【摘要】：風(fēng)能是一種無污染、可再生的新能源,因此近年來風(fēng)力發(fā)電得到了越來越多的研究。然而,大多數(shù)風(fēng)電機(jī)組工作環(huán)境較惡劣,主軸承是風(fēng)電機(jī)組中至關(guān)重要的傳動部件,起支撐和導(dǎo)向作用。如果主軸承發(fā)生故障,機(jī)組將停止運行,給風(fēng)電場帶來極大的經(jīng)濟(jì)損失。因此,快速有效地診斷風(fēng)電機(jī)組主軸承的故障是提高風(fēng)電機(jī)組利用率,進(jìn)而提高風(fēng)電場經(jīng)濟(jì)效益的有效措施。論文主要研究內(nèi)容如下:給出了小波包能量特征提取方法以提取風(fēng)電機(jī)組主軸承振動信號的特征向量。通過比較不同小波基函數(shù)與閾值函數(shù)組合的降噪效果,選出最佳降噪組合,并通過分析說明軟閾值處理方式的降噪效果更優(yōu)。采用小波包能量特征提取方法提取風(fēng)電機(jī)組主軸承振動信號的能量向量,并分析不同故障類型特征向量的相似之處,為后文的故障識別奠定了基礎(chǔ)。給出了基于極限學(xué)習(xí)機(jī)的風(fēng)電機(jī)組主軸承故障診斷方法。通過比較不同激活函數(shù)對極限學(xué)習(xí)機(jī)診斷效果的影響,選擇出最優(yōu)激活函數(shù)。分析了極限學(xué)習(xí)機(jī)參數(shù)對極限學(xué)習(xí)機(jī)診斷效果的影響,并給出了診斷的具體實現(xiàn)過程。實驗證明,與最小二乘支持向量機(jī)算法相比,基于極限學(xué)習(xí)機(jī)算法的風(fēng)電機(jī)組主軸承故障診斷方法具有更好的診斷效果。給出了基于核極限學(xué)習(xí)機(jī)的風(fēng)電機(jī)組主軸承故障診斷方法。采用遺傳算法優(yōu)化核極限學(xué)習(xí)機(jī)參數(shù),以進(jìn)一步提高診斷準(zhǔn)確率。給出了診斷的具體實施過程。通過比較基于核極限學(xué)習(xí)機(jī)與極限學(xué)習(xí)機(jī)的故障診斷混淆矩陣,發(fā)現(xiàn)核極限學(xué)習(xí)機(jī)的診斷效果更好。給出了基于混合核極限學(xué)習(xí)機(jī)的風(fēng)電機(jī)組主軸承故障診斷方法。利用全局核函數(shù)和局部核函數(shù)的線性組合構(gòu)造混合核函數(shù)以使核函數(shù)兼有全局特性和局部特性。采用遺傳算法結(jié)合交叉驗證的參數(shù)優(yōu)化方法,對混合核極限學(xué)習(xí)機(jī)參數(shù)進(jìn)行優(yōu)化。給出了診斷的具體實現(xiàn)過程。實驗證明,基于遺傳算法和交叉驗證優(yōu)化的混合核極限學(xué)習(xí)機(jī)的風(fēng)電機(jī)組主軸承故障診斷方法具有更好的診斷效果。
[Abstract]:Wind energy is a kind of non-pollution, renewable new energy, so wind power generation has been more and more studied in recent years. However, the working environment of most wind turbine units is poor, and the main bearing is the most important driving part in wind turbine, which plays a supporting and guiding role. If the main bearing fails, the unit will stop running, which will bring great economic loss to the wind farm. Therefore, rapid and effective diagnosis of the main bearing fault of wind turbine is an effective measure to improve the utilization ratio of wind turbine and increase the economic benefit of wind farm. The main contents of this paper are as follows: a wavelet packet energy feature extraction method is presented to extract the eigenvector of the main bearing vibration signal of wind turbine. By comparing the noise reduction effect of different wavelet basis function and threshold function, the optimal denoising combination is selected, and the result of soft threshold processing is better. The wavelet packet energy feature extraction method is used to extract the energy vector of the main bearing vibration signal of wind turbine unit, and the similarity of different fault type characteristic vectors is analyzed, which lays a foundation for the later fault identification. The fault diagnosis method of main bearing of wind turbine based on ultimate learning machine is presented. By comparing the influence of different activation functions on the diagnostic effect of LLM, the optimal activation function is selected. The influence of the parameters of the ultimate learning machine on the diagnostic effect of the ultimate learning machine is analyzed, and the realization process of the diagnosis is given. Compared with the least square support vector machine (LS-SVM) algorithm, the method of main bearing fault diagnosis of wind turbine based on LLM-algorithm is proved to be more effective. The main bearing fault diagnosis method of wind turbine based on nuclear limit learning machine is presented. Genetic algorithm is used to optimize the parameters of the kernel limit learning machine to further improve the diagnostic accuracy. The implementation process of diagnosis is given. By comparing the fault diagnosis confusion matrix based on nuclear extreme learning machine and ultimate learning machine, it is found that the diagnosis effect of nuclear extreme learning machine is better. A fault diagnosis method for main bearing of wind turbine based on hybrid core ultimate learning machine is presented. The mixed kernel function is constructed by using the linear combination of global kernel function and local kernel function to make the kernel function have both global and local properties. The parameters of hybrid kernel ultimate learning machine are optimized by genetic algorithm and cross-validation. The realization process of diagnosis is given. The experiments show that the fault diagnosis method of main bearing of wind turbine based on genetic algorithm and crossover verification optimization is more effective.
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TM315

