共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
针对一起增压器主轴变截面处断裂故障,对主轴断口进行了宏观与微观分析.结果 表明:主轴变截面处过渡圆角加工过小且形成尖锐交面,是导致主轴发生疲劳断裂的根本原因.通过改进主轴加工工艺,上述问题得到解决. 相似文献
3.
4.
为了实现对风电机组齿轮箱的状态监测,文章提出了一种基于卷积神经网络的风电机组齿轮箱状态监测方法。首先,提取风电机组数据采集与监视控制(SCADA)数据和振动信号作为参数,组成齿轮箱状态矩阵。其次,建立了一种卷积神经网络模型,该模型针对输入数据设计了特定结构和池化层规则,提高了计算效率,能够从齿轮箱状态信息中提取特征并判断其状态。最后,利用实际运行的风电机组数据对卷积神经网络模型进行了训练和验证,最终取得了96.3%的识别精度。同时,将该模型应用于对同一风场其他机组的状态监测,结果验证了卷积神经网络模型对齿轮箱状态监测的有效性。 相似文献
5.
针对风电机组齿轮箱传统故障诊断方法以全局误诊断率最小化为目标,忽略了误分类型之间的差别的问题,提出基于代价敏感最小二乘支持向量机(Cost-sensitive Least Squares Support Vector Machine,CLSSVM)的风电机组齿轮箱故障诊断方法。该方法在最小二乘支持向量机原始最优化问题中二次损失函数中嵌入不同样本的误分类代价,建立以误分类代价最小化为目标的CLSSVM故障诊断模型,并同最小二乘支持向量机和代价敏感支持向量机比较。实验结果表明,该方法能提高误分类代价高的故障类样本的诊断正确率,具有代价敏感性,其训练速度也足以满足风电机组齿轮箱故障诊断实时性的需求。 相似文献
6.
7.
8.
9.
本文介绍了目前风电机组齿轮箱的市场情况。外资品牌市场占有率较高的原因是整机厂商对齿轮箱产品可靠性考虑。随着生产成本的增加和产品价格的进一步压低,产品可靠性成为齿轮箱生产企业降本增效中不可忽视的问题。 相似文献
10.
11.
针对某1.5 MW风电齿轮箱普遍存在油温高的问题,通过对齿轮箱润滑油冷却系统进行理论计算,分析与对比同机型不同风电场热交换器的实际冷却效果,分析与研究同台机组不同运行状态下的实际冷却效果,认为引起该风电齿轮箱润滑油温度高的因素有:翅片结构选型不适、机舱密封不严等因素引起的翅片堵塞问题,润滑油设计流量偏低的问题,以及温控阀失效、油温传感器失效、发电机水冷缺水等元件问题。在排除元件问题的基础上,通过改变散热器翅片结构,增加热交换器换热面积和增加换热器冷却风扇流量等方法,彻底解决了齿轮箱油温高问题。工程实际应用表明,该方法可在该系列齿轮箱油温高技术改造上推广使用,同时也可为后续产品技术升级提供参考依据。 相似文献
12.
面对风电产业产能过剩、市场竞争激烈的困境,齿轮箱企业应抓住机遇,做好转型调整,与整机企业一同强化科技支撑体系,打好基础,促进产业健康发展。 相似文献
13.
本文通过模拟单机容量为1.5 MW的某型号风电机组的主轴裂纹缺陷,并结合主轴的工作状况,采用超声检测技术对主轴的结构回波及模拟的主轴裂纹缺陷回波进行了分析和研究,提出了判别缺陷回波与结构回波的方法.本研究对于指导风电机组主轴的现场检测及主轴的安全运行具有重要意义和工程应用价值. 相似文献
14.
15.
为解决故障劣化渐变过程的长时间序列对齿轮箱状态监测模型的影响问题,提升其决策精度,提出一种基于数据采集与监控(SCADA)数据的组合建模方法。首先,采用主成分分析法(PCA)选取与齿轮箱温度密切相关的输入观测向量,并应用长短期记忆(LSTM)神经网络分别对齿轮箱正常工况和异常工况独立建立温度模型;其次,结合模型输出结果与SCADA数据提取残差分布特征向量,建立随机森林残差分布模型对机组齿轮箱运行状态进行监测;最后,对某大型风电场机组进行模型建立和仿真研究。结果表明,基于LSTM神经网络结合随机森林算法对风电机组齿轮箱状态监测有较强的实用性和较高的准确率,为后续开展齿轮箱健康度评价提供了新的方法和思路。 相似文献
16.
17.
18.
特征提取是故障诊断问题的关键,风电机组齿轮箱负载多变,振动数据量大、信息密度低,导致多模态融合诊断方法的特征学习性能和计算成本难以兼顾。为此,提出了基于多模态时频图融合的风电机组齿轮箱故障诊断方法。首先,使用小波包分解算法对齿轮箱振动数据集进行故障特征分析;然后,将所得分解子信号和原始信号分别转化为二维时频图像,形成体现小波域和时频域的互补故障特征;最后,利用卷积神经网络(convolutional neural networks, CNN)分别学习图像纹理的深层特征并进行特征融合,训练基于CNN-ViT(vision transformer)的多模态故障诊断模型。以凯斯西储大学齿轮箱轴承数据进行验证,所提模型在变负载和未知故障下,相比其他单模态和多模态方法具有较高的准确率,时频图融合方法能够以较低计算成本实现小波域和时频域双模态的故障特征学习。 相似文献
19.
针对风电机组故障频发且早期故障监测难的问题,为实现风电机组智能监测,提出基于卷积自编码(CAE)与双向长短期神经网络(BiLSTM)的风电机组齿轮箱故障预警方法。首先对风电场数据采集与监视控制(SCADA)系统的数据进行预处理,选择能表征风电机组齿轮箱运行状态的监测量作为输出量,根据相关性分析选择与输出量相关性高的监测量作为输入参数;然后根据特征选择特性和参数非线性特性构建深度学习网络模型,对输出的预测值和残差进行统计分析,设置自适应阈值来监测风电机组异常状态的趋势变化。将CAE-BiLSTM模型应用于某风电场的算例分析中,并与其他模型的预测效果进行对比。结果表明:该方法解决了模型输入与结构冗余问题,提高了模型精度,能够有效预警风电机组齿轮箱早期故障。 相似文献