论文部分内容阅读
作为风机的关键重要(关重)零部件,齿轮箱常年工作在变载荷的恶劣环境下,具有较高的故障率、最长的平均故障排除时间和极高的维修成本。为提高风电齿轮箱的可靠性、降低运维成本以提高发电量,实时掌握风电齿轮箱的运行健康状态以制定合理的运维措施显得尤为重要。因此,本文基于风机运行过程中的监测数据,采用机器学习和模糊综合评价法对风电齿轮箱运行健康状态展开评估研究,为掌握风电齿轮箱实时运行状态和发现潜在的故障,具有重要的理论意义和工程价值。论文主要内容如下:(1)基于对我国北方某风场风机SCADA系统监控性能的分析,确定风电齿轮箱状态评估指标;通过对各监测指标的相关性分析,确定各评价指标的预测维度;利用SPSS对CMS数据的时域特征量进行聚类,并基于聚类结果划分齿轮箱的运行状态等级;同时对各评价指标预测模型的训练数据样本进行降维预处理。(2)采用支持向量机和BP神经网络建立评价指标预测模型。针对预处理后的训练样本,分别采用网格法以及粒子群算法对支持向量机的参数进行寻优,在此基础上采用寻优所得参数对数据样本进行训练和预测。并同BP神经网络的预测结果进行误差对比分析,以确定各评价指标的最佳寻优以及预测方案。结果表明,对于高纬数据样本,SVM表现出较BP神经网络更高的分类准确率。(3)基于齿轮箱的各状态等级构建半梯形半岭形隶属函数,并采用层次分析法、变权理论及均衡函数等阐述了组合权重的求解规则。然后基于评价指标的预测数据、实测数据、阈值以及模糊综合理论等,建立风电齿轮箱运行健康状态实时评价模型。(4)根据某风机运行状态的历史数据,分别采用组合评价方法以及传统评价方法对齿轮箱的运行状态进行评价以验证该方法的科学性和准确性。结果表明:基于预测数据所得劣化度能够克服现有SCADA系统中固定报警阈值所带来的缺陷;该组合评估方法在凸显劣化程度较大但由于常权值较小所隐藏的故障信息的同时,能够较早地准确发现风机故障。