论文部分内容阅读
随着经济的发展,导致人类对能源的依赖与日俱增,风能的大量利用能够有效缓解能源危机和环境污染问题。随着风电机组装机容量的逐年增大,使风机故障频发,而齿轮箱作为风机传动系统重要的机械部件,属于故障频率高发的部件。齿轮箱一旦发生故障,停机时间长且维修费用高,对风机安全可靠运行造成巨大的影响。因此,针对齿轮箱故障进行诊断研究,重点研究了齿轮箱故障诊断方法,以齿轮箱主要零件齿轮和轴承为研究对象,主要对基于故障振动信号的消噪方法、故障特征提取以及智能故障诊断方法展开具体研究。本文主要做了以下三个方面的工作:(1)针对传统小波消噪、小波包消噪方法存在人为设置阈值等缺陷,采用了组合形态降噪方法。通过Matlab软件仿真分析及实验结果表明,本文引入的组合形态降噪方法具有更高降噪比,降噪效果更好。再对经降噪的齿轮和轴承振动信号进行包络解调分析,通过提取到故障特征频率能够初步判定齿轮箱的故障类型。(2)针对粒子群优化算法(PSO)易陷入局部最优解的缺点,提出了基于黑洞模型理论-改进的模拟退火粒子群优化算法(RBH-ISAPSO),经过6种标准测试函数及PSO、IPSO算法对比验证了RBH-ISAPSO算法的优越性并运用到LSSVM的参数寻优上,建立了RBH-ISAPSO-LSSVM故障分类模型,通过UCI标准数据集与LSSVM、CV-LSSVM分类模型对比验证了该模型的有效性,最后应用到齿轮箱故障诊断上,取得了理想的效果。(3)针对实际中齿轮箱振动信号往往呈现非线性、非平稳的特点以及经验模态分解(EMD)方法存在模态混叠问题,提出了集合经验模态分解-最小二乘支持向量机(EEMD-LSSVM)故障诊断方法。采用PCA对降噪后故障振动信号进行降维处理,再经EEMD方法分解,提取信号前8个IMF分量的能量熵作为一组特征向量,输入到LSSVM分类器进行训练和测试。实验结果表明,该方法能准确的识别出齿轮箱的故障类型。