应用人工神经网络进行损伤探测行星齿轮箱风力涡轮机

文摘

监测过程中风力发电机应高度关注变速箱。这个结论来源于大量的论文摘要。他们透露,一方面,变速箱是最卷故障敏感元素之一,另一方面,最昂贵的替代。尽管先进的CMS通常可以提供先进的信号处理工具诊断信息的提取,仍有许多设施,诊断是仅仅基于平均宽带特性,比如均方根(RMS)或最大峰值(PP)。此外,机械工作在高度改变操作条件,如风力涡轮机,这些估计是强烈的波动,这个波动不是线性相关操作参数。因此,一个特定功能的突然增加并不一定指示故障的发展。为了克服这个障碍,提出检测故障发展与人工神经网络(ANN)和进一步的观察计算线性回归参数估计误差之间健康的和未知的条件。拟议中的推理是在现实生活的例子环形齿轮故障在风力涡轮机的行星齿轮箱。

1。介绍

近年来,大功率风力发电机行星变速箱变得非常流行元素的传动系统由于其传输能力相对较高的负载从叶片同时提供较高的齿轮传动比,需要高效的生产电能的发电机。

另一方面,因为它是指出在许多统计总结(1- - - - - -4),变速箱(没有特别区分行星的和其他人)是位于列表的最伤害敏感在这组旋转机械卷组件。这是风力涡轮机变速箱的原因之一,和行星中,尤其是那些收到最大的研究人员和维护工程师的关注。结果,这发起追求提供的方法可以检测到损伤早期,因此限制整个机器的停机时间。应该提到,由于几个网格之间的共享负载行星齿轮箱操作期间,通常是一个单一的故障导致总齿轮损坏需要更换变速箱。根据(2),2.5兆瓦风力发电机行星齿轮箱更换成本超过£400000,显著影响风力涡轮机总收入。图1礼物等大功率齿轮箱有两个并行阶段和单一行星阶段。

行星变速箱的损伤评估的可能性之一是振动分析。与其他典型的工业监控对象,这样的行星变速箱振动分析通常是更具挑战性。这是由于几个原因。首先,风力涡轮机固有的非平稳条件下操作,包括变速和负载。因此,分析其数据需要先进的信号选择算法(5,6)以及复杂的信号重采样方法(7]。其次,为了最大化甚至牙齿磨损,行星变速箱设计一个完整周期的最大长度(即。,完全可重复的行星和所有牙齿的位置)。因此,断层相关的行星可以表现不同的测量没有覆盖整个周期。叔,由于相对较低的速度风力发电机行星变速箱元素的相对较低的特征频率,准确的故障识别需要极长时间记录,难以储存和分析。此外,通常低速度导致低故障引起的能量,进而需要高灵敏度和高质量的数据采集。最后,商业风力涡轮机制造商不允许任何机械干扰到行星齿轮箱体,限制信号来源从外齿轮箱振动记录。

第一个尝试的齿轮进行了振动分析80年代早期(8]。多年来,许多方法开发;但是他们中的很多人被称为直齿圆柱齿轮的分析(9- - - - - -13)覆盖广泛的方法如动态模型(14,15),小波变换(16),能量分布(17),和主成分分析18),仅举几例。研究兴趣行星变速箱增加随着现代CMS的计算和存储能力。这使得提供的方法检测损伤的性质不同,也就是说,剥落(19,20.和点蚀21,22),(牙23和载体24),错误的行星齿轮(25,26和环形齿轮27),等等。Zimroz和Bartkowiak28]分析了应用主成分分析和典型判别分析与多维矩阵变量的分类的行星齿轮箱的状态。这项工作之前是(29日),作者开发了一种高度不同操作参数的方法,利用相关变速箱加载条件敏感性的诊断特性。必须提到的详尽的列表引用可以找到有关这个话题在评审论文(30.,31日]。

