【摘要】：隨著異常氣候,環(huán)境問題在全球范圍內(nèi)日益嚴重,各國對新能源的開發(fā)需求日益增加,風電在電力市場中所占比例不斷上升。風電機組多安裝在環(huán)境惡劣的地域,這大大提升了風電機組的維護成本,為了降低風電機組維護成本,開展風電機組的狀態(tài)監(jiān)測與故障診斷方法的研究具有至關(guān)重要的意義。為了能使風電機組長期安全穩(wěn)定的運行,從而基于振動信號與模式識別對風電機組故障診斷技術(shù)展開研究。首先以風電機組滾動軸承為研究對象,在頻域上研究了一種基于自適應(yīng)變分模態(tài)分解(AVMD)-支持向量機(SVM)的故障診斷方法,之后在時域上研究了一種基于數(shù)學(xué)形態(tài)學(xué)(MM)-相關(guān)性分析(CA)的故障診斷方法,最后為了提高故障診斷的可靠性,結(jié)合前兩種方法的優(yōu)點提出了一種基于信息融合的復(fù)合診斷方法。主要研究內(nèi)容如下:(1)針對風電機組中旋轉(zhuǎn)機械振動信號呈現(xiàn)的非線性、非穩(wěn)定等特性,提出一種基于AVMD-SVM的滾動軸承故障診斷方法。該方法通過AVMD將單分量故障信號分解為不同頻率分量的多分量信號,之后使用熵價值法得到信號的特征向量,然后使用SVM對特征向量進行訓(xùn)練,最終根據(jù)SVM的輸出結(jié)果判定信號故障類別。經(jīng)驗證該方法診斷效果良好,但是對于同類型不同損傷程度的故障(未訓(xùn)練)診斷效果欠佳。(2)針對AVMD-SVM方法對同類型不同損傷程度故障診斷效果欠佳的情況,采用了基于MM-CA的滾動軸承故障診斷方法。該方法對故障信號在時域上做MM處理,之后將處理后的信號轉(zhuǎn)變到頻域中得到信號特征,最后將待檢測信號特征與各個故障類別的信號特征做CA處理,其中相關(guān)系數(shù)最高的故障類別即為判定結(jié)果。結(jié)果表明該方法對于同類型不同損傷程度的故障診斷效果良好,但是該方法抗干擾能力相較AVMD-SVM方法弱,對故障的敏感度欠佳。(3)綜合上述兩種方法的特點,提出了一種基于證據(jù)理論的復(fù)合診斷方法,該方法使用改進證據(jù)理論將上述兩種方法的最終診斷結(jié)果融合得到新的診斷結(jié)果,相較未改進的證據(jù)理論提高了融合準確性。復(fù)合診斷方法結(jié)合了上述兩種方法的優(yōu)點,相比傳統(tǒng)的單一故障診斷算法具有更高的識別率和可靠性。
【圖文】：

為風電發(fā)展的關(guān)鍵一年，全球新增風電裝機容量首次超過傳統(tǒng)發(fā)電機新增裝量，經(jīng)過幾十年的發(fā)展，風電技術(shù)已經(jīng)趨于成熟，風電已經(jīng)在全球范圍大規(guī)應(yīng)用。截止到 2017 年，風電在歐洲地區(qū)占總電力消費比例已達到 11.6%，丹麥消費比例已經(jīng)達到了 44.4%，英國占比 13.5%，德國占比 20.8%。截止17 年，全球陸上風電平均成本已經(jīng)低于傳統(tǒng)化石能源，2017 年以來新建陸電平均成本為 4 美分/千瓦時。 國際可再生能源組織預(yù)計到 2019 年全球風目最低成本可低至 3 美分/千瓦時，成為最經(jīng)濟環(huán)保的電力能源之一。進入紀以來，全球風電機組裝機數(shù)量快速提升[3-4]，如圖 1-1 所示是 2001 年至 2的全球風電年新增裝機容量，可以看到，雖然風電新增裝機容量在 2013 16 年和 2017 年出現(xiàn)了下滑現(xiàn)象，但是除去上述三年在其他年度風電新增裝量均有增加，在近 20 年的時間里風電機組容量呈現(xiàn)一個快速增長的趨勢。計，截至 2017 為止，全球風電市場累計裝機容量達 539.6GW。如圖 1-2 所 2001 年至 2017 年全球風電裝機累計容量�？梢钥吹饺蚶塾嬔b機容量趨勢上升。

