風(fēng)力發(fā)電機(jī)組故障診斷研究.pdf

1、隨著風(fēng)力發(fā)電機(jī)組大規(guī)模投入運(yùn)行，故障診斷問(wèn)題得到了各方面的重視。軸承是風(fēng)力發(fā)電機(jī)組的重要組成部分，其會(huì)直接影響到整臺(tái)機(jī)器的性能。本文以軸承為研究對(duì)象，以中能電力科技開(kāi)發(fā)有限公司對(duì)風(fēng)機(jī)振動(dòng)信號(hào)的在線監(jiān)測(cè)與故障診斷為背景，對(duì)風(fēng)力發(fā)電機(jī)組故障診斷進(jìn)行研究。
　　首先，信號(hào)的來(lái)源及處理。本文中所用到的風(fēng)機(jī)的振動(dòng)信號(hào)均來(lái)自中能電力科技開(kāi)發(fā)有限公司。由于現(xiàn)場(chǎng)噪聲信號(hào)大，為保證信號(hào)的可用性，本文中選用小波濾波法對(duì)信號(hào)進(jìn)行濾波處理。
　　然

2、后，對(duì)濾波后的信號(hào)進(jìn)行特征提取。本文中選用了14個(gè)時(shí)頻域特征、小波包能量法及內(nèi)稟模態(tài)能量法三種方法對(duì)信號(hào)進(jìn)行特征提取。接著選用支持向量機(jī)(Support Vector Machine,SVM)進(jìn)行故障診斷。為了解決支持向量機(jī)的高維問(wèn)題，引入了核函數(shù)，并通過(guò)實(shí)例仿真分析表明了徑向基核函數(shù)要比其他核函數(shù)更具有優(yōu)越性。影響支持向量機(jī)性能的參數(shù)主要有懲罰因子C和核函數(shù)?，為了使SVM診斷性能更好，本文對(duì)基于PSO算法優(yōu)化SVM參數(shù)的方法進(jìn)行了研

3、究，且對(duì)粒子群算法進(jìn)行了改進(jìn)，并將基于模擬退火的粒子群優(yōu)化算法(SAPSO)用于對(duì)支持向量機(jī)參數(shù)的優(yōu)化。
　　最后，本文采用Labview調(diào)用M文件生成的COM組件混合編程的方式，以Labview為平臺(tái)建立了基于改進(jìn)粒子群算法優(yōu)化支持向量機(jī)參數(shù)的故障診斷模型(SAPSO-SVM)，對(duì)不同狀態(tài)的軸承進(jìn)行分類。從正確率和診斷時(shí)間兩方面分析可以看出基于內(nèi)稟模態(tài)能量的方法，更能有效的提取故障特征。并將SAPSO-SVM與 PSO-SVM這