1、“.....实现故障的智能诊断。通过试验证明故障自诊断系统自动识别故障类型为裂纹。综合故障部件,得出结论为轴裂纹故障。为检验自诊断系统的诊断结论,根据经验模式,选取倒谱分析分析法,可以看出故障附近出现边带成分,说明轴承内环出现明显磨损。拆机后发现内环有裂纹并有磨损。结束语在风电机组在线故障诊断中,随着机组数量和振动信号采集点的数量逐渐增多的情况下,快速通过振动监测波形判断故障类型较为啮合频率,为齿轮齿数自然数,取值,故障类型监测与自诊断系统以风电场期风力发电机组的实测发电机主轴承传感器采集的信号进行分析,场内共有台风电机组,装机容量为,风机叶片长度为。从发电机轴承测点检测的振动采集信号波形,波形的采样频率,取两个周期的采样点数。主轴承滚动体个数为,滚动体直径为,节圆直径为,接触定位故障部件。摘要在平台下......”。

2、“.....对风力发电机组中的核心部件主轴和齿轮箱进行故障诊断,根据主轴和齿轮箱振动信号故障特征,通过小波变换方法对振动信号进行分频处理,有效提取不同故障下各频段能量的故障特征再将提取的能量故障特征输入至训练好的神经网络诊断系统中进行识别,实现故障的智能诊断基于神经网络的风机故障监测与自诊断系统原稿齿轮箱,不仅维修费用高,而且常常由于恶劣天气,停机时间加长,造成发电损失。齿轮箱振动信号主要有以啮合频率为基频,并含有各阶次谐波以啮合频率为载频转轴频率为调制频率的调幅和调频波周期与轴的旋转周期相同的衰减振动。基于神经网络的风机故障监测与自诊断系统原稿。注轴频,为轴的转速,齿轮的啮合频率,为齿轮齿数自然数反向传播网络。该算法把训练样本输出与目标输出问题变为个非线性优化问题,利用梯度下降法求得节点之间的权值,实际上是把输入输出间的映射关系以权值的形式反映出来......”。

3、“.....由输入层隐层和输出层组成。输入层接收特征参数信息隐层把输入的信息进行学习和处理,并通过权值与输入层和输出层相连输出层不断和目标值相比较并反向传播。故障诊断特定的故障频段,提取振动信号的时频信息。神经网络可以实现数据的非线性的映射,通过输入故障信息的数据样本,便可以通过神经网络使新数据逼近期望目标。将两种方法结合起来所构建的小波网络将同时拥有这两种方法的优点,可以对风机振动信号传递出的故障信息进行更加细致的分析和识别。风电机组主要监测部件齿轮箱故障类型风机中齿轮箱的故障率很高。如果更换模型如图所示,由输入层隐层和输出层组成。输入层接收特征参数信息隐层把输入的信息进行学习和处理,并通过权值与输入层和输出层相连输出层不断和目标值相比较并反向传播。小波根据轴承故障频率特征值分布区间,对振动数据进行分频处理。提取分布区间的频率信息,并将信息作为神经网络单位的输入。历史数据中......”。

4、“.....作为训练样本,测试神经是周之内的振动数据,历史数据库存储的是稀释后的实时数据。故障数据是存储的实时数据的有效值超报警限值的段数据。从故障数据中自诊断故障类型和故障状态的流程如下当实时数据的有效值超报警限值时,可初步判断风电机组可能出现故障。根据传感器点位判断安装位臵部件名称,定位故障部件。小波神经网络故障诊断小波分析小波分析是种能同时在时域和频域内对信号进行络的故障识别能力,通过修改隐藏层数,提高精度。基于神经网络的风机故障监测与自诊断系统原稿。小波神经网络故障诊断小波分析小波分析是种能同时在时域和频域内对信号进行局部化分析的数学方法。对风机噪声信号而言,不同频率成分能量的改变,往往对应着不同的故障情况,通过计算各频段内信号的能量,就可以把信号的特征向量提取出来。神经网络网络即误差摘要在平台下,设计了种基于神经网络的风机振动故障在线自诊断系统......”。

5、“.....根据主轴和齿轮箱振动信号故障特征,通过小波变换方法对振动信号进行分频处理,有效提取不同故障下各频段能量的故障特征再将提取的能量故障特征输入至训练好的神经网络诊断系统中进行识别,实现故障的智能诊断。通过试验证明现状研究电网与清洁能源,赵志华,吴力,殷海双基于紧致型小波神经网络的往复泵故障诊断噪声与振动控制,张保钦,雷保珍等风机叶片故障预测的振动方法研究电子测量与仪器学报,辛卫东,马志勇,滕伟,何缨,柳亦兵振动监测技术在风电机组齿轮箱故障诊断中的应用中国电力,彭文季,罗兴锜基于小波包分析和支持向量机的水电机组振动故障诊断研究中国电机工程学臵为之间均匀取个点,绘制振动波形如下图。根据主轴的故障特征频率分布区间,小波分解层,每层包含的频率成分分别为。可以看出,保持架故障频率和滚珠外环频率分布在频段,滚珠旋转频率和内环频率分布在频段。提取这故障频率所在频段的波形......”。

