風(fēng)力發(fā)電機(jī)旋轉(zhuǎn)機(jī)械故障診斷虛擬儀器系統(tǒng)研究.pdf

1、隨著能源的日趨緊張和環(huán)境污染問題的凸顯，作為可再生綠色能源的風(fēng)能成為世界各國(guó)重點(diǎn)開發(fā)利用的對(duì)象，風(fēng)力發(fā)電也成為大力開發(fā)的技術(shù)領(lǐng)域。由于風(fēng)力發(fā)電機(jī)組結(jié)構(gòu)復(fù)雜，工作環(huán)境偏遠(yuǎn)惡劣，特別是近年來裝機(jī)容量和規(guī)模不斷增加，風(fēng)機(jī)故障及突發(fā)事故頻發(fā)，造成巨大的經(jīng)濟(jì)損失。為保證風(fēng)力發(fā)電機(jī)的安全可靠運(yùn)行，減少故障的發(fā)生，研究開發(fā)有效的監(jiān)測(cè)診斷系統(tǒng)具有十分重要的意義。
　　風(fēng)力發(fā)電機(jī)旋轉(zhuǎn)機(jī)械系統(tǒng)是復(fù)雜的非線性系統(tǒng)，其在運(yùn)轉(zhuǎn)中伴隨大量非平穩(wěn)振動(dòng)信號(hào)的產(chǎn)生

2、，研究基于振動(dòng)的監(jiān)測(cè)技術(shù)和診斷方法，能夠及時(shí)的發(fā)現(xiàn)故障避免安全事故的發(fā)生；同時(shí)，結(jié)合風(fēng)力發(fā)電機(jī)的診斷技術(shù)研發(fā)出可行的軟硬件監(jiān)測(cè)診斷系統(tǒng)，將是實(shí)現(xiàn)風(fēng)力機(jī)監(jiān)測(cè)診斷的關(guān)鍵。本文針對(duì)軸承、齒輪和轉(zhuǎn)子機(jī)械部件，引入局部均值分解(LocalMean Decomposition，LMD)、內(nèi)稟時(shí)間尺度分解(Intrinsic Time-scale Decomposition，ITD)改進(jìn)算法時(shí)頻分析方法，將LMD包絡(luò)譜特征值和支持向量機(jī)結(jié)合應(yīng)用于軸承

3、故障診斷、ITD改進(jìn)算法和關(guān)聯(lián)維數(shù)結(jié)合應(yīng)用于轉(zhuǎn)子故障診斷、LMD奇異值分解和支持向量機(jī)結(jié)合應(yīng)用于齒輪故障診斷，進(jìn)一步利用虛擬儀器技術(shù)完成診斷方法的實(shí)現(xiàn)和監(jiān)測(cè)診斷系統(tǒng)的構(gòu)建。
　　論文的主要研究?jī)?nèi)容如下：
　　1、結(jié)合風(fēng)力發(fā)電機(jī)工作原理和機(jī)械結(jié)構(gòu)的特點(diǎn)，研究了旋轉(zhuǎn)機(jī)械部件的故障機(jī)理以及振動(dòng)特征，綜述總結(jié)了風(fēng)力發(fā)電機(jī)常用的監(jiān)測(cè)技術(shù)和故障診斷方法以及監(jiān)測(cè)診斷系統(tǒng)軟件開發(fā)常用的技術(shù)。
　　2、介紹了已有的時(shí)頻分析處理方法，比較

4、了自適應(yīng)分解方法LMD相對(duì)于經(jīng)驗(yàn)?zāi)Ｊ椒纸?Empirical mode decomposition，EMD)方法的優(yōu)點(diǎn)。根據(jù)滾動(dòng)軸承振動(dòng)信號(hào)的調(diào)制特性及包絡(luò)濾波參數(shù)難以確定的特點(diǎn)，引入LMD對(duì)軸承振動(dòng)信號(hào)進(jìn)行分解處理，提取分量的包絡(luò)譜中不同故障特征頻率處的幅值比作為故障特征向量，輸入到支持向量機(jī)中進(jìn)行訓(xùn)練和測(cè)試，通過實(shí)際振動(dòng)信號(hào)驗(yàn)證了方法的有效性。
　　3、將ITD改進(jìn)算法引入到轉(zhuǎn)子的故障診斷中，與EMD的對(duì)比分析證明方法在迭代次

5、數(shù)和運(yùn)算速度上的優(yōu)勢(shì)。通過ITD改進(jìn)算法分解再重組實(shí)現(xiàn)振動(dòng)信號(hào)的降噪處理，并利用關(guān)聯(lián)維數(shù)技術(shù)對(duì)轉(zhuǎn)子不同故障類型進(jìn)行分類識(shí)別，通過和未降噪信號(hào)關(guān)聯(lián)維數(shù)結(jié)果的對(duì)比，表明了方法能夠識(shí)別轉(zhuǎn)子的不同故障類型。
　　4、針對(duì)齒輪的多分量調(diào)制特征，利用LMD方法將振動(dòng)信號(hào)分解為若干單分量信號(hào)，將包含主要故障特征的分量組成特征向量矩陣，結(jié)合奇異值分解提取齒輪的故障特征，通過支持向量機(jī)對(duì)不同故障進(jìn)行分類診斷。
　　5、利用風(fēng)力發(fā)電機(jī)模擬硬件系