不幸的是,尽管许多提出了诊断方法,很多人遭受的缺点,防止其工业应用。在[32),作者注意到要求目视检查的诊断结果之间的比较评估健康和破损。亚布隆斯基,Barszcz33)指出,许多方法假设齿轮的精确位置,这对大多数商业安装是不切实际的。也观察到为特定技术执行数据分析没有将信息工作的不稳定条件(28]。最后,基于本文的作者的经验,在许多当代CMS,尤其是SCADA-based系统,原始振动信号是不能用于最终用户。这是由于有限的数据传输,例如远程WTs,利用GPRS数据传输连接,防止数据传输的包包含高度采样振动信号的持续时间。在这样的应用程序中,状态监测过程进行完全的基础上简单的诊断功能,如均方根或振动的振幅。

在这种情况下,这些指标观察到随着时间的推移,(所谓的趋势)的潜在增加可能会提供信息的发生故障(例如,34])。额外的障碍是一个非线性相关性水平诊断指标和相应的操作条件。因此,评估指标的行为是很困难的(35,36]。这个需求静止的或很少满足quasistationary条件相当大群机器像风力涡轮机37- - - - - -39)或采矿挖掘机(40]。

上面的问题可以克服通过引入业务状态机(41,42]。在这种方法中,每个趋势跟踪预先计算的范围的操作条件。此外,操作状态是用于数据分类在收购过程中,因此在数据分析的过程。这样的模式选择,以最准确地描述一个特定的机器。此外,它需要定义状态计算的趋势显示低(或有最低)水平的变化(42]。这样的稳定需要可靠的报警阈值的理由。否则,即高可变性,突然增加的估计量会导致假阳性警报,误导状态监测的过程中。不幸的是,正如前面提到的在42),这种方法的方法是在开发的早期阶段。

在本文中,作者遵循简单的振动特性的比较研究的想法在高度不稳定的操作条件。拟议中的推理是基于反向传播人工神经网络(ANN)和线性回归的估计误差符合所选操作参数的函数。根据文献综述,到目前为止,这种解决方案尚未提出行星变速箱的故障检测过程。安精度好于滚动轴承状态监测显示了(43- - - - - -45,直齿圆柱齿轮46),离心泵(47),和电力变压器(48]。在[49]作者采用安估计的剩余使用寿命的轴承。Bahmanyar和Karami50)应用ANN Crivelli时电压信号等。51)验证了声发射效率。一个有趣的方法是小张和小王提出的(52安),用于模型生成器的轴承的行为,然而这种方法应用于慢变参数,即温度。

技术提出了考虑波动高度不同操作参数下的振动信号特征的速度和负载。首先,安在正常训练(引用)行为的机器。然后,对于每一个即将到来的非保密的观察,比较功能的给定值和使用教净价值估计。在正常操作的情况下,评估的误差相对较小,它会增加引起的故障。为了限制条件变化的影响,采用线性回归和参数(也称为误差项)。案例研究的方法提出了行星变速箱固定环的例子错在不被察觉的情况下使用古典趋势分析。

本文组织如下。在导论部分,提出了行星齿轮箱诊断的艺术和讨论的相关缺点SCADA-based系统中实现。作者提出用人工神经网络和讨论其迄今为止应用程序。接下来,介绍了人工神经网络的原则。提出了故障检测方法提出了部分3。节4的使用方法所示数据从商业上获得的用于风力涡轮机。最后,讨论的结果和纸。

2。人工神经网络

反向传播人工神经网络的概念,首先提出在53]。它被构造成一个多层结构(图2),包含三个基本层:输入,隐藏,隐藏层和输出,而可能包含多个层。输入信息传递到看不见的隐藏层与初始权值,通常称为这对应于输入神经元之间的信息的权重吗和隐藏的神经元。在转发的过程阶段,输出计算使用不同的权重隐藏层和输出层之间。然后,训练有素的输出与目标的比较和误差。在以下步骤中,计算误差反向传播,这意味着重量校准是为了最小化估计误差的整个训练数据集。最后一个手术可以重复在连续的迭代中称为时代,建立了估计误差在可接受的水平。

