基于虚拟仪器的风力发电机组故障诊断系统开发与实验研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-22页 |
| 1.1 课题的研究背景与意义 | 第9-10页 |
| 1.2 风力发电机组故障诊断系统的发展与研究现状 | 第10-12页 |
| 1.2.1 国外发展现状 | 第10-11页 |
| 1.2.2 国内发展现状 | 第11-12页 |
| 1.3 风力发电机组的传动系统与常见故障 | 第12-21页 |
| 1.3.1 风力发电机组结构简介 | 第12-14页 |
| 1.3.2 风力发电机的故障类型 | 第14-19页 |
| 1.3.3 传感器测点的布局 | 第19-21页 |
| 1.4 课题的主要研究内容 | 第21-22页 |
| 2 风力发电机组故障诊断系统方案设计 | 第22-34页 |
| 2.1 风力发电机组故障诊断系统的总体结构设计 | 第22-23页 |
| 2.2 风力发电机组故障诊断系统的硬件方案设计 | 第23-28页 |
| 2.3 风力发电机组故障诊断系统的软件方案设计 | 第28-34页 |
| 2.3.1 振动数据采集模块设计 | 第29-30页 |
| 2.3.2 数据存储与读取 | 第30-31页 |
| 2.3.3 灵敏度确定与加速度转换 | 第31-32页 |
| 2.3.4 数据的滤波、降噪处理与信号处理 | 第32-34页 |
| 3 故障诊断系统的信号处理理论与方法 | 第34-49页 |
| 3.1 数字滤波器 | 第34-36页 |
| 3.2 小波阈值去噪方法 | 第36-39页 |
| 3.3 信号的频谱和倒频谱分析方法 | 第39-41页 |
| 3.4 相关性分析和信号的时域统计 | 第41-43页 |
| 3.5 小波包分解与频带能量监测 | 第43-45页 |
| 3.6 基于人工神经网络的故障模式识别技术 | 第45-49页 |
| 3.6.1 BP 神经网络及其算法 | 第45-47页 |
| 3.6.2 BP 神经网络设计 | 第47-49页 |
| 4 风力发电机组故障诊断系统软件实现 | 第49-64页 |
| 4.1 数据的采集程序 | 第49-50页 |
| 4.2 数据的记录与读取 | 第50-52页 |
| 4.3 数据的显示与子 VI 定义 | 第52-54页 |
| 4.4 信号的滤波和降噪处理 | 第54-55页 |
| 4.5 振动信号的时域和频域处理方法 | 第55-58页 |
| 4.5.1 信号的时域统计与概率分布 | 第55-57页 |
| 4.5.2 功率谱分析与倒频谱 | 第57-58页 |
| 4.6 小波包变换与频带能量监测 | 第58-60页 |
| 4.7 BP 神经网络的创建与实现 | 第60-64页 |
| 5 旋转机械振动及故障试验平台模拟故障诊断实验 | 第64-84页 |
| 5.1 旋转机械振动及故障试验平台 | 第64-65页 |
| 5.2 故障诊断系统的模拟测试 | 第65-84页 |
| 5.2.1 故障诊断系统数据采集对比实验 | 第65-68页 |
| 5.2.2 转子不平衡故障诊断实验 | 第68-84页 |
| 6 实际故障诊断与 BP 神经网络故障模式识别 | 第84-97页 |
| 6.1 风力发电机组故障诊断 | 第84-91页 |
| 6.2 基于 BP 神经网络的风机故障模式识别 | 第91-96页 |
| 6.3 本章小结 | 第96-97页 |
| 结论 | 第97-99页 |
| 参考文献 | 第99-103页 |
| 在学研究成果 | 第103-104页 |
| 致谢 | 第104页 |
