论文部分内容阅读
风电机组是实现风力发电的机械设备,其本身是非常复杂的非线性动态系统,其中包含了多种关键零部件,实现关键零部件及其风机整体的运行状态健康评估对于基于状态的风机维护意义非常重大。本文针对风机中关键零部件轴承和风电机组整体进行了运行健康状态评估的研究,提出了刻画轴承性能退化过程的模型和指标以及识别风机运行时劣化过程的指标,实现了轴承及风机运行状态的准确评估以及故障早期识别的功能,克服了现有风机SCADA系统采用单一阈值报警方法的不足。首先,本文研究了风电机组中关键零部件轴承性能退化过程的健康评估问题。为准确实现退化过程评估,本文首先从轴承的振动信号中尽可能提取多的反映退化过程的特征,并通过特征选择对退化过程更为敏感的特征;在此基础上,利用自组织映射网络和最小量化误差构建评估基准模型和健康指标,最后利用6个轴承全生命周期的振动数据进行方法和指标的验证。接着,本文将问题深入化,研究了风电机组在复杂变化的工况下的运行状态健康评估问题。为实现风机运行状态的准确评估,本文首先对风机运行的工况进行了划分,接着针对每种工况建立基于GMM的多特征空间分布模型作为评估基准模型,并提出基于马氏距离的健康指标,最后利用两个具体的故障实例验证了所提方法和指标的有效性,结果表明所提指标不仅可准确评估风机运行的状态,还能准确评估风机出现的异常,实现早期故障的识别。最后,本文研究了设备健康趋势预测方法,对现有极限学习机模型进行了改进。改进的ELM首先利用PSO算法获得最优的网络输入权值和偏置,克服传统极限学习机任意赋值导致的结果稳定性差的不足,接着采用两个激励函数的平均值作为隐含层神经元的输出以提高预测的精度。本文利用所得到的轴承退化过程的健康指标进行了改进极限学习机预测精度的验证,结果表明与BPNN、最小二乘支持向量机Lssvm及原始ELM相比,改进的ELM预测精度更高,达到了预期的效果。