论文部分内容阅读
近年来,随着煤炭等传统能源的减少以及环境污染日益严重,风能作为一种清洁、安全、可再生的能源得到了快速发展。目前,风场主要采用大容量的变速恒频双馈式风力发电机组作为主力机型,风力发电机组传动系统的不对中是造成机组故障的主要因素之一。不对中故障发生时,很容易造成机组齿轮箱齿轮、轴承以及发电机轴承等损坏,同时使机组噪声增大。因此,对风力发电机组传动系统不对中故障进行机理分析、故障预测和诊断是保证机组长期稳定运行和安全发电的关键。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"(项目批准号:51577008)。本文以某厂家1.5MW双馈式风力发电机组传动系统为研究对象,针对传动系统不对中振动特性、故障特征提取方法以及故障诊断方法进行了研究分析。论文完成的主要工作如下:(1)阐述论文选题的背景与意义,总结风力发电机组传动系统不对中故障诊断信息获取、故障特征提取和故障模式识别等方面的研究现状,在此基础上确立了本文的研究思路和研究内容。(2)对传动系统增速齿轮箱、联轴器和发电机等关键部件进行介绍,根据零部件的结构参数,利用SolidWorks和ADAMS联合进行动力学建模仿真,提取传动系统关键特征与理论计算结果进行对比,验证模型正确。(3)在ADAMS中分别对传动系统平行不对中、角度不对中和综合不对中仿真,模拟故障从无到有、从小到大的过程,提取径向力、轴向力的时域和频域曲线,分析三种故障的振动特性,并且同理论分析结果对比,表明了运用仿真建立故障的可行性。(4)针对传统故障提取方法仅提取单个特征或单域特征,而没有兼顾多种特征的情况,提出了一种新的混合特征库构建方法。通过大量仿真获取不对中故障特征信号,提取信号的时域特征、频域特征,并且采用改进的经验模态分解(Improved Empirical Mode Decomposition,IEMD)能量熵作为时-频域特征,将三类特征构建混合库特征,以获取更多能准确全面反映特征信号的信息。(5)以支持向量机(Support Vector Machine,SVM)为分类器,采用粒子群优化算法(Particle Swarm Optimization,PSO)对SVM进行参数优化,将混合特征库作为SVM输入,成功地对故障类型进行分类和识别,而且同其他方法相比,提高了故障诊断的准确率。