论文部分内容阅读
风能具有使用无污染,生产低成本等优点,使风能迅速成为商业潜能最大和最富有生机的清洁能源之一。风电场装机容量的增长空间大,成本下降快,而风机齿轮箱是其中重要的传动、变速部分。由于运行环境恶劣且结构复杂,随着运行时间的增长,部件由于被腐蚀、逐渐老化等原因,使风机齿轮箱发生故障,带来巨大的经济损失。所以对于风机齿轮箱的故障诊断研究一直以来是科学工作者的重要课题之一。本文搭建风机齿轮箱故障诊断实验平台,以发生故障频率较多的轴承和齿轮为研究对象,采集在不同运行状态下的振动数据,建立故障诊断模型,以此保证风电机组的运作可靠性。本文主要工作如下:(1)概括介绍风电行业的发展形势、国内外风电机组故障诊断技术和研究现状、风机齿轮箱的基本结构等内容,并对风机齿轮箱中滚动轴承和齿轮的故障类型及故障的频域形式做简单说明;(2)介绍了在时域、频域、时频域中风机齿轮箱振动数据的特征提取方法,并提出改进的粒子群算法(Improved Particle Swarm Optimization,IPSO),通过改进粒子群算法优化变分模态分解算法(Variational Mode Decomposition,VMD)的超参数,将振动信号按照中心频率解析为若干模态,然后计算各个模态功率谱的平均能量作为特征值,提出IPSO-VMD-FE(Improved Particle Swarm Optimization and Variational Mode Decomposition and Frequency Energy)的特征提取方法;(3)针对滚动轴承有可能存在固定型故障的问题,提出基于CART(Classification And Regression Tree)决策树的特征融合算法,首先利用CART决策树算法计算从各传感器中所得特征的特征重要性,根据特征重要性计算权值,然后对多传感器的特征矩阵进行特征融合,最后将融合后的特征矩阵输入到XGBoost(eXtreme Gradient Boosting)算法进行故障诊断,提出CART-XGBoost(Classification And Regression Tree and eXtreme Gradient Boosting)故障诊断模型,并将其运用到风机齿轮箱轴承的故障诊断中;(4)针对风机齿轮箱齿轮的复合故障问题,将深度卷积神经网络(Deep Convolutional Neural Network,DCNN)用于提取振动信号的特征矩阵,然后输入到XGBoost算法中进行故障诊断,提出DCNN-XGBoost(Deep Convolutional Neural Network and eXtreme Gradient Boosting)故障诊断模型,并在实验中与其他模型作对比,验证该模型的有效性。