圖 1-2 2001 年-2017 年全球風電裝機累計容量柱形圖Fig.1-2 The histogram of the world wind power cumulative installed capacity in 2001-201我國有著新疆，甘肅，內(nèi)蒙古以及東南沿海地區(qū)豐富的風能資源，憑借地勢我國大力發(fā)展風電行業(yè)，我國風電行業(yè)經(jīng)過十幾年的高速發(fā)展，在電力市所占份額快速提升。但是，由于風電機組裝機數(shù)量的增加，風電機組發(fā)生故頻率也大大上升，風電機組的維護工作也日漸增多，，風電機組的在線監(jiān)測技障診斷技術(shù)的成為降低維護成本的有效手段，對風電機組進行監(jiān)測診斷技術(shù)與自動診斷系統(tǒng)的開發(fā)成為關(guān)鍵一步[5-6]。風力發(fā)電機結(jié)構(gòu)精密復(fù)雜，隨著風電機組數(shù)量不斷增加，加之大多數(shù)風電都工作在地處偏遠的惡劣環(huán)境中，機艙基本處于 50～80 m 以上的高空中，維修風電機組的工作屬于高危困難的高空作業(yè)，隨之而來的是高昂的維修維用，風電機組的維護費可以達到其總成本的 30%，如果能夠降低維護費用風電價格將更加親民。除此之外風電機組的故障高發(fā)在其葉片位置與齒輪箱，風電機組葉片通常有結(jié)冰、磨損和不平衡的故障，軸承可能會發(fā)生裂紋與。除此之外風電機組還會發(fā)生發(fā)電機絕緣失效等故障。如果不能對風電機組
【學(xué)位授予單位】：內(nèi)蒙古工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TM614;TH133.33

【參考文獻】

相關(guān)期刊論文 前6條

1 譚建成;許文雷;吳家健;陳進勇;郭福平;;滾動軸承聲發(fā)射故障信號分析方法綜述[J];廣東化工;2015年24期

2 游子躍;王寧;李明明;李亞強;王皓;;基于EEMD和BP神經(jīng)網(wǎng)絡(luò)的風機齒輪箱故障診斷方法[J];東北電力大學(xué)學(xué)報;2015年01期

3 胡金海;余治國;翟旭升;彭靖波;任立通;;基于改進D-S證據(jù)理論的航空發(fā)動機轉(zhuǎn)子故障決策融合診斷研究[J];航空學(xué)報;2014年02期

4 張照煌;丁顯;劉曼;曾菊瑛;;基于小波變換的風電機組傳動系統(tǒng)故障診斷與分析[J];應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報;2011年S1期

5 程軍圣;于德介;楊宇;;基于EMD和SVM的滾動軸承故障診斷方法[J];航空動力學(xué)報;2006年03期

6 申_",黃樹紅,韓守木,楊叔子;旋轉(zhuǎn)機械振動信號的信息熵特征[J];機械工程學(xué)報;2001年06期

相關(guān)會議論文 前1條

1 郭曉鑫;劉立;馮志鵬;;數(shù)學(xué)形態(tài)學(xué)在信號處理中的應(yīng)用綜述[A];2009全國虛擬儀器大會論文集（二）[C];2009年

相關(guān)重要報紙文章 前1條

1 ;智慧能源發(fā)展趨勢(上)[N];大同日報;2019年

相關(guān)博士學(xué)位論文 前1條

1 黨建;大型旋轉(zhuǎn)機械振動信號分析與早期故障辨識方法研究[D];西安理工大學(xué);2018年

相關(guān)碩士學(xué)位論文 前1條

1 孫袁;雙饋型風電機組齒輪箱振動特性與故障識別的研究[D];華北水利水電大學(xué);2017年

本文編號：2593137