论文部分内容阅读
近年来,国家的大力支持使得风电产业发展迅速,随着风电机组装机容量不断攀升,风电装备因维护不够导致主要部件故障频发,严重影响了风力发电的经济效益和社会效益。风电装备传动系统结构复杂,长期在交变载荷、外部阵风冲击等复杂工况下运行,零部件故障发生率较高,对其进行有效的状态监测与故障诊断,对确保风电装备安全运行具有重要意义。振动信号中周期瞬态特征的出现是风电装备传动系统发生故障的一个重要征兆,因此,本文以风电装备传动系统故障瞬态特征提取为目标,基于稀疏表示理论研究周期瞬态特征的稀疏表示方法,从而实现风电装备传动系统故障的有效识别与诊断。论文主要工作如下:(1)针对正交匹配追踪算法选择到错误原子的问题,本文将原子与信号的相关系数作为原子选择准则,结合原子合并思想,提出了相关正交匹配追踪算法。该算法避免了错误原子的选择,实现了滚动轴承故障周期瞬态特征提取。(2)针对随机正交匹配追踪算法的稀疏度难以被准确估计的问题,提出了自适应随机正交匹配追踪算法。该算法通过稀疏度预估计、每次迭代选择多个原子、改进残差和原子索引集的计算方式、系数的求解方式,实现了稀疏度的自适应。将其与滑动窗相结合,改善了微弱瞬态冲击特征漏检的现象,实现了齿轮和滚动轴承故障周期瞬态特征提取。(3)针对强噪声影响下直接利用振动信号和K-SVD算法训练得到的原子中有许多形态与噪声干扰类似,使得周期瞬态冲击特征难以匹配的问题,提出了基于EEMD和K-SVD字典学习的故障瞬态特征提取方法。该方法利用EEMD和基于峭度指标的原子聚类方法分别剔除信号中的谐波干扰和字典中的无关原子,降低了谐波干扰和噪声对特征提取的影响,实现了滚动轴承故障周期瞬态特征的有效提取。(4)面向实际工程需求,设计开发了基于LabVIEW的风电装备传动系统故障诊断系统,在系统中利用本文所提算法实现风电装备发电机滚动轴承故障的周期瞬态特征提取与诊断。