基于人工神經網絡的風力發(fā)電機組故障診斷方法研究.pdf

1、隨著風力發(fā)電機組安裝數量的持續(xù)增長，后期的監(jiān)控與維護變得尤為突出。而風力發(fā)電機組主傳動鏈中的滾動軸承與行星齒輪箱是故障的主要來源，對發(fā)電機設備能否正常運行起著關鍵性的作用。
　　本文以NGW行星齒輪箱和307滾動軸承作為主要實驗對象，利用定子電流法(MCSA)和經驗模態(tài)分解法(EMD)提取設備運行中出現的故障特征，結合神經網絡技術對不同的機械故障類型進行分類。當機械部件存在故障時扭矩變化會導致發(fā)電機定子間的磁通量變動，產生的定子電

2、流信號通過鉗型電流互感器進行采集，并用EMD方法分解成有限個IMF分量，克服電流信號中存在的不穩(wěn)定、非線性成份。在MATLAB下建立發(fā)電機組仿真模型，實現理論仿真模型對故障類型的模擬，搭建風力發(fā)電機組模擬試驗臺，驗證仿真模型的可行性，由于風力發(fā)電環(huán)境的復雜性，通過修改供電變頻器的頻率來模擬風速，獲取不同環(huán)境下的定子電流信號，并對相關數據進行 EMD方法分析?；陬l率完整性原則選取有效分量的瞬時頻率進行 FFT分析，確定各類機械設備是否處

3、于故障狀態(tài)。對采集的電流信號進行對比分析，確定不同故障類型的特征頻率，選取六組有效IMF分量的峭度值作為神經網絡的特征量，把特征數據量輸入到神經網絡，通過對神經網絡的訓練、優(yōu)化組合以及數據對比，更好的實現對風力發(fā)電機組故障類型的分類。
　　通過仿真與實驗可以有效論證，當行星齒輪箱與滾動軸承中存在故障時，利用定子電流法能夠采集有效的故障信號，而瞬時頻率的FFT變換方法可以分析出EMD有效分量中的故障頻率，以IMF分量的峭度值為特征量