论文部分内容阅读
力发电机组运行工况复杂多变，振动信号呈非平稳性和复杂性等特点，不同负载下信号能量分布差异较大，传统的时、频域特征参数不具纵向可比性，无法判别振动变化来自设备故障还是负载变化。针对以上特点，选择受机组工况变化影响较小的信息熵作为信号特征参数提取，通过描述信号总体统计特性判断设备状态，将齿轮各典型状态模式下的振动特征信息熵值作为网络的输入样本，通过训练前向传播back propagation（BP）神经网络，建立齿轮状态识别模型。利用新样本验证，结果与实际情况吻合得很好，表明该方法对风力发电机齿轮故障诊断的有