论文部分内容阅读
风电机组多安装在山地、海洋等区域,常年经受强风、潮湿、极端温差影响,导致机组故障频繁发生。齿轮箱是风机传动系统的关键部件,其故障将导致风机停机,造成风电场运营企业的经济损失。在齿轮箱故障时准确诊断故障类型,具有重要的的工程意义。本文主要针对风机齿轮箱故障诊断技术展开如下研究:(1)针对齿轮箱振动信号含有较强噪声干扰而导致故障特征难以提取的问题,本文提出了一种基于改进小波阈值和CEEMDAN(Complete Ensemble Empirical Mode Decomposition with adaptive noise)的多域熵故障特征提取方法。该方法改进了阈值选取方式,对振动数据进行降噪;将去噪以后的信号进行CEEMDAN分解,以分解的本征模态函数的多域熵作为特征向量,从而实现对故障特征的量化;最后将该方法应用于齿轮箱轴承故障特征提取,结果表明该方法有效可行。(2)针对风电机组齿轮箱故障类型难以有效识别的问题,提出了一种基于加权DSmT(Dezert-Smarandache Theory)的风机齿轮箱故障诊断方法。首先定义了一种基于闵科夫斯基距离的证据相似性度量方法,然后根据证据相似性对证据进行分类,并对分类以后的同类证据采用DST(Dynamic Systems Theory)方法进行融合,最后将所有不同类证据的融合结果运用加权DSmT方法进行决策融合。通过齿轮箱齿轮数据的实例分析,加权DSmT方法的齿轮箱故障诊断正确率高于DSmT方法。(3)鉴于风电机组齿轮箱故障程度难以准确判别,提出了一种基于自适应DST/DSmT的风电机组齿轮箱故障程度评估方法。DST融合低冲突证据精度较高,而DSmT对高冲突证据融合精度较高,采用证据间的相似度作为控制因子,综合利用两种方法对证据的处理方式,得到自适应DST/DSmT决策融合规则。将该方法应用于齿轮箱轴承内圈故障程度评估,实例分析表明,该方法可以有效评估出齿轮箱故障程度。