模變量選取28-31
• 3.2.3 模型結果分析與評價31-33
• 3.3 神經網絡與 NSET 建模對比33-36
• 3.3.1 BP 神經網絡與 NSET 模型對比33-34
• 3.3.2 Elman 神經網絡與 NSET 模型對比34-35
• 3.3.3 遺傳算法優(yōu)化 BP 神經網絡與 NSET 模型對比35-36
• 3.3.4 遺傳算法函數(shù)極值尋優(yōu)BP 神經網絡與 NSET 模型對比36
• 3.4 本章小結36-38
• 第四章 融合 FTA 和 BAM 的齒輪箱故障診斷方法38-48
• 4.1 故障樹理論研究38-39
• 4.1.1 故障樹分析法38-39
• 4.1.2 故障樹的建立39
• 4.2 神經網絡和 BAM 算法39-43
• 4.2.1 神經網絡的基本特點39-40
• 4.2.2 BAM 神經網絡40-43
• 4.3 基于 FTA 的樣本整理43-45
• 4.4 基于 BAM 網絡的故障診斷45-47
• 4.5 本章小結47-48
• 第五章 齒輪箱狀態(tài)監(jiān)測與故障診斷系統(tǒng)設計與研究48-62
• 5.1 狀態(tài)監(jiān)測與故障診斷系統(tǒng)設計48-51
• 5.2 故障診斷模型及流程51-55
• 5.2.1 需求分析51-52
• 5.2.2 故障診斷模型52-54
• 5.2.3 故障診斷工作流程54-55
• 5.3 系統(tǒng)模塊設計55-59
• 5.3.1 開發(fā)環(huán)境55
• 5.3.2 故障診斷故障樹設計55-57
• 5.3.3 數(shù)據(jù)庫設計57-59
• 5.4 實驗驗證59-61
• 5.4.1 故障樹查詢59-60
• 5.4.2 BAM 網絡診斷60-61
• 5.4.3 BAM 網絡的穩(wěn)定性與收斂性61
• 5.5 本章小結61-62
• 第六章 總結與展望62-64
• 參考文獻64-69
• 致謝69-70
• 攻讀學位期間所取得的相關科研成果70

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 黃華;席軍強;肖寬;陽鄧華;;Development of AMT Fault Diagnosis Technique Based on KWP2000[J];Journal of Beijing Institute of Technology;2010年01期

2 王新勇;陳濤;;采用變頻器故障樹為訓練樣本的BAM神經網絡故障診斷方法[J];電光與控制;2011年05期

3 王洪;朱銳;;數(shù)據(jù)庫存儲過程設計及應用[J];電子信息對抗技術;2009年02期

4 于良峰;趙登利;吳樹梁;;風電機組齒輪箱故障分析及改進措施[J];風能;2012年10期

5 孟恩隆;郭東杰;王靈梅;郭紅龍;武衛(wèi)紅;韓西貴;;風力發(fā)電機組狀態(tài)監(jiān)測與智能故障診斷系統(tǒng)的設計與實現(xiàn)[J];華東電力;2012年03期

6 楊佳鑫;齊蘊光;蔡兆中;;齒輪箱故障診斷技術現(xiàn)狀與發(fā)展趨勢[J];機電信息;2011年36期

7 時建峰;時軍;時偉;周明;李增賀;;基于小波包與改進BP神經網絡的齒輪故障診斷[J];機械研究與應用;2011年01期

8 劉迅;;基于故障樹與BAM神經網絡的智能故障診斷方法[J];科學技術與工程;2010年13期

9 王宇雷;馬廣富;李傳江;;Fault diagnosis using robust cascade observers with application to spacecraft attitude control[J];Journal of Harbin Institute of Technology;2011年04期

10 傘冶;郭珂;朱奕;;Analog circuit intelligent fault diagnosis based on GKPCA and multi-class SVM approach[J];Journal of Harbin Institute of Technology;2012年06期

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 魏秀業(yè);基于粒子群優(yōu)化的齒輪箱智能故障診斷研究[D];中北大學;2009年

2 韓琦;神經網絡的穩(wěn)定性及其在聯(lián)想記憶中的應用研究[D];重慶大學;2012年

  本文關鍵詞：基于齒輪箱數(shù)據(jù)處理的故障預警與診斷系統(tǒng)，，由筆耕文化傳播整理發(fā)布。

本文編號：325171