【摘要】：近年來(lái),能源短缺問(wèn)題與環(huán)境惡化問(wèn)題越發(fā)受到世界各國(guó)的重視。風(fēng)能作為一種環(huán)境友好型可再生清潔能源,其不僅分布廣泛而且價(jià)格相對(duì)較低,因此風(fēng)力發(fā)電獲得了各國(guó)的大力發(fā)展。但近年來(lái)風(fēng)電機(jī)組故障頻發(fā)且故障常伴隨經(jīng)濟(jì)和人員的巨大損失。在風(fēng)電機(jī)組故障中,聯(lián)軸器不對(duì)中故障是引起風(fēng)電機(jī)組機(jī)械故障的重要因素之一。因此,研究不對(duì)中故障對(duì)風(fēng)電機(jī)組及風(fēng)電發(fā)展具有重要意義。本文的主要研究?jī)?nèi)容如下:首先,根據(jù)雙饋風(fēng)電機(jī)組的組成、運(yùn)行原理,搭建了 1.5kW的雙饋風(fēng)電機(jī)組不對(duì)中試驗(yàn)臺(tái)。該試驗(yàn)臺(tái)不僅能夠模擬雙饋發(fā)電機(jī)組的變速恒頻運(yùn)行狀態(tài),而且還具有不對(duì)中故障實(shí)現(xiàn)模塊。該可以模擬雙饋風(fēng)電機(jī)組的三種不對(duì)中故障,并通過(guò)多次實(shí)驗(yàn)驗(yàn)證了不對(duì)中試驗(yàn)臺(tái)的有效性。然后,為了對(duì)不對(duì)中故障進(jìn)行簡(jiǎn)單、快速的判斷,本文提出了基于SVD-Teager能量算子的不對(duì)中故障分析。即先用奇異熵增量曲率譜法與改進(jìn)的奇異值差分譜閾值法對(duì)信號(hào)進(jìn)行奇異值分解(Singular Value Denoising,SVD)消噪,然后利用Teager能量算子得到信號(hào)的Teager能量信號(hào)頻譜,最后將頻譜的頻域特征和不對(duì)中故障的典型特征作對(duì)比,實(shí)現(xiàn)了對(duì)不對(duì)中故障類型與程度的簡(jiǎn)單、快速判斷。實(shí)驗(yàn)結(jié)果驗(yàn)證了方法的有效性。為了完善故障特征提取的效果,本文提取了多組正常狀態(tài)和三種不對(duì)中故障狀態(tài)下振動(dòng)信號(hào)的時(shí)域、頻域和時(shí)-頻域特征。其中,時(shí)頻域特征來(lái)源于自適應(yīng)白噪聲完整聚合經(jīng)驗(yàn)?zāi)B(tài)分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise-Extreme Learning Machine,CEEMDAN)產(chǎn)生的數(shù)個(gè)固有模態(tài)分量(Ntrinsic Mode Function,IMF)。本文使用 K-L 散度值(Kullback.Leibler divergence,K-L)法與相關(guān)系數(shù)法篩選出真實(shí)固有模態(tài)分量,分別計(jì)算每個(gè)真實(shí)分量的排列熵與能量熵,將這些特征組成不對(duì)中故障混合特征庫(kù)。為了降低冗余特征對(duì)故障診斷的影響,用核主成分分析(kernel principal components analysis,KPCA)對(duì)數(shù)個(gè)樣本組成的特征集進(jìn)行降維,并根據(jù)不同的高斯核寬度和特征值累計(jì)貢獻(xiàn)率得到不同的訓(xùn)練集與測(cè)試集。最后,為了提高不對(duì)中故障分類準(zhǔn)確率,本文用粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)優(yōu)化極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM),得到粒子群優(yōu)化的ELM。將優(yōu)化后的ELM作為弱故障分類器,再用AdaBoost算法將弱分類器組成強(qiáng)分類器。最終,得到基于PSO-ELM+AdaBoost的不對(duì)中故障診斷模型,并使用訓(xùn)練集與測(cè)試集驗(yàn)證了模型的有效性。
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TM315
【圖文】：