3所示。该算法

如前所述,作者的目的是考虑工艺参数的方法,像油温度、风、和转速或负载,和检测诊断功能的增加一个或多个故障发展的存在。为了做到这一点,过程参数的依赖波动减少。可能由于学习过程的人工神经网络估计输入工艺参数和输出诊断之间的关系。论文的贡献是使用ANN模型的振动信号的正常行为特征,根据最重要的过程变量,随后使用训练模型作为参考这些特性的实际值。

后的训练集建立网络的输入和输出,可以执行测试过程。诊断特征的估计净值基于给定的输入。接下来,这种预测是实际的指示由CMS的减项,造成估计误差。事实上,有三个原因错误的估计。

第一个是神经网络的训练不当导致无效的看不见的输入输出估计训练有素的安。在这种情况下,操作参数的估计误差变化,然而它呆在相似的水平。为了减少这种缺陷,应使用长时间训练神经网络覆盖整个范围的操作参数的测量。

第二个原因是机器的动态观察相关,与操作参数之间的关系,和诊断功能。这当对于一个给定的输入参数的组合输出需要不同的值。安这样的训练过程的模糊模型是不可能的,因为教网络分配一个值为每个输入的组合。应该指出,对于机器的不变条件,不精确的估计误差相关培训安保持不变。

第三个出现当测量值不对应的计算参考。这可能表明传感器故障或,更重要的是,破坏发展。

所有上述原因可能同时存在;因此,建议尽量减少其随机影响,强调任何确定性的现象。这可以通过使用[提出的想法相似29日,37]。Zimroz等人提出的观察诊断特性对选择运行参数在几个领域从趋势图。对于每个部分,线性回归函数适合云的观测。获得的参数和用于决策过程。

在本文中提出的方法中,线性回归是用来配合选择操作参数的估计误差的功能,而不是原始的诊断功能。它是基于机器的结论在恶劣条件的值诊断功能,同时估计误差,会增加无论操作条件的变化。由于使用安,错误操作参数的依赖关系是有限的,所以诊断推理可以有限的简单参数也称为误差项。情况良好,该参数维持在低水平(接近于零),和坏条件显著增加(图3)。在这种情况下,阈值可以建立使用统计方法,例如,在[54,55),没有关注高度改变操作条件。此外,为了提高时域分辨率,因此加快诊断决策,分割可能与重叠执行(37]。在拟议的推理参数一般并不考虑,因为它是更容易模糊的输入和输出之间的联系安,这是有关机器的操作的角色。提出了图3,错误可能不均匀的分布域的操作参数,所以它影响安装回归线(蓝色)。因此得出结论,参数不携带诊断信息。

4所示。案例研究

4.1。对象描述

给出了该方法在数据获得使用vibration-based CMS安装在商业利用风力涡轮机(WT)位于德国西部。这个1.5 (MW) WT卷的标准设计;也就是说,齿轮箱和发电机在发动机舱,呈现在图3。主要支持的转子是由三个叶片和主轴承(A1)。行星齿轮箱(A2)有三个行星,行星架推动的。行星辊环和太阳齿轮传输扭矩,同时增加转速。太阳从行星齿轮轴传递转矩两级平行齿轮(A3、A4)。平行齿轮有三个轴:缓慢的离合器太阳转动轴,中间,和快轴,驱动发电机。发电机产生不同频率的交流电流。它首先转换成直流,然后到交流电流的频率等于网格。电转换的基础是由控制器位于WT的塔。一般来说,这种卷繁殖的转速约25 (RPM)主旋翼约1800 (RPM)发电机。

在典型的vibration-based CMS,需要六个传感器来收集足够的数据的正确诊断整个卷。他们都位于呈现在图4:在主轴承(A1)、行星齿轮箱(A2),在两个平行的变速器(A3、A4)和发电机轴承(驱动端(A5)和nondriven端(A6))。

