论文部分内容阅读
能源是人类生存和发展的基石,在当前能源可持续发展与严峻环境问题的双重背景下,风能作为一种取之不尽、用之不竭的可再生清洁能源,近十几年来在全球范围内得到了高度重视。与此同时,我国风电行业也持续高速发展,目前已成为继火电和水电之后的第三大主力电源。在风电快速发展的同时,风电机组运行故障问题也日益成为关注的焦点。我国已投运风电机组正逐步进入故障高发阶段,已出现了大量齿轮箱损坏、叶片裂纹、电机着火、控制失灵等事故。风电机组故障的发生不仅严重影响发电量,而且大大增加了风电场维护成本,严重损害了风电场的经济效益。因此,对故障征兆准确预警、对故障的发展密切监测、及时采取措施避免设备重大故障的发生已成为我国风电行业面临的重大而紧迫的研究课题。主轴承(滚动轴承)作为风电机组传动系统中易发故障的部件之一,其故障检测与诊断是风电机组运行状态评估的重要内容。由于风力机转速低,主轴承发生故障时振动信号不明显,加上轴系振动的干扰,尤其在故障初期,有效的故障振动信号很容易淹没在干扰噪声中。因此,研究如何提取稳健有效的滚动轴承故障特征参数具有重要的现实意义。本文搭建了风电传动系统试验台,在试验台上分别模拟了正常轴承、内圈不同尺度裂纹故障轴承在不同转速和不同负载下的运行情况,主要研究工作如下:(1)提出了改进的希尔伯特黄变换(Hilbert-Huang Transformation,HHT)方法,通过仿真验证了该方法的有效性。将改进的HHT方法结合模糊熵理论用于不同工况、不同状态轴承的振动信号时频域分析,有效地提取出了轴承的故障特征。(2)将度量信号序列混乱程度的本征模态函数(Intrinsic Mode Function,IMF)信息熵作为滚动轴承故障特征参数,并将该参数与时域参数峭度指标和频域参数功率谱重心指标组合为由经验模态分解(Empirical Mode Decomposition,EMD)得到的特定IMF的特征参数集,使用核主元分析法(Kernel Principal Component Analysis,KPCA)降维后送入到经粒子群算法(Particle Swarm Optimization,PSO)优化后的支持向量机(Support Vector Machine,SVM)模型中训练,用训练好的模型对新测数据进行识别。实验结果表明,该模型具有良好的识别性能。(3)采用声发射技术对滚动轴承的故障特征进行了研究。将不同工况下不同故障状态轴承的声发射信号导入了波形流文件,通过波形流及功率谱分析了不同故障状态下滚动轴承的声发射信号特征。