排名位居全球首位。根據(jù)世界風(fēng)能協(xié)會(huì)（ＷＷＥＡ）最新數(shù)據(jù)統(tǒng)計(jì)，２０１８年，中國(guó)逡逑新增裝機(jī)容量為２１．１４４邋ＧＷ［２】，同比增長(zhǎng)７．５％，總裝機(jī)容量達(dá)到了邋２０９．５３４ＧＷ，遠(yuǎn)超逡逑位于第二位的美國(guó)。圖１－２是中國(guó)２００８年至２０１８年風(fēng)電總裝機(jī)容量與年增裝機(jī)容逡逑量，由圖可以看出，中國(guó)風(fēng)電裝機(jī)容量逐年增加，２００８年只有１２邋ＧＷ的裝機(jī)容逡逑量［２］，但２００８年至２０１８年的十年內(nèi)，中國(guó)的風(fēng)電裝機(jī)總?cè)萘吭龃罅隋澹保罚矗侗丁ｅ义希玻埃埃福玻埃保改曛袊?guó)風(fēng)電裝機(jī)總?cè)萘颗c年增容量（ＧＷ）逡逑■年新增裝機(jī)量■總裝機(jī)量邐藝逡逑＾邋＾邐｜邋｜邋｜逡逑ｓｉｉｉＬｉｌｉＬｉＬｉＬｉＬｉＬｉＬｉＬＪＬ逡逑撕邋２００８邋２００９邋２０１０邋２０１１邋２０１２邋２０１３邋２０１４邋２０１５邋２０１６邋２０１７邋２０１８逡逑年份逡逑圖１－２邋２００８年至２０１８年中國(guó)風(fēng)電總裝機(jī)容量與年增容量逡逑Ｆｉｇ．邋１－２邋Ｔｈｅ邋ｗｉｎｄ邋ｐｏｗｅｒ邋ｔｏｔａｌ邋ｉｎｓｔａｌｌｅｄ邋ｃａｐａｃｉｔｙ邋ａｎｄ邋ａｎｎｕａｌ邋ｉｎｃｒｅａｓｅ邋ｃａｐａｃｉｔｙ邋ｉｎ邋Ｃｈｉｎａ邋ｆｒｏｍ邋２００８邋ｔｏ邋２０】８逡逑圖１－３是２０１８年公布的全球十大風(fēng)電裝機(jī)容量國(guó)家，中國(guó)的風(fēng)力發(fā)電裝機(jī)容逡逑量己經(jīng)遠(yuǎn)遠(yuǎn)超過(guò)居于第二位的美國(guó)。實(shí)際上，中國(guó)己連續(xù)多年成為全球最大的風(fēng)逡逑電市場(chǎng)。２０１９年４月１６日，國(guó)家發(fā)改委價(jià)格司組織召開(kāi)了邋“２０１９年風(fēng)電上網(wǎng)電逡逑價(jià)政策討論會(huì)”，按照政策指引，我國(guó)風(fēng)電電價(jià)會(huì)進(jìn)一步下降。有國(guó)家的積極引逡逑導(dǎo)和支持

然后介紹了雙饋風(fēng)力發(fā)電機(jī)組試驗(yàn)臺(tái)的布定子側(cè)電流驗(yàn)證了試驗(yàn)臺(tái)的變速恒頻運(yùn)行特性。最后，與不對(duì)中故障在試驗(yàn)臺(tái)上的實(shí)現(xiàn)步驟。逡逑風(fēng)力發(fā)電機(jī)組逡逑力機(jī)是目前風(fēng)力發(fā)電領(lǐng)域的研究熱點(diǎn)之一，也是本文搭依據(jù)，本文以某廠家１．５ＭＷ有刷雙饋式風(fēng)力發(fā)電機(jī)組為了雙饋發(fā)電機(jī)組主要組成部件的功能，并對(duì)雙饋風(fēng)電發(fā)恒頻做了簡(jiǎn)要介紹。逡逑風(fēng)力發(fā)電機(jī)組的組成逡逑所示，雙饋發(fā)電機(jī)組主要部件包括葉片、變槳機(jī)構(gòu)、偏航雙饋發(fā)電機(jī)等。逡逑葉片輪轉(zhuǎn)

