论文部分内容阅读
风电是一种取之不尽、用之不竭的可再生清洁能源。回转支承是风力发电机的核心部件，应用于风电机的偏航和变桨系统，其设计寿命要求大于20年，一旦失效可导致风力发电机整机的失效，造成巨大的经济损失。因此，对其进行故障诊断意义重大。 目前，国内外关于中小型轴承故障诊断的研究相对较多也较成熟，但对于大型回转支承，由于其转速较低、不稳定且实验样本稀少，其故障诊断局限于人工诊断识别的阶段。 针对回转支承转速低且不稳定的特点，采用小波分析和双谱分析方法进行研究。本文将智能算法应用到回转支承的故障诊断中从而实现智能故障诊断，主要包括信号的采集，故障特征的提取及模式识别三部分。特征的提取在小波分析和双谱分析的基础上进行。对于回转支承的模式识别，本文采用了支持向量机的方法，因它建立在结构风险最小化的基础上，对于经验的依赖少，能够获取全局最优解并具有良好的推广性能，且巧妙地解决了构造有限样本的高维模型时所遇到的问题。 本文将提取到的特征向量输入到支持向量机中进行分类识别，对于支持向量机的参数选择问题，采用了遗传算法和粒子群算法进行了优化，提高了诊断的准确率。得出如下结论: (1).小波分析和双谱分析方法适用于风电回转支承的故障诊断，且效果明显。 (2).基于支持向量机分类器的回转支承智能故障诊断是可行的。本文利用小波能谱和双谱切片分析技术提取特征向量，输入到支持向量机分类器中进行分析，分类结果表明了诊断的有效性。 (3).相对于遗传算法和交叉验证法，利用粒子群算法优化参数的SVM具有更高的分类精度。