论文部分内容阅读
传动系统的不对中故障是双馈风电机组的常见故障之一,当发生传动系统不对中时,很容易引起机组增速齿轮箱齿轮、轴承以及发电机轴承等部件的损坏,严重危害机组的稳定运行和发电质量。由于风电机组通常工作在一些偏远地区的高空环境中,振动信号的采集与传输并不方便,给传统的利用振动传感器进行故障监测的方法带来了极大困难,因此采用一种方便易行的无传感器故障诊断方法进行风电机组传动系统不对中故障诊断对机组的稳定运行和安全发电有着非常重要的工程意义。本课题来源于国家自然科学基金项目“双馈式风力发电机组同轴度误差故障机理与诊断技术研究”(项目编号:51577008)。本文在实验室已完成基于ADAMS的1.5兆瓦双馈风机传动系统动力学仿真模型的前提下,首先基于MATLAB/Simulink搭建运行在最大功率追踪阶段下的1.5兆瓦双馈式风力发电机及其控制系统模型,验证了模型的正确性,并通过导数据的方式完成了二者的联合仿真。接着研究了传动系统正常和不对中故障下发电机定子电流的变化规律,将仿真结果同理论分析对比,验证了基于定子电流进行故障诊断的可行性和仿真模型的正确性。为了能够进一步识别出传动系统不对中故障的具体类型,仿真获得正常、平行不对中、角度不对中和综合不对中四种工况下的风电机组发电机定子电流信号,提取其时域、频域特征指标,并对定子电流信号做双树复小波变换(Dual-tree Complex Wavelet Transform,DTCWT)和单支重构,提取出重构信号的能量熵和样本熵作为时频域特征,构建信号的单一/混合特征库,为后续不对中故障诊断奠定了基础。针对特征库维数冗余的问题,采用经粒子群算法(Particle Swarm Optimization,PSO)优化的核主元分析(Kernel Principal Component Analysis,KPCA)进行了特征降维处理,并对降维前后的特征库分别采用PSO优化的支持向量机(Support Vector Machine,SVM)进行故障分类,通过对比验证了本文所采用的基于PSO-KPCA-SVM的风电机组传动系统不对中故障诊断方法的有效性。