当前位置: > 博士毕业论文 > 91090字博士毕业论文基于盲源分离的风力发电机主轴承振动诊断研究

91090字博士毕业论文基于盲源分离的风力发电机主轴承振动诊断研究

论文类型:博士毕业论文
论文字数:91090字
论点:机主,轴承,信号
论文概述:

本文是优秀博士论文,本文探讨了盲源分离的基本理论和盲源分离算法,主要阐述了 FastICA 算法和JADE 算法的计算过程,并指出这些算法存在的不足之处。

论文正文:

第一章引言

随着风能的不断发展,风力发电机正在向[大规模发展。风力发电产业的快速增长必须得到风力发电设备快速增长的支撑。轴承作为风力发电机传动系统的核心部件,其可靠性对整个风力发电系统的运行起着至关重要的作用。风力发电机专用轴承主要包括偏航轴承、变桨轴承、主轴承、增速轴承、发电机轴承等。其中,主轴承最重要,也最容易失效。风力发电机传动系统中齿轮箱、叶片等部件的故障大多是由主轴承故障引起的,也可以反映在主轴承的运行状态中。因此,监测风力发电机主轴承的运行状态对于整个风力发电机传动系统的运行维护和故障诊断具有重要意义。本课题的研究得到了以下基金的支持,这些基金是这些基金项目的一部分和继续。
(1)国家自然科学基金,大型风力发电机组关键部件环境力行为及退化机理研究50975180;
(2)国家自然科学基金,基于裂纹动态生存分析的风力发电机叶片疲劳损伤识别研究51050159;(3)辽宁省教育厅基金,大型风力发电机低速轴承早期微故障识别模型研究L2010401。
……

第二章盲源分离的基本理论

2.1盲源分离的基础
由于在盲源分离过程中源信号通常是未知的,盲源分离的问题通常是无法解决的,因为在从观测信号中估计源信号和混合矩阵的过程中缺乏先验知识。为了解决盲源分离问题,即通过线性变换从观测信号中估计源信号和混合矩阵,需要对源信号做出以下假设:
(1)每个输入源信号是一个具有零平均值的随机变量。
(2)源信号的数量小于或等于观测信号的数量。为了便于计算,通常的做法是使源信号的数量等于观察信号的数量。
(3)混合矩阵A是满秩矩阵,即矩阵A的逆矩阵存在且唯一。
(4)源信号必须是超高斯或亚高斯信号,最多只允许一个信号服从高斯分布。
(5)噪声信号和每个源信号在统计上相互独立,噪声信号是高斯白噪声。

2.2高斯变量盲源分离预处理算法
峰度为3E2[y2],如果峰度为零,则变量为高斯;峰度为正,变量为超高斯。如果为负,该变量为亚高斯变量。峰度的绝对值越大,信号的非高斯性质越强。因此,变量的高斯性质可以用来代替变量的独立性。对于随机变量,负熵的值总是非负的。变量的负熵越大,其非高斯性质越强。当变量是高斯时,它的负熵为零。因此,通过最大化负熵,变换后的分量可以彼此独立。在多变量情况下,当每个分量相互独立时,联合累积量为0。因此,这可以直接用于建立独立性标准。

第三章基于盲源分离的风力发电机主轴承振动诊断................................33
3.1滚动轴承典型故障频率的计算................................33
3.2滚动轴承振动信号的处理..............................34
3.3滚动轴承振动信号分离的实验设计..............................39
3.4风力发电机主轴承振动信号分离的实验设计..............................45
3.5风力发电机主轴承振动信号分离示例..............................49
3.6本章摘要...................52
第四章基于盲源分离的风力发电机主轴承声发射诊断..............................53
4.1风力发电机主轴承声发射诊断的优势..............................53
4.2风力发电机主轴承声发射诊断的实验设计..............................54
4.3风力发电机主轴承排放信号的小波分析............................56
4.4风力发电机主轴承声发射信号分离的实验研究……64
4.5本章概述.............................70
第五章基于集成小波神经网络的风力发电机主轴承振动诊断……71
5.1集成小波神经网络故障诊断模型的建立............................72

第5章基于集成小波神经网络的风力发电机主轴承振动与声音诊断

5.1集成小波神经网络故障诊断模型
在神经网络应用于风力发电机主轴承故障诊断的过程中,可以采用多种网络结构,选择适合风力发电机主轴承故障诊断的网络模型非常重要。单个神经网络通常可用于输入不同类型的信号(振动和声发射),这些信号从不同侧面反映风力涡轮机主轴承运行中的故障。这些信息可以通过神经网络融合,最终由输出结果给出故障决策。经过大量的训练和学习,单个神经网络通过网络权重和阈值来记住这些故障的特征。当输入新信号时,网络将通过关联存储器接近最近的故障。可以看出,单个神经网络可以诊断风力发电机主轴承的多种故障,但它有一些明显的缺点,主要表现在:
(1)为了实现多种故障模式的诊断,网络需要大量的故障样本。
(2)难以确定适合诊断多种故障的网络结构。即使可以确定,网络也有太多的节点和很大的结构,这使得训练很困难。

5.2基于集成小波神经网络的风力发电机主轴承故障诊断的实现
在风力发电机主轴承运行过程中,由于装配、润滑、腐蚀等各种原因,可能会导致各种故障。例如,转子不平衡、错位、疲劳、裂纹、腐蚀、磨损等。风力发电机主轴承的故障原因非常复杂,诊断各种故障所依赖的特征参数也各不相同。根据各种故障的特点,特征参数可分为两类:振动参数和声发射参数。有些故障对振动参数非常敏感,而其他故障对声发射参数非常敏感。第三章和第四章分别采用盲源分离理论提取风力发电机主轴承的两个特征。现在,设计了一个子神经网络分别对这两个特征参数进行初步诊断,然后利用集成小波神经网络融合诊断信息。基于集成小波神经网络的风力发电机主轴承故障诊断系统主要由数据采集模块、数据预处理模块、信息分布神经网络、两个子神经网络和决策融合神经网络组成。其整体结构如图5.3所示。
……

第六章结论与展望

风能作为可大规模开发利用的可再生能源之一,近年来在中国新能源领域逐渐占据领先地位。风力发电机是实现风能利用的重要设备,主轴承是风力发电机最重要的组成部分。本文运用盲源分离理论,探讨了风力发电机主轴承振动和声发射故障信号的特征提取和故障诊断方法。主要结论如下:[/BR/] (1)讨论了盲源分离的基本理论和盲源分离算法。主要阐述了FastICA算法和JADE算法的计算过程,并指出了这些算法的不足之处。针对盲源分离算法的不足,讨论了利用粒子群优化算法优化盲源分离过程,并比较了各种分离算法的性能。
(2)建立了基于盲源分离的风力发电机主轴承振动诊断系统。首先,讨论了振动信号的提取方法。包络分析被认为在提取振动信号方面更有效。然后分别分离转子试验台、风力发电机试验台和实际风力发电机主轴承的振动信号,实现振动故障信号的特征提取。
(3)建立了基于盲源分离的风力发电机主轴承声发射诊断系统。首先,讨论了声发射信号的提取方法。认为小波分析对声发射信号的提取更有效。然后,对风力发电机主轴承的声发射信号进行分离,实现声发射故障信号的特征提取。
……

参考文献(省略)