列在56),机器具有相似结构,近150人指标提取状态监测的目的。收集到的数据与相应的操作参数,即负载和转速。

在CMS的描述中,每个参数是每15分钟从10 (s)测量。振动信号采集与25 kHz的采样频率。工艺参数记录同时振动信号每秒一次的速度,所以,10为每个振动信号测量收集。在下一步中,这些值是平均值,因此,作为输出,系统的最终用户收到每观察每个参数的一个值。应该提到,在特征提取的过程,根据准则执行验证的信号提出了(5]。它包括的部分过滤数据低转速(低于1050 (RPM))和周期载荷低于0(千瓦),也就是说,当风力发电机不发电。

在案例研究中,提出风力涡轮机观察大约13个月的CMS安装直到其停止变速箱更换。总共约38500观测记录的约26000满足上面提到的验证要求。同时,长穿的环形齿轮。这种现象不是CMS探测到,但它被发现在22500年期刊服务测量观察。在图5,一个人可以观察频繁变化的操作状态,虽然轻微增加宽带的特性是可见的。增加只是其中的一小部分,所以典型的方法设置一个阈值将不会工作,因为它是基于经验分布函数(54]。

作者想讨论基于安和线性回归的方法,可以揭示断层发展这个变速箱。数据用于该算法包括两个工艺参数,即发电机转速的轴和发电机的输出功率,理解为负载。有大量的特性,计算出原始振动信号。最受欢迎的是窄带能量代表频率等于齿轮啮合,轴谐波,等等。也有宽带的特性,不容易受到噪声和窗口的影响,被认为是更健壮的。这是它的主要原因是标准化的,作为行业标准(57]。选择两个诊断特征,即均方根(RMS)和最大峰值(PP)。

4.2。施工安

最重要的一个问题在机械状态监测高度改变操作条件是一个非线性的影响,这种情况下,在特定的转速和负载的振动水平,因此故障指标。通常观察到相关的增加幅度变化的条件远远高于一个由机械故障,特别是在它的早期阶段。在作者看来,一个可能的方法来减少这个问题是使用安。在这种方法中,网络训练使用收集的数据引用(健康)的机器的操作,然后用于估算值在测试期间,当机器的条件是未知的。调查一开始,许多安的组合结构进行了测试。这导致结论错误最少的估计是获得使用的2-10-20-2组合节点与均方误差等于0.0144为RMS PP和0.0025。结构描述为2-10-20-2意味着两个节点(即被用作输入。、转速和负载);有两个隐藏层组成的10和20个节点,分别。最后,RMS和PP指标被作为输出值(目标)。

4.2.1。准备培训

提出了网络训练使用约3个月的观察(图5),这相当于大约6000个样本为每个参数。如前所述,转速和负载(输出功率)作为网络的输入参数进行训练,因为它可以表示,它主要影响诊断参数(29日]。RMS和PP作为输出。

培训在给定的结构发生在500年重复(时代),在此期间的初始权重是纠正最小化输出预测误差反向传播的过程中(图2)。最后建立网络用于其余数据可能损伤检测。

4.2.2。测试

测试集覆盖约20000观察每个选择的特性,呈现在图5。使用的输入数据建立了RMS和PP净输出为了实现这些参数的估计未知的大量的时间操作。在下一步中,近似与计算值与实际振动信号记录的CMS。多亏了这个过程,估计的误差。

4.2.3。线性回归拟合

在下一步中,数据被划分为重叠段(重叠等于50%),每个都包含2000个观察(图6)。

在数据7和8可以观察到分布的估计误差对两个操作参数对PP和RMS,分别。可以看出错误不管速度和负载的增加,然而他们并不完全独立的从最初的部分。这是由于小的诊断功能的增加最初观察到的趋势,它可以防止使用经典的基于阈值的方法。

4.3。故障识别

在下一步中,为每一个分段线性回归是适合使用最小二乘方法和参数和是获得和在表吗1和2。此外,它用数字9和10。可以看出参数无论变化不明显的诊断指标和操作参数用于回归分析。在每种情况下,周围的振荡甚至零表示程度的估计误差。

