admin

  随着风力发电机组的不断发展,风能制冷机组的故障率也在不断增加,经济损失巨大。为整个系统的核心,变速箱在发生故障时直接影响整个系统的性能和效率。了减少输电故障带来的经济损失,本文研究了一种基于载波矢量机的故障查找技术,分析了输电故障的振动特性,形成了样本数据并构建适当的分类模型。于对实际采集的振动信号的分析,提取时域和频域的特征参数作为来自载波矢量机的输入参数。

基于共同时频特性的风力发电机齿轮箱故障诊断方法_no.624

  
  年来,随着风能的不断推广,冷藏机的使用趋于显着,冷藏机的故障率是影响制冷机组运行性能的主要因素。藏。
  而,中国的风电始于90年代,开发时间很短,冷凝器价格风能制冷机组失效的法律仍缺乏经验和积累。此,风能制冷机组的故障监测和诊断尤为重要。能冷库单元由齿轮箱,发电机,控制系统等组成,如图1所示,变速箱为主要部件整个系统。了研究传动故障的诊断方法,构建了风力机冷库机组齿轮箱故障诊断的实验测试电路,如图2所示。
  验模拟了变速箱的四种运行状态。过时频组合提取振动信号的缺陷特征,时域特征包括:均值,均方根,倾角等,以及频谱,浓度,频率中心等。

基于共同时频特性的风力发电机齿轮箱故障诊断方法_no.1545

  取特定特征的步骤如下。于收集的原始振动信号包含各种噪声,因此这些可能会对最终分析的结果产生负面影响。此,在数据分析之前,需要预处理和降噪处理来减少环境因素对实验结果的影响。集的数据为N = 1,冷凝器价格024个时间采样点,采样频率为6400Hz,连续采集8个周期。谱开发基于频域分析,广泛用于故障诊断,通常用于区分主要频率成分和信号修改。
  持向量机(SVM)是一种基于统计学习理论的新型神经网络,它基于最小化结构风险的原理。神经网络和机器学习领域,支持向量机已成为研究的热点之一。SVM的主要思想是选择满足以下要求的核函数:将不可分的非线性数据集映射到大空间,线性分离,并在空间中建立最优分类超平面。尺寸,最后变成问题凸编程解析。实验从变速箱的振动角度监测变速箱的状况,收集一定数量的数据,将收集的数据下载到计算机进行存储,然后执行减少和收集的数据的噪声标准化。验数据由加速度传感器测量。测试模拟了变速箱的四种状态。
  表1所示,每个样品具有10个样品,每个样品包含三维数据x,y,z,每个样品需要512个采样点。准化训练测试数据分别输入到通过训练获得的四个分类器中,并且分类器的输出等于1,缺陷类型对应于测试数据。果分类器的输出结果是1,则测试样本是故障不属于形成的四种类型的缺陷。

基于共同时频特性的风力发电机齿轮箱故障诊断方法_no.131

  
  于时域特征的诊断和基于频域特征的诊断远比基于联合时频特征诊断的准确性差,这是本文的重点。域和频域特性一直在努力满足故障诊断技术的要求:现在有必要大力开发共同时频特性的故障诊断技术。理论知识的基础上,本文介绍了载体矢量机的基本思想,并通过实际测试验证了诊断的准确性。数据采集到分析和数据处理,到时频域共有的参数提取,从模式识别到故障诊断,再到系统的创建传输故障诊断和齿轮箱故障智能监控。
  断结果表明,载体矢量机的诊断系统在某些情况下可以满足校正要求。之,本文件在监测传输故障,减少传输故障的发生率和在一定程度上减少经济损失方面具有一定的重要性。
  本文转载自
  冷凝器价格 http://www.china-iceage.com