论文部分内容阅读
风电机组安装在野外几十米的高空,在变风载、大温差等恶劣、变化的工况下,风电机组使用寿命受到极大的影响,尤其是风电机组的主轴、齿轮箱等传动部件在交变载荷的作用下很容易出现故障,造成机组停机。较之其它故障,风电机组传动系统故障导致机组停机时间最长,严重影响发电量,造成经济损失,而且安装维护相当困难。解决现役风电机组因传动系统故障导致巨大经济损失的关键是进行风电机组传动系统早期故障诊断,即在故障早期萌芽阶段,及时准确地予以辨识,并据此合理安排维修维护策略,采取措施,提高风电机组运行的可靠性。 基于振动信号的风电机组传动系统早期故障特征有效提取是早期故障诊断的关键。风电机组传动系统工作环境恶劣、运行工况交变、自身结构复杂,导致其振动信号具有噪声干扰大、强烈非线性特点;风电机组传动系统早期故障孕育于正常状态,早期故障的特征信号十分微弱且经常淹没在强噪声环境中,故障特征信息难以提取;风电机组传动系统早期故障特征随着风电机组传动系统的服役历程逐渐演变凸现,处于动态发展变化中。因此,急需一种具有非线性降噪、微弱特征提取以及动态处理等能力的特征提取方法。 目前,基于信号处理的特征提取方法和基于模型的特征提取方法因各自的局限性都不能有效地提取风电机组传动系统早期故障特征。近年来兴起的流形学习是一种数据降维方法,具有很强非线性数据挖掘的能力和动态学习特性,具备对风电机组传动系统进行早期故障特征提取的潜力。论文基于流形学习理论,结合常用的信号分析方法,深入研究了基于流形学习的风力发电机组传动系统早期故障特征提取方法,具体研究内容如下: 1)针对风电机组传动系统振动信号噪声干扰大、强烈非线性的问题,提出基于本征维数估计流形学习的非线性降噪方法。结合局部切空间排列((Local tangent space Alignment,LTSA)流形学习方法和相空间重构将含噪信号从高维相空间投影到有用信号的本征维空间中,从而将分布在高维空间中的噪声消除。研究了相空间重构中的时间延迟和嵌入维数的估计方法,减少人为参数设置带来的不确定性,研究了极大似然法的本征维数估计方法,避免目标维数设置不当带来的降噪不完全或者降噪过度,提高风电机组传动系统振动信号的非线性降噪效果。 2)针对风电机组传动系统早期故障特征微弱的问题,提出基于自适应邻域流形学习的早期微弱故障特征提取方法。研究了风电机组传动系统早期故障的多域特征提取方法,针对多域高维特征中存在部分无效特征,不能正确反映风电机组传动系统不同振动状态的问题,提出基于特征分类能力指数的特征选择方法,利用散布矩阵构造特征分类能力指数对高维特征进行排序并筛选最优的特征子集,以全面准确地刻画风电机组传动系统早期故障状态。研究基于正交邻域保持嵌入(Orthogonal Neighborhood Preserving Embedding,ONPE)流形学习的高维数据约简方法。ONPE算法在保持局部邻域结构的同时将局部子空间中的保持向量转换为正交基向量,能维持原始高维数据空间中的测度结构,避免了局部子空间的结构失真,能有效挖掘高维数据的本质属性。针对流形学习约简过程中邻域大小难以确定问题研究自适应邻域方法,避免邻域大小设置不当带来的邻域结构与实际数据分布情况不符,不能有效提取低维流形的问题,从而实现多域高维特征的有效约简和二次提取,凸显对风电机组传动系统早期微弱故障特征。 3)针对风电机组传动系统早期故障特征动态发展变化的问题,提出基于增殖流形学习的早期故障动态特征提取方法。研究增殖正交邻域保持嵌入(Incremental Orthogonal Neighborhood Preserving Embedding,IONPE)流形学习算法,IONPE流形学习算法将新增样本集进行独立约简,再将约简结果通过旋转、平移、缩放等增殖变换整合到原始样本中,避免批量流形学习中将新增样本与原有样本合并成更大样本集进行大量重复运算的过程,极大提高了流形学习数据约简的效率。针对新增样本与原样本不同的邻域关系分别研究连通性增殖算法和非连通性增殖算法,对新增样本进行动态添加处理,实现对风电机组传动系统早期故障动态特征提取。 4)研发一套具有自主知识产权的风电机组传动系统状态监测与故障诊断系统,实现网络化的数据采集、信号分析、早期故障特征提取、信息融合、故障诊断和系统管理等功能。通过实验和应用对系统各功能模块进行检验,并对本文所提的特征提取方法进行验证。