论文部分内容阅读
目前全球风力发电装机容量在逐渐递增,风电机组的关键部位已成为监测与维护重要部分。而齿轮箱又是当前主流的非直驱风电机组中关键零部件之一。它的工作状态将对整个机组有直接的影响,当其有故障时会导致机组异常振动严重时可能致机组停机。所以,风力发电机组的齿轮箱故障诊断的相关研究将对风电行业有很重要的意义。 该文对以下几个方面进行了研究: 首先,对风电机组齿轮箱基本结构,各部件常见故障及成因进行介绍,阐述了每个部件的故障振动信号的基本特征。经过进一步研究得到齿轮箱故障诊断常用的时域、频域、时频诊断方法以及不足。同时得到一些齿轮箱诊断技术的新的方法。 其次,因为非平稳,非线性的信号特征是齿轮箱振动信号的主要组成。通过研究后本文采用集合经验模态分解(EEMD)方法对原始振动信号进行预处理。得到固有模态函数(IMF)并对其提取特征向量。 最后,将得到的特征向量分别进行支持向量机(SVM)算法和粒子群优化支持向量机算法(PSO-SVM)以及改进粒子群算法优化的支持向量机方法进行分类识别,将这几种分类的准确率及优缺点进行比较。得到改进PSO算法优化的支持向量机在小样本情况下,对风力发电机齿轮箱的故障类型有较高的诊断准确率,并且避免了会陷入局部极值的问题。进而证明该方法针对齿轮箱故障诊断有一定的理论意义。