基于时频特征的风力发电机传动链故障智能诊断研究

作     者：刘睿晨 

作者单位：东北电力大学 

学位级别：硕士

导师姓名：唐振浩

授予年度：2022年

学科分类：080801[工学-电机与电器] 0808[工学-电气工程] 08[工学] 

主      题：风力发电机 故障诊断 振动信号 变分模态分解 随机森林 极限学习机 

摘      要：风力发电机中传动链的运转直接影响风电机组的性能和寿命。依靠振动传感器所得的振动信号能够有效的反映传动链的运行状态,而依托于振动信号的传动链故障诊断可以为风力发电机的安全运行提供帮助。目前,使用振动信号的传动链故障诊断方法还主要依靠大量的人工分析,耗费时间长,效率低下,这很难达到风电生产实时状态检测的要求。因此,如何实现智能且快速的风力发电机传动链故障诊断成为了目前亟需解决的问题。为了提高风力发电机传动链故障诊断智能程度、减少诊断时间,研究主要从以下三个方面展开:（1）对公开数据集及实际风力发电机传动链中叶片、轴承、齿轮箱所采集的振动信号进行包络谱分析、频谱分析,分析每个故障类型的固有频率,确定信号故障类型,对各类的样本进行故障类别标签的给定,形成研究所用数据集。（2）针对振动信号包含丰富的故障特征、不容易处理等特点,研究使用基于变分模态分解、快速傅里叶变换与统计学的特征提取方法对振动信号进行隐含特征挖掘;在此基础上,采用了随机森林对所得时频域特征数据进行特征选择,保证识别精度不下降的同时减少后续神经网络的训练时间。（3）为了实现快速的故障诊断建模与识别速度,在得到上述优选特征的基础上,按不同传动链部件建立基于生成式极限学习机的智能故障分类模型。该模型在所提到的数据集具有良好的分类性能,并根据其高速、精准的特点设计并开发了可用于实时故障诊断的智能故障诊断系统软件。通过本课题的研究,所提出的风力发电机传动链故障智能诊断方法在实际数据上的平均识别精度为98.03%,平均建模时间为0.026秒,识别时间为0.674秒,可为风力发电机传动链故障诊断提供一定的参考意义。