【參考文獻(xiàn)】

相關(guān)期刊論文 前6條

1 賁兆強(qiáng);郭凱;喬玲;段夢(mèng);;基于粒子群優(yōu)化的極限學(xué)習(xí)機(jī)冰蓄冷空調(diào)負(fù)荷預(yù)測(cè)[J];工業(yè)控制計(jì)算機(jī);2015年10期

2 馬超;張英堂;李志寧;尹剛;;基于核極限學(xué)習(xí)機(jī)的液壓泵特征參數(shù)在線預(yù)測(cè)[J];計(jì)算機(jī)仿真;2014年05期

3 劉吳月;廖明夫;劉永偉;李浩;魯鵬;;風(fēng)電機(jī)組傳動(dòng)鏈模擬實(shí)驗(yàn)臺(tái)設(shè)計(jì)與實(shí)現(xiàn)[J];機(jī)械科學(xué)與技術(shù);2014年03期

4 趙梅花;阮毅;沈陽(yáng);葉斌英;趙方平;;基于風(fēng)機(jī)特性模擬的風(fēng)力發(fā)電系統(tǒng)[J];電機(jī)與控制應(yīng)用;2011年03期

5 廖明夫;梁媛媛;王四季;王儼剴;;風(fēng)力發(fā)電機(jī)組的不對(duì)中故障分析[J];機(jī)械科學(xué)與技術(shù);2011年02期

6 阮躍;陸江;嚴(yán)可國(guó);;振動(dòng)分析故障診斷系統(tǒng)在軋鋼機(jī)械中的應(yīng)用[J];中國(guó)儀器儀表;2010年S1期

相關(guān)碩士學(xué)位論文 前10條

1 張恒;膜片聯(lián)軸器剛?cè)狁詈夏Ｐ图捌洳粚?duì)中工況下軸心軌跡的研究[D];吉林大學(xué);2018年

2 牟竹青;往復(fù)式高壓隔膜泵單向閥的早期故障診斷研究[D];昆明理工大學(xué);2018年

3 王菲;基于VMD的轉(zhuǎn)子故障特征提取及識(shí)別[D];華北電力大學(xué);2018年

4 劉東瀛;風(fēng)電傳動(dòng)系統(tǒng)滾動(dòng)軸承故障診斷研究[D];東南大學(xué);2017年

5 張強(qiáng);基于PSO-ELM的多環(huán)芳烴熒光光譜定量分析[D];燕山大學(xué);2017年

6 康娜;雙饋式風(fēng)電機(jī)組傳動(dòng)系統(tǒng)不對(duì)中故障診斷研究[D];北京交通大學(xué);2017年

7 吳婧睿;基于GSO-ELM的鋰離子電池剩余壽命間接預(yù)測(cè)方法研究[D];大連海事大學(xué);2017年

8 宋治惠;基于CEEMDAN的滾動(dòng)軸承早期故障特征提取方法研究[D];天津大學(xué);2017年

9 王瀟雅;基于ELM的航空發(fā)電機(jī)旋轉(zhuǎn)整流器故障診斷方法研究[D];南京航空航天大學(xué);2016年

10 高志偉;風(fēng)力發(fā)電機(jī)齒輪箱狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)的研發(fā)與實(shí)現(xiàn)[D];上海電機(jī)學(xué)院;2015年

本文編號(hào)：2724279