论文部分内容阅读
在能源短缺和环境污染问题日益严峻的当今社会,世界各国对清洁能源越来越青睐,风能作为一种清洁能源,也得到了广泛的关注。但风力发电机的工作条件严苛,易发生突变,致使机组设备极易出现各种故障。为此,本文将自适应噪声的完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)引入到风电机组的齿轮箱故障诊断中,详细研究了基于CEEMDAN的风电机组信号故障特征提取,并提出了一种基于改进粒子群优化支持向量机(Support Vector Machine,SVM)算法的风力发电机组故障诊断模型,实现了对风力发电机组故障的准确识别和诊断。本文的主要研究内容及研究成果如下:(1)介绍了风力发电机的基本结构和发电原理,对风电机组齿轮箱常见的故障类型和故障原因进行了分析,对齿轮箱信号的处理方法进行了介绍,为后续进行风电机组检测与故障诊断奠定了基础。(2)介绍时频分析方法理论,对经验模态分解方法进行了介绍,重点对希尔伯特-黄变换(Hilbert-Huang Transform,HHT)分析方法做了深入介绍,以及对集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和CEEMDAN算法进行理论分析。通过对Matlab模拟信号的仿真,详细阐述了HHT时频分析方法在分析非平稳状态信号方面的优越性。仿真结果表明,改进的CEEMDAN算法能有效抑制模态混叠现象,具有较好的分解效果。(3)介绍了所采用的实验装置和数据采集装置,通过更换故障齿轮,实现了模拟齿轮箱单一故障或复合故障的故障状态。通过对采集到的振动信号进行分析和处理,选择快速准确的处理方法,提取齿轮箱故障的时频域信息,实现简单的故障诊断。(4)利用能量熵方法处理用CEEMDAN分解得到的本征模态函数分量,得到振动信号的特征识别向量。建立基于改进粒子群算法优化支持向量机的故障诊断模型。将基于CEEMDAN-IPSO-SVM的故障诊断方法应用在风电机组的故障诊断中,选取齿轮箱实验平台振动故障数据,进行机组振动故障的识别与诊断,并与EEMD-IPSO-SVM等方法进行比较,实验证明,该方法具有较高的诊断精度,实现了风机齿轮箱故障的有效诊断。