1、A1风力发动机组远程状态监测与诊断系统的开发报告人：蔡 静A2主要内容A31.应用目的与综述A41.应用目的与综述 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
2、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。A51.应用目的与综述系统的整体框架图A6主要内容A72.传感器A8主要内容A93.数据采集方法 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
3、耦合（0.5Hz）和IEPE始终可用A10主要内容A114.信号处理方法1/aA124.信号处理方法函数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：,1(,)(t),(t)(t)()a btbWTh a bffdtaa2()d a0,函数表示分析小波，它必须满足允许条件:(t)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：0000,(t)(t)(t)jkjkj kjkkkjjxCd,j kZA13主要内容A145.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
4、的输出。1(yc)c(1c)eb(1b)kktttttqkjtjtjjtdd v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，(N 1)(N)d(N 1)(N)dkjtjttjktttvvbjtvt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ktdkjejbtcktyA15主要内容A165.总结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
5、解科研以及以后就业的问题，是一个很好的教学手段。A17参考文献J.Ribrant,L.M.Bertling.Survey of failures in wind power systems with focus on Swedish wind power plants during 1997-2005J.IEEE Trans.Energy Conversion,2007,22(1):167-173.C.S.Tsai,C.T.Hsieh,and S.J.Huang.Enhancement of damagedetection of wind turbine blades via CWT-base
6、d approachesJ.IEEE Trans.Energy Conversion,2006,21(3):776-781.Kishimoto K,Inoue H,Hamada M,Shibuya T.Time frequency analysis of dispersive waves by means of wavelet transform.J Appl Mech 1995;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.A18谢谢！谢谢！
