论文部分内容阅读
风能是一种重要的可再生能源，我国陆上风电的发展十分迅速并趋向于成熟，相对地，海上风电的发展处于起步阶段。传动系统作为海上风电机组的重要组成部分，因为受到其运行环境的特殊影响故障率高，同时发生故障时容易对风电机组造成较大的影响。因此海上风电机组传动系统的早期故障诊断研究对提高风电机组的运行效率、可靠性、经济性都有很重要的意义。本文从传动系统的故障特征出发，采用振动分析的方法研究其各部件的故障振动模型，考虑到其故障振动信号较为复杂同时具有非线性非平稳性的特点，采用经验模式分解（Empirical Mode Decomposition，EMD）进行分析，本文主要研究内容如下。（1）由于EMD分解如传动系统振动信号等复杂信号时存在模态混叠现象，本文提出了改进的微分经验模式分解（Differential Empirical ModeDecomposition，DEMD）。仿真研究表明，改进的DEMD可以有效地改善EMD分解中的模态混叠现象，同时改善传统DEMD中的低阶本征模态函数（Intrinsic Mode Function，IMF）分解失真现象，在信号的分解分析中得到更好的结果。（2）针对传动系统早期故障时故障振动信号较弱的情况，提出改进DEMD和独立分量分析（Independent Component Analysis，ICA）的故障诊断方法对故障特征信号进行提取。在改进DEMD和ICA基础上，结合Hilbert包络谱分析进行仿真研究，有效地提取了故障特征信号，验证了其在早期故障诊断中的可行性，提高了风电机组传动系统早期故障诊断的准确性。（3）由于LabVIEW具有图形化语言、专业信号处理模块以及开放式平台等特点。为了更直观的反映传动系统故障特征，判断故障趋势以及进行故障数据的记录，本文结合MATLAB与LabVIEW，将提出的改进DEMD算法应用于基于LabVIEW的传动系统故障诊断系统中，结合典型的时域分析参数，使得故障诊断系统可以清晰的反映故障趋势和特征。