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 姚萬業(yè);李新麗;;基于狀態(tài)監(jiān)測的風(fēng)電機(jī)組變槳系統(tǒng)故障診斷[J];可再生能源;2016年03期

2 裴飛;陳雪振;朱永利;遇炳杰;;粒子群優(yōu)化核極限學(xué)習(xí)機(jī)的變壓器故障診斷[J];計算機(jī)工程與設(shè)計;2015年05期

3 黎濤;唐明珠;譚欣星;;基于CLSSVM的風(fēng)電機(jī)組齒輪箱故障診斷[J];可再生能源;2015年02期

4 祁麗婉;梁庚;童國煒;;基于果蠅算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷[J];電網(wǎng)與清潔能源;2014年09期

5 韓星;熊靜琪;王李立;秦梟品;;基于小波去噪和最小二乘支持向量機(jī)的滾動軸承故障診斷研究[J];機(jī)床與液壓;2014年09期

6 周真;周浩;馬德仲;張茹;蔣永清;;風(fēng)電機(jī)組故障診斷中不確定性信息處理的貝葉斯網(wǎng)絡(luò)方法[J];哈爾濱理工大學(xué)學(xué)報;2014年01期

7 苑津莎;張利偉;王瑜;尚海昆;;基于極限學(xué)習(xí)機(jī)的變壓器故障診斷方法研究[J];電測與儀表;2013年12期

8 李春曦;王佳;葉學(xué)民;喻橋;;我國新能源發(fā)展現(xiàn)狀及前景[J];電力科學(xué)與工程;2012年04期

9 龍泉;劉永前;楊勇平;;基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱故障診斷方法[J];太陽能學(xué)報;2012年01期

10 高虎;黃禾;王衛(wèi);朱順泉;;歐盟可再生能源發(fā)展形勢和2020年發(fā)展戰(zhàn)略目標(biāo)分析[J];可再生能源;2011年04期

相關(guān)博士學(xué)位論文 前1條

1 宋磊;雙饋異步風(fēng)電機(jī)組狀態(tài)監(jiān)測與故障診斷系統(tǒng)的研究[D];華北電力大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 陳雪振;基于極限學(xué)習(xí)機(jī)的變壓器故障預(yù)測方法研究[D];華北電力大學(xué);2015年

2 周浩;基于貝葉斯網(wǎng)絡(luò)風(fēng)機(jī)齒輪箱故障診斷專家系統(tǒng)的研究[D];哈爾濱理工大學(xué);2014年

3 張茹;基于貝葉斯網(wǎng)絡(luò)模型的風(fēng)機(jī)齒輪箱的故障分析診斷[D];哈爾濱理工大學(xué);2014年

4 遇炳杰;基于極限學(xué)習(xí)機(jī)的變壓器故障診斷[D];華北電力大學(xué);2014年

5 申戩林;大型風(fēng)電機(jī)組狀態(tài)監(jiān)測與智能故障診斷系統(tǒng)研究[D];山西大學(xué);2014年

6 劉迎;基于SVM風(fēng)電機(jī)組齒輪箱故障診斷系統(tǒng)研究[D];華北電力大學(xué);2013年

7 張乾;基于振動信號的軸承狀態(tài)監(jiān)測和故障診斷方法研究[D];中南大學(xué);2012年

8 段玲君;基于支持向量機(jī)的同步風(fēng)電機(jī)組故障診斷系統(tǒng)的研究[D];中南大學(xué);2012年

9 王斌;面向風(fēng)電機(jī)組齒輪箱的故障診斷系統(tǒng)研究[D];華北電力大學(xué);2012年

10 胡慶春;基于支持向量機(jī)和統(tǒng)計過程控制的風(fēng)電機(jī)組故障預(yù)測算法的研究[D];華北電力大學(xué);2011年

，

本文編號：2308205