论文部分内容阅读
随着可再生能源在电力领域的发展,风能发电占到了越来越大的份额,所以双馈式风电机组的运行维护显得尤为重要。其中传动系统的不对中故障是在风电机组运行过程中出现次数较多的故障之一,当发生传动系统不对中时,齿轮箱的轮齿、轴承,联轴器的螺栓及发电机的轴承等部件容易受到损坏,如果不及时处理大大影响风电机组的健康运行及其发电质量。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)。论文首先分析了传动系统的故障机理和特性包括振动特性、热特性和定子电流信号特性,然后针对目前风电机组传动系统使用单一振动信号进行故障诊断的局限性,提出了基于信息融合的不对中故障诊断方法。具体内容如下:由于风电场位置偏僻,采集不对中故障数据存在困难,本文在已经搭建的1.5MW双馈式风电机组传动系统Solidworks三维模型和Adams虚拟样机模型的基础上,获取了振动信号,然后将Solidworks三维模型导入到Ansys Workbench完成了热特性分析,获取了温度信息;利用Matlab/Simulink对发电机的双变换器和变桨系统桨距角进行控制,结合Adams完成了机电联合仿真,获得了相应的电流信号。然后将振动信号、温度信号和定子电流信号作为诊断信息,分别提取时域、频域、时-频域特征指标做数据级融合得到故障特征向量,其中振动信号时-频域信息的获取采用了基于镜像延拓的经验模态分解(Improved Empirical Mode Decomposition,IEMD),定子电流信号时-频域信息的获取采用了双树复小波变换(Dual-tree Complex Wavelet Transform,DTCWT)。由于特征向量之间的相关性,利用 t分布的随机近邻嵌入(t-Distributed Stochastic Neighbor Embedding,t-SNE)对特征向量进行降维特征级融合,得到信息互补的特征向量。将融合特征向量通过最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)进行传动系统不对中故障诊断,并利用改进人工蜂群算法(Improved Artificial Bee Colony Algorithm,IABC)优化LSSVM的参数。通过对比和实验台验证,表明了 t-SNE特征融合及LSSVM_IABC故障诊断方法比其他方法具有更高的诊断精度。为了证明多级融合的优点,将D-S证据理论决策级融合引入到不对中故障诊断中。将三种信号作为证据,即温度信号和振动信号、定子电流信号t-SNE降维融合后的特征向量输入到IABC优化参数的LSSVM中,传动系统四种工况的后验概率作为输出并作为D-S证据融合的基本概率赋值,依据D-S证据的合成规则和决策规则,得到了风电机组的不对中故障诊断的正确率。最后通过仿真数据和实例证明了三级融合故障诊断方法相比于其他方法的准确性和优越性。