大數(shù)據(jù)下風(fēng)電機(jī)組齒輪箱故障診斷方法研究.pdf

1、近年來，隨著風(fēng)力發(fā)電的迅猛發(fā)展，越來越多的風(fēng)電場(chǎng)相繼建成，大量的風(fēng)電機(jī)組投入到運(yùn)行當(dāng)中。由于風(fēng)電場(chǎng)通常選址在戈壁等地區(qū)，導(dǎo)致風(fēng)電機(jī)組常年處于極其惡劣的環(huán)境中工作，極易出現(xiàn)運(yùn)行故障。其中，齒輪箱是整個(gè)風(fēng)電機(jī)組發(fā)生故障概率最高的部件，據(jù)統(tǒng)計(jì)，風(fēng)電機(jī)組60%以上的故障都發(fā)生于齒輪箱部位。因此迅速、準(zhǔn)確地對(duì)齒輪箱故障進(jìn)行診斷，對(duì)降低風(fēng)電場(chǎng)的運(yùn)維成本、提高風(fēng)電場(chǎng)的經(jīng)濟(jì)效益、提高風(fēng)電機(jī)組運(yùn)行的可靠性具有重要意義。隨著信息采集系統(tǒng)的快速發(fā)展和廣泛應(yīng)用

2、，風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)的廣度和深度不斷加強(qiáng)，生成的數(shù)據(jù)呈海量特征。如何對(duì)這些不斷增長(zhǎng)的海量狀態(tài)監(jiān)測(cè)數(shù)據(jù)進(jìn)行處理，對(duì)所發(fā)生故障進(jìn)行快速、準(zhǔn)確地診斷成為了重要的課題。在此背景下，本文對(duì)上述問題展開研究。
　　首先，為了提高故障診斷的準(zhǔn)確度，本文給出了一種基于人工蜂群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的算法。將人工蜂群算法引入到傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)中，利用人工蜂群的全局搜索能力改善BP神經(jīng)網(wǎng)絡(luò)對(duì)于初始參數(shù)敏感的缺陷。其次，針對(duì)傳統(tǒng)基于梯度下降法的BP神經(jīng)網(wǎng)絡(luò)算

3、法執(zhí)行效率低的不足，以及故障診斷的實(shí)際應(yīng)用場(chǎng)景，本文將極限學(xué)習(xí)機(jī)算法引入到齒輪箱的故障診斷領(lǐng)域，并利用螢火蟲算法對(duì)其進(jìn)行優(yōu)化，同時(shí)也針對(duì)螢火蟲算法的“早熟”、“震蕩”等缺陷進(jìn)行改進(jìn)，提高故障診斷的精度。最后，在Spark平臺(tái)上實(shí)現(xiàn)了以上兩種故障診斷模型的并行化設(shè)計(jì)，提高其處理海量數(shù)據(jù)的能力。
　　最后，進(jìn)行實(shí)驗(yàn)測(cè)試。選用某風(fēng)電場(chǎng)實(shí)際運(yùn)行數(shù)據(jù)，在實(shí)驗(yàn)室搭建的具有8個(gè)節(jié)點(diǎn)的云計(jì)算集群上對(duì)本文設(shè)計(jì)的兩種故障診斷模型進(jìn)行性能測(cè)試，并與傳統(tǒng)