6、“.....综合程风电机组在线振动监测设备将采集到的数据分为实时数据库,历史数据库和故障数据库。实时数据是周之内的振动数据,历史数据库存储的是稀释后的实时数据。故障数据是存储的实时数据的有效值超报警限值的段数据。从故障数据中自诊断故障类型和故障状态的流程如下当实时数据的有效值超报警限值时,可初步判断风电机组可能出现故障。根据传感器点位判断安装位臵部件名称,络的故障识别能力,通过修改隐藏层数,提高精度。基于神经网络的风机故障监测与自诊断系统原稿。小波神经网络故障诊断小波分析小波分析是种能同时在时域和频域内对信号进行局部化分析的数学方法。对风机噪声信号而言,不同频率成分能量的改变,往往对应着不同的故障情况,通过计算各频段内信号的能量,就可以把信号的特征向量提取出来。神经网络网络即误差齿轮箱,不仅维修费用高,而且常常由于恶劣天气,停机时间加长,造成发电损失......”。

7、“.....并含有各阶次谐波以啮合频率为载频转轴频率为调制频率的调幅和调频波周期与轴的旋转周期相同的衰减振动。基于神经网络的风机故障监测与自诊断系统原稿。注轴频,为轴的转速,齿轮的啮合频率,为齿轮齿数自然数达金风等机型的维护检修工作仿生学的角度来看,诊断设备的故障类似于人的病因,根据各种测量数据和心电图谱分析出诊断结果,提出治疗方案,同样对于风电机组故障诊断,也可通过获取的振动信息,提取故障敏感参数和故障图谱,经过综合分析判断,确定故障原因。小波分析是信号处理的有效手段,它不仅分解了低频段,而且也同时对高频段进行了分解,诊基于神经网络的风机故障监测与自诊断系统原稿,文清丰融合遥信报警和电气量分析的电网故障诊断方法电测与仪表,盛兆顺设备状态监测与故障诊断技术及应用化学工业出版社,赵舫,唐忠,崔昊杨基于荧光光纤测温的电气设备在线监测系统电测与仪表,作者简介邢志刚,男......”。

8、“.....工程师,从事风电场集电线路升压站安装施工及风电场运营管理。熟悉运达金风等机型的维护检修工作。齿轮箱,不仅维修费用高,而且常常由于恶劣天气,停机时间加长,造成发电损失。齿轮箱振动信号主要有以啮合频率为基频,并含有各阶次谐波以啮合频率为载频转轴频率为调制频率的调幅和调频波周期与轴的旋转周期相同的衰减振动。基于神经网络的风机故障监测与自诊断系统原稿。注轴频,为轴的转速,齿轮的啮合频率,为齿轮齿数自然数障自诊断,大大地缩短了故障识别时间,采样智能识别模式取代人工识别模式,从而明显地提高了故障识别率,是种行之有效的故障诊断方法。风机故障诊断是个复杂而长期的过程,本文介绍了种智能诊断方法。该方法中的神经网络有待进步研究,减少训练次数。参考文献钱强振动监测技术在旋转机械故障诊断中的应用噪声与振动控制,董昱廷,王海云,唐新安风电机组状态监测系统董昱廷,王海云......”。

9、“.....赵志华,吴力,殷海双基于紧致型小波神经网络的往复泵故障诊断噪声与振动控制,张保钦,雷保珍等风机叶片故障预测的振动方法研究电子测量与仪器学报,辛卫东,马志勇,滕伟,何缨,柳亦兵振动监测技术在风电机组齿轮箱故障诊断中的应用中国电力,彭文季,罗兴锜基于小波包分析和支持向量机故障部件,得出结论为轴裂纹故障。为检验自诊断系统的诊断结论,根据经验模式,选取倒谱分析分析法,可以看出故障附近出现边带成分,说明轴承内环出现明显磨损。拆机后发现内环有裂纹并有磨损。结束语在风电机组在线故障诊断中,随着机组数量和振动信号采集点的数量逐渐增多的情况下,快速通过振动监测波形判断故障类型较为困难。本文提出用小波神经网络相结合进行络的故障识别能力,通过修改隐藏层数,提高精度。基于神经网络的风机故障监测与自诊断系统原稿......”。