论文部分内容阅读
风力发电机传动系统的故障频发,而滚动轴承是风力发电机传动装置中的非常关键的零部件之一,因此对风力发电机使用轴承的故障诊断研究对于风力发电机稳定安全运行具有重大意义。当风力发电机中使用的轴承出现故障,振动传感器经数据采集卡得到的信号大多是非线性和非平稳的,传统的时域和频域分析很难准确分析这些信号的特征。对大型风力机使用轴承故障信号的特点进行研究。其中,重点研究从采集的原始信号中进行故障特征提取和对故障模式进行识别的方法。绪论部分简述风力发电机组成部件,介绍风力发电机中使用的不同类型的轴承,罗列了轴承的主要形式和故障的原因,对滚动轴承不同故障类型的故障频率计算公式进行介绍和简单推导。在故障特征提取方面,首先使用EEMD方法对实验采集到的轴承在不同故障状态的原始信号进行分解。EEMD是模态分解(EMD)方法的改进,EEMD方法可以减小EMD方法中模态混叠效应的问题。针对这一特点,使用一组仿真信号进行了验证。分解后得到每个故障类型的本征模态函数,利用相关系数法过滤掉不重要的IMF分量。然后算出每个类型故障的IMF分量的能量和占总能量值的比值,把每个类型中样本的比值当作故障特征向量元素,进而得到每个类型的故障特征向量。之后还了使用小波包分解的方法对原始信号进行了分解,将故障信号进行3层小波包分解,同样把分解频带信号能量占信号总能量的比当作故障特征向量元素,构造出每个类型的故障特征向量。在得到故障特征向量之后,利用这些故障特征向量使用神经网络对故障模式进行识别。首先使用有导师学习神经网络:极限学习机和概率神经网络,进行识别,之后使用无导师学习神经网络:竞争神经网络和自组织特征映射神经网络,进行识别。通过实验数据验证的结果判断各个方法的优缺点。最后,把用到的故障特征提取和故障模式识别的方法进行对比总结,得到相对可靠的故障诊断研究方法,设计开发可以应用于轴承故障诊断的应用程序。