论文部分内容阅读
由于风电机组地处位置特殊并且受运行状态影响较大,风机故障后会造成不可估量的损失。所以,在并网运行状态时对风电机组进行实时故障监测,对故障诊断技术相关领域的意义重大。针对永磁直驱型风力发电机其在早期发生故障时,监测以及诊断困难这一主要问题,本文主要研究在风速正常以及风速突变不同的工况下,对风力发电机的轴承故障进行诊断以及分析。具体内容如下:(1)针对EMD(经验模态分解,简称EMD)在分解过程当中常会出现模态混叠,以及端点效应等主要问题。通过向待分解信号当中加入对称的高斯白噪声的CEEMD(互补集合经验模态分解,简称CEEMD)方法与端点延拓相互结合,进一步解决该方法当中存在的主要问题。(2)在故障信号分解为多个IMF(本征模态分量,简称IMF)之后,再计算每个IMF与原始信号的相关系数,从而可以去除分解出的伪分量。再分别采用样本熵与排列熵,对CEEMD分解结果中各个IMF分量的复杂程度进行具体表征,并充分比较两种方法,最终选取样本熵与CEEMD相结合构成故障特征向量。采用电动机滚动轴承故障数据进行测试,证明该方法有很好的可分性,可以很好的表征故障特征。之后利用实验室直驱型风力机组,模拟正常工况和风速突变工况,并采集在线运行的风电机轴承振动信号,从时域以及频域两个方面来分析轴承信号,依据CEEMD分解信号,提取有效的IMF样本熵,并由其组成特征向量,为之后准确的识别各类故障提供基础。(3)本篇文章提出一种基于CEEMD与二叉树相关向量机RVM,二者相互结合的滚动轴承故障诊断方法,对电机滚动轴承正常状态、内圈故障、滚动体故障及外圈故障状态四种不同状态进行诊断以及分析,并取得相对比较好的效果,还能够将不同转速、不同故障程度的轴承进行更为准确的区分。最后对于风速正常以及突变这两种工况,对风力发电机轴承故障进行初步诊断,并对初步诊断结果进行详细评价。