另一方面,为参数最初的环形齿轮和恶化的条件之间的差异是显著的。很明显,增加更高使用这个参数的趋势相比,诊断功能。而且现在可以建立控制极限。

提到很重要的观察增加选定的操作参数无关,然而,当观察到高速度域。这可能是由于风力涡轮机的设计,其目的是在建立转速在一定水平(通常是低和高)。产生错误估计堆积在一些云层围绕这些速度和影响回归分析。在作者看来,这不应被视为一种技术的缺点,因为它强调出现故障。

5。结论

在研究论文,反向传播人工神经网络的应用研究故障检测的风力涡轮机的行星齿轮箱。ANN模型选择的特性取决于操作参数和线性回归后来被用来区分健康受损的状态。

分析集中于两个常用的诊断功能,即均方根(RMS)和最大峰值(PP)。提出了案例研究,结果表明,这些指标没有透露足够失败发生的症状。相反,提出方法暴露早期几个月前的损害变速箱更换。这是可能的错误估计趋势诊断功能,进一步拟合的线性回归函数的操作参数。由于ANN模型非线性依赖关系的能力,可以减少相关的困难不断和高度不同的操作参数。参数信息提供的线性回归误差普遍增加整个范围的操作参数,从而损害变速箱的发展提供信息。

该方法的额外的好处是,它可以用于各种输入参数和故障指标。之前的方法不需要过滤的数据,所以没有必要操作状态设置。明确区分初始和恶化的条件可以建立一个控制限,因此自动化诊断过程。在作者看来,它显示了巨大的应用潜力各种旋转机械的状态监测,如风力涡轮机(提出),矿山挖掘机、或燃气轮机。

