風力發(fā)電機故障診斷系統(tǒng)的研究.pdf

1、風力發(fā)電機安裝位置高,一般工作條件惡劣。出現故障不好維修,針對風力發(fā)電機組的運行狀態(tài)進行有效、及時、準確的預測故障的發(fā)生和發(fā)展,避免和減少故障的發(fā)生,降低維修成本。對于風力發(fā)電機組故障率發(fā)生最高的則是發(fā)電機,所以從發(fā)電機著手來進行故障診斷研究,發(fā)電機結構的復雜性,并保證在不拆卸、不破壞設備并保證設備在正常運行的情況下,能夠準確的判斷工作狀態(tài)、性能好壞、參數變化和故障趨勢,這就需要一套功能完善、性能穩(wěn)定的狀態(tài)檢測和故障診斷系統(tǒng)。由于發(fā)電機

2、屬于旋轉機械,而旋轉機械在高速運轉時會產生振動,利用對振動信號的實時監(jiān)測,系統(tǒng)便可從振動信號來進行狀態(tài)識別。
　　這樣一套風力發(fā)電機故障診斷系統(tǒng),首先要在不妨礙機器運轉的情況下,使傳感器盡量靠近振源安裝,從多個角度和方向來選好測點和探頭位置,對運行的發(fā)電機常見故障(正常、轉子不對中、軸向裂紋和油膜震蕩)進行振動位移的測量,并對故障情況進行振動信號模擬。其次,對測得的振動信號進行MATLAB小波分析,利用小波包進行信噪分離,分離出無

3、用的噪聲信號,將有用的信號保留,進行小波包能量譜分解,算出每個頻帶所占總能量百分比,作為故障診斷中識別的特征參數。再次,將MATLAB小波包去噪分解后各頻帶所提取的能量特征值作為BP神經網絡的輸入端樣本,通過隱含層的激勵函數,進行神經網絡訓練,得到輸出的故障類型,選取測試樣本進行網絡測試,結果達到了對測試樣本的有效識別,這種BP神經網絡訓練對故障類型的識別是簡單可行的。最后,利用Visual Basic程序對風力發(fā)電機振動檢測故障診斷系