论文部分内容阅读
本文研究了在风力发电机组不解体的情况下,通过测量整机组的振动信号,从中提取能够表征故障的特征参数,有效地实现风力发电机组叶片的故障诊断。
通过对风力发电机组模态试验分析,获得叶片的低阶固有频率范围:分别测取了叶片四种不同运行状态的风力发电机组振动加速度信号和功率谱,对其功率谱用通带特性较好的切比雪夫I型带通滤波器进行滤波,提取出包含叶片前三阶固有频率的功率谱信号。
为有效确区分风力发电机组叶片的不同运行状态,运用分形维数法和频率平移距离法提取了叶片不同运行状态下的特征参数。在应用分形维数理论的盒维数提取叶片状态特征时,采用一种针对一维时间序列提出的不同于网格计数的快速算法,该算法不论是从程序设计还是计算速度都明显较优。应用频率平移距离法通过测取机组振动信号的频率变化的距离对叶片的运行状态进行判断。
采用Matlab构建BP神经网络故障诊断系统,提取训练好的神经网络的权阈;将叶片故障各状态下的特征参数作为神经网络的输入,经过神经网络的并行数值计算,输出对应的故障,实现基于神经网络的故障诊断程序。对所设计的系统进行测试,并对实验模拟的振动信号进行诊断识别。结果表明,该系统能够较好地反映风力机叶片的运行状态,具有稳定可靠、实时性好等优越性。