利益冲突

作者宣称没有利益冲突有关的出版。

承认

作者要感谢AGH科技大学的金融支持程序内的院长奖学金(没有。15.11.130 987)。

引用

1. g·w·范·Bussel和m . b . Zaaijer可靠性、可用性和维护方面的大型海上风力发电场,”海洋可再生能源国际会议纽卡斯尔,页119 - 126年,英国,2001年。视图:谷歌学术搜索
2. d·麦克米兰和g·w·奥尔特,“量化状态监测近海风力涡轮机中受益,”风工程没有,卷。31日。4、267 - 285年,2007页。视图:出版商的网站|谷歌学术搜索
3. j . Ribrant和l . m . Bertling”的调查在风力发电系统故障与关注瑞典风力发电厂在1997 - 2005年期间,“IEEE能量转换,22卷,不。1,第173 - 167页,2007。视图:出版商的网站|谷歌学术搜索
4. 美国Faulstich、b·哈恩和p . j . Tavner“风力发电机停机时间和近海部署,它的重要性”风能,14卷,不。3、327 - 337年,2011页。视图:出版商的网站|谷歌学术搜索
5. a Jablonski和t . Barszcz验证为重型机械振动测量诊断,”机械系统和信号处理,38卷,不。1,第263 - 248页,2013。视图:出版商的网站|谷歌学术搜索
6. g .歌曲Z.-Y。李,p . Bellemain:马丁,c . Mailhes”AStrion非平稳的数据验证风力涡轮机的信号,”学报》第12届国际会议上机械状态监测和故障预防技术2015年6月,英国牛津大学。视图:谷歌学术搜索
7. l . f .别墅,a . Renones j . r . Peran和l . j . de米格尔,“角重采样振动分析的风力发电机非线性速度波动下,“机械系统和信号处理,25卷,不。6,2157 - 2168年,2011页。视图:出版商的网站|谷歌学术搜索
8. r·b·兰德尔“建模齿轮故障的新方法,”ASME《机械设计,卷104,不。2、259 - 267年,1982页。视图:出版商的网站|谷歌学术搜索
9. p·d·麦克费登”,确定疲劳裂纹的位置在一个齿轮啮合振动的相位变化,“机械系统和信号处理,卷2,不。4、403 - 409年,1988页。视图:出版商的网站|谷歌学术搜索
10. j·d·史密斯,齿轮噪音和振动,马塞尔·德克,纽约,纽约,美国,第二版,2003年版。
11. j . Mączak“当地的啮合面作为诊断信息来源监测齿轮故障的进化,”工程资产生命周期管理:工程资产管理程序的第四届世界大会(WCEAM 2009), 2009年9月28 - 30施普林格,页661 - 670年,伦敦,英国,2010年。视图:出版商的网站|谷歌学术搜索
12. a . Belsak j .瓶,“齿轮疲劳裂纹检测方法”,理论和应用断裂力学,46卷,不。2、105 - 113年,2006页。视图:出版商的网站|谷歌学术搜索
13. w·j·Staszewski g·r·汤姆林森,“小波变换应用于齿轮故障检测,”机械系统和信号处理,8卷,不。3、289 - 307年,1994页。视图:出版商的网站|谷歌学术搜索
14. 霍华德,s .贾,j .王”的动态造型的齿轮啮合摩擦和裂缝等“机械系统和信号处理,15卷,不。5,831 - 853年,2001页。视图:出版商的网站|谷歌学术搜索
15. w·Bartelmus“变速箱动态造型”,理论与应用力学杂志》上,39卷,不。4、989 - 999年,2001页。视图:谷歌学术搜索
16. w·j·王,p .短评。”小波应用到齿轮箱振动信号的故障检测,”杂志的声音和振动,卷192,不。5,927 - 939年,1996页。视图:出版商的网站|谷歌学术搜索
17. w . j . Staszewski k·沃顿,g·r·汤姆林森“时频分析在齿轮箱故障检测使用能量分布和模式识别,”机械系统和信号处理,11卷,不。5,673 - 692年,1997页。视图:出版商的网站|谷歌学术搜索
18. r . Zimroz和a . Bartkowiak”调查齿轮箱振动信号的频谱结构主成分分析对状态监测的目的,“物理学杂志》:会议系列文章ID 012075卷,305年,页1 - 11,2011。视图:出版商的网站|谷歌学术搜索
19. 撒母耳和d·j·p·d·松树,”回顾vibration-based直升机传输技术诊断,”杂志的声音和振动,卷282,不。1 - 2、475 - 508年,2005页。视图:出版商的网站|谷歌学术搜索
20. 撒母耳和d·j·p·d·松树”,约束自适应提升和CAL4度量直升机传输诊断,”杂志的声音和振动,卷319,不。1 - 2、698 - 718年,2009页。视图:出版商的网站|谷歌学术搜索
