智能监测与诊断

2008年，黄等研究了小波神经网络在风力发电机齿轮箱故障诊断中的应用。该方法利用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等人提出了一种利用谱峰度诊断行星齿轮箱故障的方法。光谱峰度对冲击信号很敏感。利用谱峰度，可以检测信号冲击分量并诊断故障。2009年，INALPOLAT等人研究了行星齿轮箱的建模和动力学行为，为解释其复合传动引起的相互调制和耦合等故障机理提供了依据。2010年，WATSON等人借助连续小波变换对输入功率信号进行分析，识别出发动机转子偏心故障和轴承故障。数据采集卡USB6218的主要性能指标如下：模拟输入：16路，32路32位模拟输入；数字输入和输出：8位数字输入和8位数字输出；采样率：单通道采样率250 ks/s；分辨率：16位分辨率；输入范围：每个通道有四个0.2V-10V的可编程输入范围；数据采集卡NI9234的主要性能指标如下：模拟输入：4路同步采样模拟输入；采样率：每通道采样率为2-51.2 ks/s；输入耦合：交流耦合(0.5赫兹)和IEPE总是可用的。主要内容，4。信号处理方法。信号处理方法中，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，该函数代表分析小波，它必须满足：3的允许条件。小波变换，A表示比例因子，B表示平移因子，小波函数的多分辨率表示：主要内容，5。故障诊断方法，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权值以及前一次迭代的阈值，然后通过输入学习样本计算从第一层返回的每个神经元的输出。第二阶段是误差的反向传播过程：修改权重和阈值，即从最后一层向前计算层的阈值和权重相对于总误差的梯度，其中：输出层每个单元的误差；中间层输出；网络的实际产出；中间层中每个元素的错误；结论：通过智能监测与诊断原理的学习，我对智能监测与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。这门课程的学习也扩展了我的知识，给了我对科学研究的新理解。邱老师用自己的科研经验向我们说明了今后科研和就业的问题，这是一种很好的教学方法。references，j. ribrant，l. m. bertling。surveyoffailuresinwindpowersystems with focusons werdishwandpower plantsduration 1997-2005j。ieeetrans.energyconversion，2007。22(1):167-173。蔡崇信，谢长廷，andS。2黄. EnhancementofdamagedetectionofWindTurbineBladesViacwt-based propages . J.能源学报，2006，21(3):776-781 .KishimotoK，InoueH，HamadaM，ShibuyaT。频散波的时频分析，小波变换1995年；62:841-6。马冬冬，风力发电机远程状态监测和故障诊断