论文部分内容阅读
风力发电机作为清洁能源的一种有效利用形式，受到世界各国的推广使用。但是，据统计当前风力发电机组都有着较高的故障率。其中，主轴轴承、齿轮箱、发电机是造成风力发电机故障的主要部件。而主轴轴承故障所造成的风力发电机破坏性损失较大，严重影响了风力发电机的运行可靠性。因此，对风力发电机主轴承的故障诊断研究具有十分重要的意义。目前，有很多种适用于滚动轴承的故障诊断方法，本文以滚动轴承振动量为基础来研究风力发电机主轴承的故障诊断。 本文首先探讨风力发电机主轴滚动轴承的故障机理及其表现形式。其次，针对其故障振动信号非线性、非平稳性的特征，研究探讨了Hilbert-Huang变换(HHT)在风力发电机滚动轴承振动信号的时频分析中的应用，并针对经验模态分解(EMD)的频率混叠现象，采用其改进算法集成经验模态分解(EEMD)对信号进行特征提取。并对分解后的固有模态函数(IMF)进行Hilbert包络谱分析，验证了EEMD对风力发电机故障振动信号特征量提取的可行性。最后，通过对提取的特征量分别进行BP神经网络以及遗传算法优化的支持向量机(GA-SVM)方法进行分类识别，比较这几种方法分类识别的准确率以及各自的优缺点。结果表明遗传算法优化的支持向量机在小样本情况下，对风力发电机主轴承的故障类型有较高的诊断准确率，可有效识别出滚动轴承的故障类型。