【技术实现步骤摘要】
基于信息融合技术的风力发电机组滚动轴承故障诊断系统
[0001]本专利技术涉及信息融合领域,具体涉及基于信息融合技术的风力发电机组滚动轴承故障诊断系统。
技术介绍
[0002]风能作为绿色、可再生能源,以其丰富、可再生性,并在提供能源的同时不会对环境造成污染,使之成为当今社会解决低碳问题所不可或缺的力量。电动机作为一种机械传动设备,其轴承是电机的主要部件,对于风力发电机机组中涉及到电机的部分,其功能对设备的安全运行起着决定性的作用。在风力发电机组的发电机运行时,一旦其轴承出现缺陷或故障,将造成一系列设备不能正常运行,严重影响设备的运行性能,因此风力发电机机组电机运行时,若发电机组的滚动轴承出现故障则会影响风电机组的正常运行。
[0003]诊断风力机滚动轴承的方法和缺点主要有:(1)传统的诊断系统,如噪声检测、红外测温等。方法(1)虽然诊断结果直观、准确度较高,但早期故障不能有效地检测出微弱的故障,而主要依靠经验判断;(2)智能诊断系统如神经网络、遗传算法等。方法(2)可以节省时间,同时对故障进行更精确的判断,尽管通常需要大量的数据来支持诊断的准确性,但由于发电机轴承故障并不常见,这就意味着能够采集到的故障数据较少,无法保证这种方法诊断的准确性;(3)数学诊断系统:例如SVM、混沌分析等。方法(3)可以依靠少量的数据准确判断故障,而且方法(3)可以随着计算机技术和数学理论的不断发展而不断改进,但是方法(3)中的前期数据处理部分会严重影响最终的诊断结果的准确性。
[0004]选择合适的数据处理方法尤为重要 ...
【技术保护点】
【技术特征摘要】
1.基于信息融合技术的风力发电机组滚动轴承故障诊断系统,其特征在于,包括:信号采集模块,所述信号采集模块用于对风力发电机组滚动轴承的运行状态进行采集,采用振动传感器来检测轴承的振动状态,将所采集到的振动信号转换成电信号,再通过A/D转换成数字量进行计算机处理,将处理后的滚动轴承振动信号通过小波包分解和重构进行信号去噪处理,所述运行状态包括发电机组滚动轴承正常运行、发电机组滚动轴承内圈故障、发电机组滚动轴承外圈故障和发电机组滚动轴承滚动体故障;多角度特征提取模块,所述多角度特征提取模块用于利用EEMD对发电机振动信号的故障特征进行提取,将所提取的各IMF分量进行数据规范化与数据集划分,其中所提取的正常运行状态的滚动轴承的IMF分量为后续的故障辨别提供对比依据,各类故障的IMF分量用于辨别故障种类及故障部位,将上述数据集排列为二维数据图像,并将其划分为训练集和测试集,建立CNN模型,将CNN模型中的全连接层改进为仅调整特征图形状的1
×
1的卷积层叠加一个全局均值化层,使用CNN模型的数值型参数初始化BP神经网络,其中数值型参数包括C1中的卷积核个数、卷积核尺寸以及卷积步长和C2中的卷积核个数、卷积核尺寸以及卷积步长,还包括CNN模型的学习率;特征层初步诊断模块,特征层初步诊断模块利用BP神经网络进行优化迭代,建立目标函数,输出优化后的结果,所述结果用于区分故障与非故障;决策层信息融合模块,所述决策层信息融合模块用于根据所采集的运行状态来进行信息融合比对,并进行故障类型区分和故障定位。2.根据权利要求1所述的基于信息融合技术的风力发电机组滚动轴承故障诊断系统,其特征在于,所述BP神经网络中的传输函数为:3.根据权利要求1所述的基于信息融合技术的风力发电机组滚动轴承故障诊断系统,其特征在于,BP神经网络学习过程中目标函数通过梯度下降法得到,其中系统平均误差为:其中期望输出为y
k
,k为期望输出的数量,O
k
为实际输出,E为目标函数。4.根据权利要求1所述的基于信息融合技术的风力发电机组滚动轴承故障诊断系统,其特征在于,所述多角度特征提取模块中,选择3层BP神经网络作为故障诊断模型,需确定隐层节点数,根据以下经验公式确定:式中:n0为输入节点数,n1为隐含层节点数,n2为输出节点数,a为1~10之间的数,所述隐含层节点数为5~14之间。5.根据权利要求3所述的基于信息融合技术的风力发电机组滚动轴承故障诊断系统,其特征在于,所述梯度下降法采用有...
【专利技术属性】
技术研发人员:徐东升,边杰,王新居,李强,王兴良,朱新军,侯清民,张臣冬,王照阳,朱锋,朱辰泽,刘川,刘思君,王腾,
申请(专利权)人:南京华盾电力信息安全测评有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。