论文部分内容阅读
滚动轴承作为风电机的重要组成部件,工作在高速的运转状态下,其容易发生故障,因此风电机滚动轴承的故障诊断具有非常重要的研究意义。论文以风电机传动系统的滚动轴承作为研究对象,对滚动轴承振动信号进行数据处理、特征提取和故障分类,研究基于数据驱动的风电机滚动轴承故障诊断策略。主要研究内容有以下方面:(1)针对风电机滚动轴承振动信号具有非平稳、非线性等特性,且故障特征提取困难的问题,提出一种基于深度置信网络的故障诊断方法。论文通过改进的集合经验模态分解-自回归模型对滚动轴承振动信号进行处理,得到自回归模型的系数;然后将自回归模型的系数输入深度置信网络,挖掘滚动轴承的故障特征并实现故障分类。以Western Reserve University的滚动轴承数据为例进行仿真,仿真结果表明:该方法能够对风电机滚动轴承三种故障的特征进行提取,并且与传统的BP神经网络、支持向量机相比有较高的准确率。(2)为了解决风电机滚动轴承故障诊断存在采样数据量大、故障特征依赖主观选取的问题,提出了风电机滚动轴承振动信号压缩采集、自动提取特征及故障分类的方法。论文利用梯度加速法和正交三角分解理论对随机高斯观测矩阵进行优化,实现振动信号的压缩采集;通过卷积神经网络提取故障特征,并完成故障分类。仿真结果表明:该方法可保证故障诊断准确率并缩短卷积神经网络的训练时间。(3)考虑到风电机的传感器易受环境干扰,从而对风电机滚动轴承故障诊断的结果产生影响,为了提高故障诊断的可靠性,提出一种多源信号故障诊断方法。该方法提取滚动轴承振动信号、噪声信号、温度信号的时域和频域特征,采用Bayesian Optimization算法优化堆叠降噪自编码器的各隐藏层结构,通过优化后的堆叠降噪自编码器算法实现故障特征融合与分类。以旋转机械振动及故障模拟实验平台数据为例进行仿真,仿真结果表明:该方法与单一信号的故障诊断方法相比,提高了诊断的准确率,增强了抗干扰性能。