基于齿轮箱数据处理的故障预警与诊断系统

发布时间：2017-04-24 23:15

  本文关键词：基于齿轮箱数据处理的故障预警与诊断系统，由笔耕文化传播整理发布。

【摘要】：针对风电齿轮箱故障诊断的特点----关联性强，海量运行数据，变量多等，在分析齿轮箱故障时，不能单一地只针对发生故障的部件进行故障分析，而需要考虑齿轮箱内部各部件的相关性，并建立动态，多变量的模型进行分析。因此，处理齿轮箱的海量数据和准确而迅速的排除潜在故障对于齿轮箱的安全运行意义重大。针对这些问题本文做了如下工作： 第一，本文对近年来的状态监测方法和故障预警及诊断技术进行了系统、全面的分析与研究，指出神经网络建模是需要耗时的学习过程，学习样本的选择缺乏依据，并且基于神经网络的故障诊断方法会遇到整理专家经验困难等问题；通过小波分析方法处理高速采集的振动信号与实际齿轮箱的运行状态有较大差别，并且振动信号存在难以提取和外部干扰过多等缺陷；基于FTA的故障诊断方法随着系统复杂程度的提高，根据规则进行推理的速度就会变慢，无法及时提供诊断结果。 第二，针对齿轮箱的状态监测方法中遇到的问题，本文提出一种以易于采集的油温信号来分析齿轮箱故障的方法。通过分析齿轮箱温度的变化趋势，建立非线性状态估计(NSET)温度预测模型，再根据统计的残差变化，与通过验证集合确定出的残差均值和标准差的故障阈值作对比，预测潜在故障，优化运行。 第三，根据非线性状态估计法预测出的齿轮箱油温、油压异常故障，结合齿轮箱的故障实例，通过将FTA和BAM融合在一起，将经过FTA去除冗余故障数据之后的独立、正交的故障数据作为训练样本，提供给BAM网络进行训练，结合分析与总结故障征兆、故障模式和故障原因之间的对应关系，得出诊断结果，判断故障原因、给出预维修策略。 第四，在上述状态监测和故障诊断的基础上，结合专家系统，设计出齿轮箱故障诊断辅助决策系统，通过知识获取、故障诊断、在线诊断等模块，完成智能化故障报警、故障树查询、BAM网络诊断等功能。
【关键词】：FTA 非线性状态估计 BAM神经网络
【学位授予单位】：河北工业大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH132.41;TP277
【目录】：

• 摘要4-5
• ABSTRACT5-8
• 第一章 绪论8-14
• 1.1 课题研究的背景和意义8-11
• 1.2 国内外研究现状和发展趋势11-13
• 1.2.1 故障预警和诊断技术发展概述11-12
• 1.2.2 风电机组齿轮箱的发展概况12-13
• 1.2.3 齿轮箱在线监测与故障诊断技术发展概况13
• 1.3 本文的主要研究内容13-14
• 第二章 齿轮箱故障类型及诊断方法研究14-24
• 2.1 风电机组齿轮箱的介绍14-16
• 2.1.1 风电机组齿轮箱的结构与用途14-15
• 2.1.2 风电机组齿轮箱的工作状况15-16
• 2.2 风电机组齿轮箱的故障统计16-20
• 2.2.1 风电机组齿轮箱的故障类型16-19
• 2.2.2 风电机组齿轮箱的故障原因19-20
• 2.2.3 风电机组齿轮箱的维护20
• 2.3 风电机组齿轮箱的故障诊断方法20-23
• 2.4 本章小结23-24
• 第三章 风电齿轮箱温度趋势状态监测及分析方法24-38
• 3.1 数据预处理24-26
• 3.1.1 数据预处理原则24-25
• 3.1.2 研究对象选取及数据预处理25-26
• 3.2 齿轮箱温度 NSET 建模及预测26-33
• 3.2.1 非线性状态估计法原理26-28
• 3.2.2 齿轮箱温度 NSET 建模变量选取28-31
• 3.2.3 模型结果分析与评价31-33
• 3.3 神经网络与 NSET 建模对比33-36
• 3.3.1 BP 神经网络与 NSET 模型对比33-34
• 3.3.2 Elman 神经网络与 NSET 模型对比34-35
• 3.3.3 遗传算法优化 BP 神经网络与 NSET 模型对比35-36
• 3.3.4 遗传算法函数极值寻优BP 神经网络与 NSET 模型对比36
• 3.4 本章小结36-38
• 第四章 融合 FTA 和 BAM 的齿轮箱故障诊断方法38-48
• 4.1 故障树理论研究38-39
• 4.1.1 故障树分析法38-39
• 4.1.2 故障树的建立39
• 4.2 神经网络和 BAM 算法39-43
• 4.2.1 神经网络的基本特点39-40
• 4.2.2 BAM 神经网络40-43
• 4.3 基于 FTA 的样本整理43-45
• 4.4 基于 BAM 网络的故障诊断45-47
• 4.5 本章小结47-48
• 第五章 齿轮箱状态监测与故障诊断系统设计与研究48-62
• 5.1 状态监测与故障诊断系统设计48-51
• 5.2 故障诊断模型及流程51-55
• 5.2.1 需求分析51-52
• 5.2.2 故障诊断模型52-54
• 5.2.3 故障诊断工作流程54-55
• 5.3 系统模块设计55-59
• 5.3.1 开发环境55
• 5.3.2 故障诊断故障树设计55-57
• 5.3.3 数据库设计57-59
• 5.4 实验验证59-61
• 5.4.1 故障树查询59-60
• 5.4.2 BAM 网络诊断60-61
• 5.4.3 BAM 网络的稳定性与收敛性61
• 5.5 本章小结61-62
• 第六章 总结与展望62-64
• 参考文献64-69
• 致谢69-70
• 攻读学位期间所取得的相关科研成果70

【参考文献】

中国期刊全文数据库 前10条

1 黄华;席军强;肖宽;阳邓华;;Development of AMT Fault Diagnosis Technique Based on KWP2000[J];Journal of Beijing Institute of Technology;2010年01期

2 王新勇;陈涛;;采用变频器故障树为训练样本的BAM神经网络故障诊断方法[J];电光与控制;2011年05期

3 王洪;朱锐;;数据库存储过程设计及应用[J];电子信息对抗技术;2009年02期

4 于良峰;赵登利;吴树梁;;风电机组齿轮箱故障分析及改进措施[J];风能;2012年10期

5 孟恩隆;郭东杰;王灵梅;郭红龙;武卫红;韩西贵;;风力发电机组状态监测与智能故障诊断系统的设计与实现[J];华东电力;2012年03期

6 杨佳鑫;齐蕴光;蔡兆中;;齿轮箱故障诊断技术现状与发展趋势[J];机电信息;2011年36期

7 时建峰;时军;时伟;周明;李增贺;;基于小波包与改进BP神经网络的齿轮故障诊断[J];机械研究与应用;2011年01期

8 刘迅;;基于故障树与BAM神经网络的智能故障诊断方法[J];科学技术与工程;2010年13期

9 王宇雷;马广富;李传江;;Fault diagnosis using robust cascade observers with application to spacecraft attitude control[J];Journal of Harbin Institute of Technology;2011年04期

10 伞冶;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

中国博士学位论文全文数据库 前2条

1 魏秀业;基于粒子群优化的齿轮箱智能故障诊断研究[D];中北大学;2009年

2 韩琦;神经网络的稳定性及其在联想记忆中的应用研究[D];重庆大学;2012年

  本文关键词：基于齿轮箱数据处理的故障预警与诊断系统，，由笔耕文化传播整理发布。

本文编号：325171