21. x赵、m . j .左和z . Liu”点蚀损伤的诊断水平的基于顺序排名,行星齿轮”学报2011年IEEE会议预测和健康管理美国科罗拉多州,页1 - 8,丹佛,2011年6月。视图:谷歌学术搜索
22. z程:胡、f·顾和g .秦”估计为行星齿轮点蚀损伤水平集模型模拟和灰色关联分析的基础上,“加拿大机械工程学会的事务,35卷,不。3、403 - 417年,2011页。视图:谷歌学术搜索
23. z z . Chen Zhu, y . Shao,“行星齿轮系统的故障特性分析与齿根裂纹和灵活的环形齿轮边缘,”工程失效分析49卷,第103 - 92页,2015年。视图:出版商的网站|谷歌学术搜索
24. d . m .钝和j·a·凯勒”,疲劳裂纹的检测一个uh - 60 a行星齿轮架使用振动分析,“机械系统和信号处理,20卷,不。8,2095 - 2111年,2006页。视图:出版商的网站|谷歌学术搜索
25. x赵,m . j .左z . Liu和m . r . Hoseini“人造表面损伤的诊断水平的使用顺序排名,行星齿轮的牙齿”测量,46卷,不。1,第144 - 132页,2013。视图:出版商的网站|谷歌学术搜索
26. j·p·t·科赫和c . m .小羊驼”动态和现象学振动模型对行星齿轮的行星变速箱故障预测,“巴西社会的《机械科学与工程,36卷,不。3、533 - 545年,2014页。视图:出版商的网站|谷歌学术搜索
27. t . Barszcz和r·b·兰德尔”应用谱峰度检测牙齿裂缝在风力涡轮机的行星齿轮,”机械系统和信号处理,23卷,不。4、1352 - 1365年,2009页。视图:出版商的网站|谷歌学术搜索
28. r . Zimroz和a . Bartkowiak”两个简单的多变量过程监测行星变速箱在非平稳的操作条件下,“机械系统和信号处理,38卷,不。1,第247 - 237页,2013。视图:出版商的网站|谷歌学术搜索
29. w . Bartelmus和r . Zimroz”,一个新特性监测的条件变速箱在非平稳的操作条件下,“机械系统和信号处理,23卷,不。5,1528 - 1534年,2009页。视图:出版商的网站|谷歌学术搜索
30. y Lei, j .林·m·j·左和z,“行星齿轮箱的状态监测和故障诊断:复习一下,”测量,48卷,不。1,第305 - 292页,2014。视图:出版商的网站|谷歌学术搜索
31. 林A . k . s .怡和d, d . Banjevic”回顾机械实现状态维修诊断和预测,“机械系统和信号处理,20卷,不。7,1483 - 1510年,2006页。视图:出版商的网站|谷歌学术搜索
32. y Lei, d .香港、j·林和m . j .左”行星变速箱的故障检测诊断参数,使用新”测量科学与技术,23卷,不。5、文章ID 055605, 2012。视图:出版商的网站|谷歌学术搜索
33. a Jablonski和t . Barszcz瞬时周节循环功率(ICPCP)——工具诊断行星变速箱,”主要工程材料卷,518年,第173 - 168页,2012年。视图:出版商的网站|谷歌学术搜索
34. d . Astolfi、f·卡斯特拉尼和l . Terzi,“故障预防和诊断通过SCADA陆上风电场的温度数据分析,“Diagnostyka,15卷,不。2、71 - 78年,2014页。视图:谷歌学术搜索
35. j . r .堆栈、t . g . Habetler和r·g·哈雷”影响的机器速度的开发和检测滚动轴承故障,”IEEE电力电子信件,1卷,不。1,19 - 21页,2003。视图:出版商的网站|谷歌学术搜索
36. w·杨,r .法院和j .江“风力发电机状态监测方法的SCADA数据分析,“可再生能源53卷,第376 - 365页,2013年。视图:出版商的网站|谷歌学术搜索
37. r . Zimroz w . Bartelmus、t . Barszcz和j .他“风力涡轮机主轴承诊断数据处理的建议和决策过程非固定负荷条件下,“主要工程材料卷,518年,第444 - 437页,2012年。视图:出版商的网站|谷歌学术搜索
38. Hameed z . y . s .香港y . m .赵s h·安和c k歌,“风力发电机状态监测和故障检测和相关算法:复习一下,”可再生能源和可持续能源的评论,13卷,不。1,1-39,2009页。视图:出版商的网站|谷歌学术搜索
39. j .他m . Strączkiewicz, t . Barszcz”联合马力表示振动特点:应用风力发电机行星齿轮箱,”学报》第三届国际会议上的机械状态监测非平稳操作费拉拉,意大利,2013年5月。视图:谷歌学术搜索
40. g .Żak j . Obuchowski a Wylomańska, r . Zimroz”应用ARMA建模和alpha-stable分布在轴承局部损伤检测,”Diagnostyka,15卷,不。3,3 - 10,2014页。视图:谷歌学术搜索
