论文部分内容阅读
近年来,能源短缺问题与环境恶化问题越发受到世界各国的重视。风能作为一种环境友好型可再生清洁能源,其不仅分布广泛而且价格相对较低,因此风力发电获得了各国的大力发展。但近年来风电机组故障频发且故障常伴随经济和人员的巨大损失。在风电机组故障中,联轴器不对中故障是引起风电机组机械故障的重要因素之一。因此,研究不对中故障对风电机组及风电发展具有重要意义。本文的主要研究内容如下:首先,根据双馈风电机组的组成、运行原理,搭建了 1.5kW的双馈风电机组不对中试验台。该试验台不仅能够模拟双馈发电机组的变速恒频运行状态,而且还具有不对中故障实现模块。该可以模拟双馈风电机组的三种不对中故障,并通过多次实验验证了不对中试验台的有效性。然后,为了对不对中故障进行简单、快速的判断,本文提出了基于SVD-Teager能量算子的不对中故障分析。即先用奇异熵增量曲率谱法与改进的奇异值差分谱阈值法对信号进行奇异值分解(Singular Value Denoising,SVD)消噪,然后利用Teager能量算子得到信号的Teager能量信号频谱,最后将频谱的频域特征和不对中故障的典型特征作对比,实现了对不对中故障类型与程度的简单、快速判断。实验结果验证了方法的有效性。为了完善故障特征提取的效果,本文提取了多组正常状态和三种不对中故障状态下振动信号的时域、频域和时-频域特征。其中,时频域特征来源于自适应白噪声完整聚合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise-Extreme Learning Machine,CEEMDAN)产生的数个固有模态分量(Ntrinsic Mode Function,IMF)。本文使用 K-L 散度值(Kullback.Leibler divergence,K-L)法与相关系数法筛选出真实固有模态分量,分别计算每个真实分量的排列熵与能量熵,将这些特征组成不对中故障混合特征库。为了降低冗余特征对故障诊断的影响,用核主成分分析(kernel principal components analysis,KPCA)对数个样本组成的特征集进行降维,并根据不同的高斯核宽度和特征值累计贡献率得到不同的训练集与测试集。最后,为了提高不对中故障分类准确率,本文用粒子群优化算法(Particle Swarm Optimization,PSO)优化极限学习机(Extreme Learning Machine,ELM),得到粒子群优化的ELM。将优化后的ELM作为弱故障分类器,再用AdaBoost算法将弱分类器组成强分类器。最终,得到基于PSO-ELM+AdaBoost的不对中故障诊断模型,并使用训练集与测试集验证了模型的有效性。