论文部分内容阅读
风能作为一种清洁可再生能源,在全球范围内得到了迅速的发展和广泛的开发利用。而伴随着其发展,风电机组的维护工作显得尤为重要。一旦机组出现故障,轻则造成一定的经济损失,重则机组损毁甚至是人员伤亡。为了确保机组能够正常的运行,降低故障的发生率,需要对机组故障进行及时地诊断。齿轮箱在风力发电机组中作为关键部件起着十分重要的作用,其工作环境恶劣,故障发生率较高,而齿轮箱中又以齿轮和滚动轴承发生故障最为频繁,因此,对其故障及时地进行诊断、维修尤为重要。齿轮是齿轮箱的主要部件之一,也是故障发生率最高的部件,对其故障进行准确地诊断至关重要。极限学习机(Extreme Learning Machine,ELM)因其具有诊断速度快、精度高的优点而在故障诊断领域得到应用。但ELM内参数的随机生成也使得诊断结果不稳定,诊断精度也有待提高,可对其内参数进行寻优处理,而模拟退火算法(Simulated Annealing,SA)和粒子群优化算法(Particle Swarm Optimization,PSO)都是很好的寻优算法。PSO在寻优过程中又易陷入局部极小值,而SA可以很好地处理这个问题,据此提出一种模拟退火粒子群优化极限学习机(Simulated Annealing Particle Swarm Optimization Extreme Learning Machine,SAPSO-ELM)的算法,并将该算法应用到风电机组齿轮故障诊断上。首先,对所提出的改进算法进行验证;其次,将该算法应用到风电机组齿轮故障诊断上,对实验室采集到的齿轮正常、点蚀、断齿状态下的原始振动信号进行小波包消躁处理;再对消躁后的振动信号提取时域、频域特征量;最后,将提取到的特征量输入到SAPSO-ELM分类器中,对齿轮故障进行训练分类,从而达到齿轮故障诊断的目的。实验结果表明该齿轮故障诊断方法是有效的。滚动轴承是齿轮箱中故障率仅次于齿轮的故障高发部件,对其故障进行及时地诊断也同样重要。SAPSO-ELM同样可以用于滚动轴承故障诊断,但滚动轴承故障振动信号相较于齿轮要弱得多,且要使PSO避免局部极小,SA降温速度必须要慢,而这将大大延长系统收敛时间,不利于快速有效地进行滚动轴承的故障诊断。混沌理论(Chaos)在处理PSO易陷入局部极小值问题上具有同样效果,据此提出了一种自适应混沌粒子群优化极限学习机(Adaptive Chaos Particle Swarm Optimization Extreme Learning Machine,ACPSO-ELM)的算法,对所提出的算法的有效性进行验证并将算法应用到滚动轴承故障诊断上。实验数据来自美国凯斯西储大学轴承数据中心,首先,对滚动轴承在正常、内圈故障、外圈故障、滚动体故障四种状态下的振动信号进行小波包消躁处理;接着对处理后的振动信号提取故障特征量;最后将提取到的故障特征量输入到ACPSO-ELM分类器中,对滚动轴承的故障进行分类,通过MATLAB仿真训练结果表明,基于ACPSO-ELM的轴承故障诊断方法是有效的。