风电机组振动监测、故障诊断与寿命预测

第1章绪论1
11风能产业与特点概述1
111风能产业发展概述1
112风电机组故障诊断与寿命预测的
意义3
12风电机组状态监测技术4
121振动监测技术5
122油液监测技术6
123无损检测技术7
124不平衡状态监测技术8
125基于模态分析的状态监测技术8
13风电机组传动链故障诊断方法9
131风电齿轮箱故障动力学模型9
132变转速工况下故障特征提取10
133故障信息增强方法11
134智能故障诊断方法12
135风电机组关键部件寿命预测
方法12
14风电机组振动诊断与预测技术难点13
15风电机组监测、诊断技术发展的
关键14
第2章风电机组结构及运行控制16
21风电机组总体结构16
22双馈机组传动链结构18
23直驱机组结构20
24半直驱机组结构21
25风电机组运行控制原理21
251风力发电的空气动力学模型21
252风电机组的控制技术27
第3章风电机组振动监测基础36
31风电机组传动链失效原因36
311交变载荷引起的疲劳损伤37
312过载引起的损伤37
313维护不当引起的故障39
32齿轮、轴承故障状态下的振动机理40
321齿轮故障振动调制机理40
322轴承故障振动调制机理41
33风电齿轮箱故障特征频率42
331一级行星 两级平行结构齿轮箱
特征频率42
332二级行星 一级平行结构齿轮箱
特征频率43
333行星级各齿轮故障特征频率44
334定轴轴承故障特征频率45
335行星轴承故障特征频率45
34风电机组传动链振动监测系统46
341在线振动监测系统46
342离线振动监测系统49
343振动采样频率的确定50
35风电机组传动链振动评价标准50
351风电检测认证及振动测试标准50
352风电机组振动评价标准51
第4章风电机组传动链故障特征
提取53
41振动信号基本分析方法53
411时域分析53
412频域分析53
413包络解调分析54
414倒频谱分析54
42行星部件故障特征提取55
421行星轮系局部故障56
422行星轮系分布式故障57
423行星轴承故障73
43风电齿轮箱典型故障特征提取73
431中间轴小齿轮崩齿故障73
432高速轴齿轮故障74
433齿轮、轴承复合故障75
44发电机轴承故障特征描述与提取84
441轴承润滑不良84
442轴承电腐蚀故障85
443轴承打滑跑圈故障87
444发电机轴承保持架故障87
445电磁振动下发电机轴承故障88
45自适应故障特征提取97
451自适应特征提取方法98
452基于经验模态分解的齿轮故障
特征提取102
453基于经验小波变换的轴承故障
特征提取109
46风轮不平衡故障特征提取112
第5章风电机组群智能故障诊断116
51智能故障诊断基础116
511有监督学习的模式识别原理116
512无监督学习的模式识别原理119
513两种模式识别方法的比较120
52基于自适应共振神经网络的风电机组
趋势分析120
521ART2神经网络结构120
522ART2神经网络学习算法121
523基于ART2神经网络的发电机
轴承健康趋势分析124
53结合ART2神经网络和C均值聚类的
机组群智能诊断128
531ART2神经网络算法存在的
问题128
532C均值聚类算法129
533结合ART2神经网络和C均值
聚类的分类算法129
534风电机组设备群故障诊断130
54基于模糊核聚类的风电机组故障
诊断133
541模糊核聚类算法133
542优化模糊核聚类算法137
543基于模糊核聚类算法的故障
诊断139
544风电机组故障诊断案例142
第6章风电机组轴承剩余使用寿命
预测146
61风电机组轴承剩余使用寿命预测基本
概念146
62基于神经网络滚动更新的风电齿轮箱
轴承剩余使用寿命预测147
621短期趋势预测的神经网络148
622剩余使用寿命预测流程148
623案例分析149
63基于改进无迹粒子滤波的发电机轴承
剩余使用寿命预测156
631贝叶斯滤波156
632剩余使用寿命预测流程160
633案例分析160
64基于特征融合与自约束状态空间估计的
轴承剩余使用寿命预测166
641轴承健康指标构建166
642自约束状态空间估计器169
643案例分析172
参考文献182