智能监测与诊断PPT.pptVIP

噪声一般分布在高频段，设定门限阀值。小波神经网络结合了小波变换良好的时频局部化特性及神经网络的自学习功能，因而具有较强的逼近、容错能力，又具有自适应、自学习的功能，因此在旋转机械故障诊断识别领域有广泛的应用前景*EnhancementofdamagedetectionofwindturbinebladesviaCWT-basedapproaches*报告人：蔡静2008年，HUANG等研究了小波神经网络在风力机齿轮箱故障诊断中的应用。该方法借助小波变换的时频分析特性和神经网络的自学习功能，将小波函数作为神经网络的隐含层，提高了诊断精度，减少了神经网络的层数，加快了收敛速度。2009年，BARSZCZ等提出了利用谱峭度诊断行星齿轮箱故障的方法。谱峭度具有对冲击信号敏感的特性，利用谱峭度可以检测出信号冲击成分，从而诊断出故障。2009年，INALPOLAT等对行星齿轮箱的建模和动力学行为进行了研究，为阐述其复合传动引起的故障相互调制和耦合等故障机理提供了依据。2010年，WATSON等借助连续小波变化，对输入功率信号进行分析，识别出了发动机转子偏心故障和轴承故障。系统的整体框架图数据采集卡USB6218的主要性能指标如下：模拟量输入：16路、32路32位模拟输入；数字量输入输出：8位数字输入、8位数字输出；采样率：单通道采样率250kS/s；分辨率：16位分辨率；输入范围：每通道有四个可编程输入范围±0.2V-±10V；数据采集卡NI9234的主要性能指标如下：模拟量输入：4路同步采样模拟输入；采样率：每通道采样速率2-51.2kS/s；输入耦合：交流耦合（0.5Hz）和IEPE始终可用函数f(t)的连续小波变换定义为信号f(t)与小波基函数的内积：a0,函数表示分析小波，它必须满足允许条件:3.小波变换a表示伸缩因子，b表示平移因子小波函数的多分辨表达：小波神经网络故障诊断系统第一阶段是正向传播过程：设置网络结构参数和前一次迭代的权值和阈值，然后通过输入学习样本从第一层往后计算各神经元的输出。第二阶段是误差的逆向传播过程：对权值和阈值进行修改，即从最后一层向前计算层的阈值和权值对总误差的梯度，式中：：输出层的各单元误差；：中间层输出；：网络的实际输出；：中间层的各单元误差；：目标向量智能监测与诊断原理这门课让我学到了很多，对智能监测诊断系统有了一定的了解，包括传感器、数据采集模块、数据处理模块等。这门课的学习也拓展了我的知识面，对科研有了新的认识，邱老师以自己的科研经历给我们讲解科研以及以后就业的问题，是一个很好的教学手段。J.Ribrant,L.M.Bertling.SurveyoffailuresinwindpowersystemswithfocusonSwedishwindpowerplantsduring1997-2005[J].IEEETrans.EnergyConversion,2007,22(1):167-173.C.S.Tsai,C.T.Hsieh,andS.J.Huang.EnhancementofdamagedetectionofwindturbinebladesviaCWT-basedapproaches[J].IEEETrans.EnergyConversion,2006,21(3):776-781.KishimotoK,InoueH,HamadaM,ShibuyaT.Timefrequencyanalysisofdispersivewavesbymeansofwavelettransform.JApplMech1995;62:841-6.麻东东,风力发电机组远程状态监测与故障诊断系统的开发,[硕士学位论文].华北电力大学.2012年.王慧中,王小鹏,李春霞,基于数据挖掘的风力发电设备在线故障诊断平台[J].风机技术.2010(1):47-50.**和差化积，再提取公因式。**时域分析包括振动波形相关分析和振动时域统计分析。即计算振动信号的时域波形的均方差、均值、方差等统计参数。时域信号只能粗反映设备是否发生故障，而频域分析可以对故障定位，来确定故障的原因。****和差化积，再提取公因式。**时域分析包括振动波形相关分析和振动时域统计分析。即计算振动信号的时域波形的均方差、均值、方差等统计参数。时域信号只能粗反