基于健康樣本和趨勢預測的風電機組齒輪箱健康狀態(tài)評估方法的研究.pdf

1、我國風電行業(yè)經(jīng)歷了技術引進、消化吸收、自主創(chuàng)新這三個階段，目前裝機總容量已達世界第一。由于風電機組長期處于惡劣環(huán)境，運行狀態(tài)復雜，以及眾多不確定因素導致風場對機組的維護費用居高不下。近年來，機械工程、電氣工程、人工智能等學科在風力發(fā)電領域的研究與應用，使得我國當代風力發(fā)電機組技術得到長足的發(fā)展。對機組進行狀態(tài)監(jiān)測，能夠使問題“早發(fā)現(xiàn)早解決”。對于風電機組整個壽命過程中，降低運維成本、提高發(fā)電效率是人們追求的目標，狀態(tài)識別技術的作用日益凸

2、顯。
　　有統(tǒng)計表明，齒輪箱故障引起機組停機時間和維護費用遠高于其它故障，針對齒輪箱健康狀態(tài)評估技術已經(jīng)有過不少研究，但是目前的狀態(tài)評估方法存在一些不足。首先，由于風電機組齒輪箱故障樣本稀少，并沒有足夠的研究證明不同的風電機組之間齒輪箱運行狀態(tài)特性相同，對某臺機組的研究結果所獲得標準值、閾值不能直接用于其他機組;其次，基于當前機組運行數(shù)據(jù)進行評價不能完全反映機組健康狀態(tài)，比如在劣化趨勢明顯而特征值又處于安全水平時，這種狀態(tài)特性需得

3、到凸顯。本文在前人的基礎上，提出新的一種基于健康樣本和趨勢預測的風電機組齒輪箱健康狀態(tài)評估方法。這種方法具體步驟為:首先采用數(shù)據(jù)挖掘技術對風電機組海量健康數(shù)據(jù)樣本進行挖掘篩選處理，對機組運行狀態(tài)多工況多參數(shù)進行討論研究，獲得分組數(shù)據(jù);然后通過基于遺傳算法改進的BP神經(jīng)網(wǎng)絡訓練建立健康狀態(tài)參數(shù)模型，將實驗值與模型比較獲得特征參數(shù)殘差;最后將殘差值運用基于趨勢預測的模糊綜合評判理論，進行齒輪箱的健康狀態(tài)評估。這種方法的特點是從大量的風電機組