共查询到19条相似文献,搜索用时 890 毫秒
1.
振动监测技术在风电机组齿轮箱故障诊断中的应用 总被引:1,自引:0,他引:1
研发了针对风力发电机组传动齿轮箱的振动监测与故障诊断系统。该系统主要由本机监测系统、风电场集中监测诊断系统、远程监测诊断中心3层结构组成。本机监测系统完成机组传动系统各部件的状态监测数据的采集,并将数据传输到风电场集中监测诊断系统。风电场集中监测诊断系统主要进行数据存储、显示和分析诊断,并将数据通过互联网传输到远程监测诊断中心,实现风电场设备群的远程监控分析和精细故障诊断。给出该系统的应用实例,通过对比分析2台相同型号风电机组的齿轮箱振动信号,实现对出现异常状态机组的判断,保障风电机组设备的安全可靠运行。 相似文献
2.
3.
4.
5.
随着供电系统智能化程度和可靠性要求的提高,迫切需要对断路器运行状态进行实时监测、预报,并为排除故障提供方法和决策。从监测系统的功能需求出发,介绍了基于DSP和LabVIEW的断路器振动信号监测系统总体结构、数据采集单元硬件系统及软件系统。叙述了利用小波变换本身对信号奇异点十分敏感的特点,对振动信号进行跟踪和提取信号特征量进行信号分析处理的方法。在虚拟仪器LabVIEW平台上,基于小波变换算法的VI程序,对采集的信号进行实时分析和处理,从而对断路器的机械状态进行监测和诊断。 相似文献
6.
针对水轮发电机组单机功率的增加而提出的状态监测和故障诊断要求,提出以虚拟仪器系统作为开发平台设计并构成水轮发电机组监测和故障诊断系统,实现了水轮发电机组振动信号的数据采集、数据处理和分析,并可进行故障诊断。 相似文献
7.
8.
基于振动分析的风力机齿轮箱故障诊断 总被引:1,自引:0,他引:1
《电机与控制应用》2015,(1)
为实时、准确、简易地诊断出风力机齿轮箱故障类型,提高风力机的稳定性,提出一种面向多故障的基于多尺度小波分析和希尔伯特变换的实时齿轮箱故障诊断方法。利用故障发生前期微弱的故障征兆,首先用小波降噪技术滤除齿轮箱振动信号中的噪声,然后对信号进行多尺度小波分解,通过分析高频重构信号,来判断是否将要产生故障;如果确定故障将要发生,再对高频重构信号进行希尔伯特变换,通过分析能量包络谱相应的波形参数值来判定预测故障的类型。利用试验数据对该方法进行分析验证,证明了该算法的简单和有效性。 相似文献
9.
10.
11.
本文主要介绍了一种基于虚拟仪器和信息融合的滚动轴承检测诊断系统,该系统硬件部分采用高性能的数据采集卡进行实时数据采集,软件部分包括虚拟测试子系统和故障诊断子系统2部分.虚拟测试子系统主要是实现轴承状态监测和报警功能,以及在线采集和显示信号、读取和存储数据、计算故障特征参数等功能.利用神经网络信息融合技术处理故障信号并进一步确定故障发生的位置、类型及严重程度.本文设计了单子融合神经网络和集成融合神经网络,实现了故障的精确诊断及故障发展趋势的有效预测. 相似文献
12.
齿轮箱是风电机组重要且易出现故障的设备,早期故障威胁系统运行安全。在极端条件中高效、准确的齿轮箱故障诊断对风电机组的安全稳定运行至关重要,因此提出了基于改进深度森林的行星齿轮箱故障诊断方法。为了实现不平衡小样本与强噪声的极端条件下行星齿轮箱故障的高效诊断,首先针对旋转机械振动数据样本较少与不平衡的情况,在Wasserstein生成对抗网络中引入梯度惩罚,生成样本补充原始数据集。然后利用多粒度扫描处理振动信号数据点之间的联系,增强数据中的故障特征。最后在级联森林内部引入新的基学习器并运用量子粒子群算法优化参数,获得具有高诊断精度的模型结构进行故障分类,输出诊断结果。经与其他智能诊断方法在多场景下进行的对比实验,证实了所提方法在极端条件下的分类效果较好,能有效提高齿轮箱故障诊断的准确性。 相似文献
13.
针对行星齿轮箱振动信号相互耦合和故障诊断不准确等问题,提出一种基于特征融合与深度残差网络(ResNet)的行星齿轮箱故障诊断方法。首先,对采集到的行星轮裂纹、磨损,太阳轮断齿及复合故障等模拟故障振动信号应用多维集成经验模态分解(MEEMD)和VMD进行分解,分别筛选确定有效分量。然后,将筛选出的有效特征进行融合,分别应用传统卷积神经网络(CNN)和深度残差网络对其进行分类识别。结果发现,深度残差网络,分类准确度更高,可达95%以上。最后,应用深度残差对特征融合前后数据的分类准确度进行了比较。融合前准确度最高只达91.16%,低于融合的97.18%。可见,该方法对行星齿轮箱耦合振动信号的处理和故障诊断非常有效。 相似文献
14.
15.
针对传统卷积神经网络(CNN)在齿轮箱中故障诊断准确率不高、特征提取方面表现欠佳的问题,提出了SincNet网络结合注意力机制齿轮箱故障诊断方法。首先,采用参数化的Sinc函数设计滤波器作为卷积层来代替传统CNN的第1个卷积层,得到SincNet网络结构,提取输入数据的特征信息;其次,结合具有Softmax的注意力机制(Att)增强特征信息。最后,采用齿轮箱故障数据集对所提出的方法进行实验验证,结果表明,所提方法平均诊断准确率达到99.68%,均高于对比方法。此外,通过特征图可视化分析,该方法能够准确定位输入数据中的识别信息,能更好地理解神经网络的特征提取过程,为机械振动信号的特征提取过程提供了参考。 相似文献
16.
基于信息融合技术的旋转机械故障诊断 总被引:1,自引:0,他引:1
对多传感器信息融合技术作了简要介绍,并结合旋转机械振动故障诊断系统的要求与特点,探讨了信息融合技术用于故障诊断系统的基本层次结构。将信息融合的层次与故障诊断的功级相对应,提出了旋转机械振动故障诊断的信息融合模型,神经网络和证据理论相结合应用于故障诊断的新方法,提高了故障诊断系统的灵活性,故障诊断的效率和准确性。 相似文献
17.
为了实现风机齿轮箱的故障检测分析,提出一种基于风电机组齿轮箱的数据采集与监视控制(SCADA)数据和振动信号的深度自编码网络模型。该模型作为一种典型的深度学习方法,通过逐层智能学习初始样本特征,可以获取数据蕴含的规则与分布特征形成更加抽象的高层表示。首先,利用限制性玻尔兹曼机对网络参数进行预训练和反向传播算法对参数进行调优,建立深度自编码网络模型。然后,通过对齿轮箱的状态变量进行编码和解码,计算重构误差并将其作为齿轮箱的状态检测量。为了有效检测重构误差的趋势变化,选用自适应阈值作为风机齿轮箱故障检测的决策准则。最后,利用对齿轮箱故障前、后记录的数据进行仿真分析,结果验证了深度自编码网络学习方法对齿轮箱故障检测的有效性。 相似文献
18.