论文部分内容阅读
在环境污染变得日益严重以及政策驱动下,风电行业已经引起世界各国高度关注。随着风电行业快速发展,对其可靠性要求也越来越高。滚动轴承是风电机组中关键部件,其故障率也是最高的部件之一。所以对其进行实时监测及故障诊断,不仅可以使整个风电机组运行的更可靠,而且可以降低运维成本。本文在分析滚动轴承故障的特征及发展过程基础上,通过对比目前常用的信号分析方法,选择了希尔伯特黄变换作为滚动轴承振动信号特征提取方法,并利用能量直方图对特征值进行降维处理。将提取到的特征值作为分类器输入,最后,选用XGBoost算法对滚动轴承各种故障进行分类识别。主要工作如下:(1)对滚动轴承振动信号特征提取方法做详细分析,并以仿真信号为例,对涉及到的方法做了实验,从而更直观说明了特征提取过程。为了不破坏所提取到特征值的结构,利用能量直方图代替时频谱图的方法对其做了降维处理。以滚动轴承实验数据为例,对本文以及其他的特征提取方法做了实验对比,证明了希尔伯特黄变换方法在滚动轴承振动信号特征提取中的优势。(2)针对希尔伯特黄变换中经验模态分解出的固有模态函数选取问题,提出利用相关系数与相对熵结合的方法。由于相关系数法在设定的阈值附近容易出现误判的情况,而相对熵法的适应性较差,所以无论单独采用何种方法都易造成IMF分量真伪判断不准的情况。本文将两种方法进行结合,避免了各自的缺点。通过对仿真信号实验,证明了该方法是可行的。(3)通过对比常用机器学习方法,采用了XGBoost作为滚动轴承故障分类算法。为了减小算法的超参数优化时间以结果陷入局部最优解,本文提出基于消息队列的超参数优化方法。利用常用的分类算法及调参方法对滚动轴承振动数据进行实验对比,得出本文所采用的分类算法的准确率最高,且调参方法不仅可以寻到全局最优解,而且还最大限度的节约了寻优过程所消耗的时间。(4)利用风电机组主轴承的振动数据及k-fold交叉验证方法对本文方法做了实验,得到轴承在不同部位发生故障时对应的时频分布,并证明了本文的特征提取与分类方法对风电机组滚动轴承故障诊断是可行的,且诊断结果较为理想。