基于齿轮箱数据处理的故障预警与诊断系统

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。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 课题研究的背景和意义

1.2国内外研究现状和发展趋势

1.3本文的主要研究内容

第二章 齿轮箱故障类型及诊断方法研究

2.1 风电机组齿轮箱的介绍

2.2风电机组齿轮箱的故障统计

2.3风电机组齿轮箱的故障诊断方法

2.4本章小结

第三章 风电齿轮箱温度趋势状态监测及分析方法

3.1数据预处理

3.2齿轮箱温度NSET建模及预测

3.3神经网络与NSET建模对比

3.4本章小结

第四章 融合FTA和BAM的齿轮箱故障诊断方法

4.1 故障树理论研究

4.2 神经网络和BAM算法

4.3基于FTA的样本整理

4.4基于BAM网络的故障诊断

4.5本章小结

第五章 齿轮箱状态监测与故障诊断系统设计与研究

5.1状态监测与故障诊断系统设计

5.2故障诊断模型及流程

5.3系统模块设计

5.4实验验证

5.5本章小结

第六章 总结与展望

参考文献

致谢

攻读学位期间所取得的相关科研成果