41. m·a·Timusk m·g . Lipsett j .麦克贝恩和c k . Mechefske”自动操作模式分类在线监测系统”,振动和声学》杂志上卷,131年,第141 - 131页,2009年。视图:出版商的网站|谷歌学术搜索
42. m . Straczkiewicz p . Wiciak a Jabłoński, t . Barszcz“机械在高度变化的操作:在指定的操作状态,”学报》第12届国际会议上机械状态监测和故障预防技术英国牛津大学,页1 - 12,2015年6月。视图:谷歌学术搜索
43. a . Hajnayeb s e . Khadem, m . h . Moradi”自动状态监测专家系统的设计和实现滚珠轴承故障检测”工业润滑和摩擦学,60卷,不。2、93 - 100年,2008页。视图:出版商的网站|谷歌学术搜索
44. b . Samanta和k . r . Al-Balushi”,基于人工神经网络的滚动轴承故障诊断使用时域特性,”机械系统和信号处理,17卷,不。2、317 - 328年,2003页。视图:出版商的网站|谷歌学术搜索
45. m . Cocconcelli r . Rubini r . Zimroz, w . Bartlemus”诊断的滚珠轴承变速马达通过人工神经网络”《第八届国际会议上机械状态监测和故障预防技术卡迪夫,页760 - 771年,英国,2011年6月。视图:谷歌学术搜索
46. j . Rafiee f . Arvani、a . Harifi和m . h . Sadeghi“智能状态监测的变速箱使用人工神经网络,”机械系统和信号处理,21卷,不。4、1746 - 1754年,2007页。视图:出版商的网站|谷歌学术搜索
47. A . Azadeh m·萨贝里A . Kazem诉Ebrahimipour, A . Nourmohammadzadeh z .萨贝里,”一个灵活的故障诊断算法的离心泵损坏数据和基于安和噪声与hyper-parameters优化支持向量机,”应用软计算杂志,13卷,不。3、1478 - 1485年,2013页。视图:出版商的网站|谷歌学术搜索
48. d . v . s . s . s . Sarma g·n·s . Kalyani,”安使用DGA的电力变压器状态监测方法,”IEEE 10地区研讨会论文集(TENCON ' 04),3卷,第447 - 444页,IEEE, 2004年11月。视图:出版商的网站|谷歌学术搜索
49. z田”的剩余使用寿命预测的人工神经网络方法设备状态监测,“《智能制造,23卷,不。2、227 - 237年,2012页。视图:出版商的网站|谷歌学术搜索
50. a . r . Bahmanyar和a . Karami”电力系统电压稳定监视与一组减少使用人工神经网络的输入,“电力和能源系统的国际期刊58卷,第256 - 246页,2014年。视图:出版商的网站|谷歌学术搜索
51. d . Crivelli m . Guagliano, a . Monici”发展分析的人工神经网络处理技术应用于复合材料损伤演化的声发射,“复合材料B部分:工程,56个卷,第959 - 948页,2014年。视图:出版商的网站|谷歌学术搜索
52. z张和k .王”,风力涡轮机故障检测基于SCADA数据分析使用安,”制造业的进步,卷2,不。1,第78 - 70页,2014。视图:出版商的网站|谷歌学术搜索
53. d . e . Rumelhart、g·e·辛顿和r . j·威廉姆斯,“学习误差传播内部表示,”并行分布式处理:探索微观结构的认知,1卷,页318 - 362,麻省理工学院出版社,剑桥,质量,美国,1986年。视图:谷歌学术搜索
54. 雅布伦斯基,t . Barszcz m . Bielecka, p . Breuhaus”建模自动阈值的概率分布函数计算在状态监测系统中,“测量,46卷,不。1,第738 - 727页,2013。视图:出版商的网站|谷歌学术搜索
55. c . Cempel”限制机器振动诊断的实践价值,”机械系统和信号处理,4卷,不。6,483 - 493年,1990页。视图:出版商的网站|谷歌学术搜索
56. t . Barszcz和m . Straczkiewicz”小说直观层次结构状态监测系统的风力涡轮机,”Diagnostyka,14卷,不。3,53-60,2013页。视图:谷歌学术搜索
57. ISO,“机械vibration-evaluation机器振动的测量旋转parts-part我:一般指南,”ISO10816年,国际标准化组织,瑞士日内瓦,1995年。视图:谷歌学术搜索

版权

版权©2016戈Strączkiewicz和Tomasz Barszcz。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。