风电机组关键机械部件故障诊断方法研究

【摘要】：随着石油、煤炭等矿物资源日趋枯竭,全球范围内生态环境日益恶化,人们已经清醒地认识到风能这一可再生能源的重要性,风电行业受到广泛的重视。由于风能的不确定性和风电机组本身的影响,风电机组的维护成本较高,这里主要的维护来自于风电机组传动系统关键机械部件,齿轮箱齿轮和轴承容易出现损坏。所以把风电机组齿轮箱齿轮和轴承等关键部件为研究对象,开展相关的故障诊断方法研究。首先,研究了风电机组齿轮箱齿轮和轴承等关键部件的振动机理。对主流风电机组的常见类型和各类型主要的传动系统部件进行了分析,再对齿轮箱齿轮和轴承等关键部件典型故障和故障特征进行研究。并对常用的信号处理方法时域、频域和时频域进行了分析论述,为后续工作提供理论依据。其次,研究了风电机组齿轮箱齿轮和轴承等关键部件的故障特征选取和提取法。针对风电机组传动系统关键部件发生故障时,振动的信号体现为非高斯、非平稳、非线性,信号特征参数不易选取问题,提出基于本征模态函数(IMF)-核函数主元(KPC)分析法选取法。先对信号进行软阈值Sym8小波降噪,再对信号进行经验模态(EMD)分解计算构建本征模态函数(IMF)特征参数阵。针对非线性状态特征的高维性,通过核函数主元分析法进行降维的方式,构建特征矢量阵。再次,提出并研究了一种改进的k最近邻分类器(IkNN)的故障识别方法。针对传统K最近邻分类器K值难以确定、处理大样本数据很困难;以及现有k最近邻分类器在选择邻居时采用欧式距离,欧式距离对每个特征参量都是同等对待,使得特征矢量直接的相似度计算不够准确,不能有效反映主要特征参量和分类精度有待提高的问题,提出了改进的k最近邻分类器(IkNN)的故障诊断方法,通过构建诊断分类模型,实现对风电机组关键机械部件故障诊断。最后,设计故障诊断实验方案并验证故障诊断分类模型的有效性。利用风电机组传动系统故障模拟实验平台,完成了对齿轮箱齿轮和轴承等关键机械部件故障实验。采集了齿轮和轴承共计8类故障数据(包括正常工作),通过对信号进行降噪处理,验证软阈值Sym8小波的有效性。并用本征模态函数-核函数主元分析法提取故障特征,将Ik NN和SVM、ELM、kNN、FuzzykNN在分类精度方面进行对比取得较好效果,验证诊断分类模型的有效性。 【关键词】：风电 故障诊断 本征模态函数 核函数主元分析 改进的k最近邻分类器
【学位授予单位】：上海电机学院
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM315
【目录】：

• 摘要5-7
• ABSTRACT7-12
• 第一章 绪论12-21
• 1.1 课题研究背景及意义12-14
• 1.2 风机关键部件故障诊断国内外研究现状14-18
• 1.3 研究现状分析与总结18
• 1.4 研究内容及章节安排18-21
• 1.4.1 论文研究内容18-19
• 1.4.2 论文章节安排19-21
• 第二章 风电机组关键机械部件结构及典型故障概述21-32
• 2.1 引言21
• 2.2 风力发电机组的结构及原理21-26
• 2.2.1 风力发电机的总体构成及原理21-23
• 2.2.2 风力发电机的原理23
• 2.2.3 齿轮箱升速型风力发电机基本结构简介23-25
• 2.2.4 齿轮箱升速型风力发电机齿轮箱结构25-26
• 2.3 风电机组关键机械部件的典型故障26-28
• 2.3.1 齿轮常见故障分析26-27
• 2.3.2 轴承常见故障分析27-28
• 2.4 风电机组关键机械部件的故障信号特征28-31
• 2.4.1 齿轮的故障信号特征28-30
• 2.4.2 轴承的故障信号特征30-31
• 2.5 本章小结31-32
• 第三章 风电机组关键机械部件故障信号处理方法分析32-41
• 3.1 引言32
• 3.2 振动信号的处理32-38
• 3.2.1 时域分析32-33
• 3.2.2 频域分析33-36
• 3.2.3 时频域分析36-38
• 3.3 软阈值Sym8小波降噪处理38-40
• 3.4 本章小结40-41
• 第四章 风电机组齿轮箱故障诊断方法研究41-53
• 4.1 引言41
• 4.2 本征模态函数分量特征参数选取41-43
• 4.3 核函数主元分析特征参数的提取43-46
• 4.3.1 KPC原理及分析推导43-45
• 4.3.2 非线性核主元个数的确定45-46
• 4.4 改进的K最近邻分类器故障分类方法研究46-50
• 4.4.1 k最近邻分类47-48
• 4.4.2 改进的k最近邻分类48-50
• 4.5 基于KPC-IkNN的风电机组关键机械部件故障诊断方法50-52
• 4.5.1 建立KPC-IkNN的风电机组关键机械部件故障诊断模型50-51
• 4.5.2 风电机组关键机械部件故障诊断步骤51-52
• 4.6 本章小结52-53
• 第五章 风电机组齿轮箱故障诊断实验分析53-74
• 5.1 引言53
• 5.2 风电机组齿轮箱故障试验台53-60
• 5.2.1 试验台参数配置53-55
• 5.2.2 齿轮和轴承故障实验方案55-57
• 5.2.3 齿轮和轴承故障实验过程57-60
• 5.3 故障信号降噪处理60-61
• 5.4 故障特征参数选取61-67
• 5.4.1 故障信号时域、频域特征参数选取61-62
• 5.4.2 故障信号IMF分量特征参数选取62-67
• 5.5 基于KPC-IkNN故障诊断分析67-73
• 5.5.1 建立核函数主元模型67-68
• 5.5.2 建立IkNN诊断分类模型68-73
• 5.6 本章小结73-74
• 第六章 总结与展望74-76
• 6.1 总结74-75
• 6.2 展望75-76
• 参考文献76-82
• 致谢82-83
• 攻读硕士学位期间取得的研究成果83

您可以在本站搜索以下学术论文文献来了解更多相关内容

状态监测与故障诊断中的主元分析法    朱松青;史金飞;

基于主元分析法的特征脸法在人脸识别中的应用    余蓓蓓,余娟

基于主元分析法的冷水机组传感器故障检测效率分析    胡云鹏;陈焕新;周诚;杨小双;徐荣吉;

基于结构模型和主元分析法的行为识别    杨强;

基于小波和PCA的火炮输弹系统故障诊断研究    张鹏军;薄玉成;王惠源;李强;

主元分析法在MIMO系统中的故障检测与诊断研究    曹立学;

主元分析法在火电厂过程控制中的应用    王京茹,李平康,郑宏伟

    

主元分析法在火电厂过程控制中的应用    王京茹;李平康;郑宏伟;

工业锅炉运行优化方法的研究    陈兰

人脸快速识别算法研究    邹杰

风电机组关键机械部件故障诊断方法研究    王加祥

基于主元分析法的工业锅炉故障诊断的研究    韩同瑞