论文部分内容阅读
随着能源的日趋紧张和环境污染问题的凸显，作为可再生绿色能源的风能成为世界各国重点开发利用的对象，风力发电也成为大力开发的技术领域。由于风力发电机组结构复杂，工作环境偏远恶劣，特别是近年来装机容量和规模不断增加，风机故障及突发事故频发，造成巨大的经济损失。为保证风力发电机的安全可靠运行，减少故障的发生，研究开发有效的监测诊断系统具有十分重要的意义。风力发电机旋转机械系统是复杂的非线性系统，其在运转中伴随大量非平稳振动信号的产生，研究基于振动的监测技术和诊断方法，能够及时的发现故障避免安全事故的发生；同时，结合风力发电机的诊断技术研发出可行的软硬件监测诊断系统，将是实现风力机监测诊断的关键。本文针对轴承、齿轮和转子机械部件，引入局部均值分解(LocalMean Decomposition，LMD)、内禀时间尺度分解(Intrinsic Time-scale Decomposition，ITD)改进算法时频分析方法，将LMD包络谱特征值和支持向量机结合应用于轴承故障诊断、ITD改进算法和关联维数结合应用于转子故障诊断、LMD奇异值分解和支持向量机结合应用于齿轮故障诊断，进一步利用虚拟仪器技术完成诊断方法的实现和监测诊断系统的构建。论文的主要研究内容如下：1、结合风力发电机工作原理和机械结构的特点，研究了旋转机械部件的故障机理以及振动特征，综述总结了风力发电机常用的监测技术和故障诊断方法以及监测诊断系统软件开发常用的技术。2、介绍了已有的时频分析处理方法，比较了自适应分解方法LMD相对于经验模式分解(Empirical mode decomposition，EMD)方法的优点。根据滚动轴承振动信号的调制特性及包络滤波参数难以确定的特点，引入LMD对轴承振动信号进行分解处理，提取分量的包络谱中不同故障特征频率处的幅值比作为故障特征向量，输入到支持向量机中进行训练和测试，通过实际振动信号验证了方法的有效性。3、将ITD改进算法引入到转子的故障诊断中，与EMD的对比分析证明方法在迭代次数和运算速度上的优势。通过ITD改进算法分解再重组实现振动信号的降噪处理，并利用关联维数技术对转子不同故障类型进行分类识别，通过和未降噪信号关联维数结果的对比，表明了方法能够识别转子的不同故障类型。4、针对齿轮的多分量调制特征，利用LMD方法将振动信号分解为若干单分量信号，将包含主要故障特征的分量组成特征向量矩阵，结合奇异值分解提取齿轮的故障特征，通过支持向量机对不同故障进行分类诊断。5、利用风力发电机模拟硬件系统、传感调理设备以及采集板卡共同搭建硬件平台，结合虚拟仪器Labview软件平台的优势，开发出监测诊断软件系统，实现风力机旋转机械的监测和故障诊断方法的集成。