風力發(fā)電機組傳動系統(tǒng)故障診斷研究.pdf

1、我國的風機裝機容量已經(jīng)走在世界的前端，但是，隨著風力發(fā)電機組裝機容量及投運時間的增加，風電系統(tǒng)中的設(shè)備也逐漸出現(xiàn)一些問題。設(shè)備頻繁出現(xiàn)事故或故障將造成的巨大損失，對風力發(fā)電的經(jīng)濟效益造成嚴重影響。本文在介紹風力發(fā)電機的發(fā)展現(xiàn)狀、基本結(jié)構(gòu)組成和常見故障的基礎(chǔ)上，選擇風電機組傳動系統(tǒng)中主要部件，如齒輪箱、發(fā)電機、主軸承等進行故障診斷研究。
　　針對于風電機組中旋轉(zhuǎn)機械振動信號的非平穩(wěn)、非線性等復雜特性，本文將最新的時頻分析方法局部均值

2、分解(Local mean decomposition，LMD)用于提取振動信號的特征信息并進行故障診斷研究。局域均值分解方法能夠?qū)⒁粋€復雜的多分量調(diào)頻調(diào)幅信號自適應(yīng)的分解為若干由包絡(luò)信號和純調(diào)頻信號相乘得到的PF分量，由純調(diào)頻信號可以求出PF分量的瞬時頻率。
　　采用LMD分解中的包絡(luò)信號進行線性調(diào)頻z變換(CZT變換)并求其細化譜的方法，對滾動軸承振動信號進行特性分析，判斷其是否出現(xiàn)故障特征頻率，以實現(xiàn)對振動信號的故障診斷研究

3、。并與利用包絡(luò)譜求振動信號特征頻率的方法進行比較，驗證方法的有效性。利用包絡(luò)譜分析和頻譜分析相結(jié)合的方法對齒輪故障振動信號特性進行診斷。
　　采用基于LMD分解和奇異值分解的特征提取與模糊C均值聚類(Fuzzy C-Means Clustering Algorithm，F(xiàn)CM)結(jié)合的方法用于故障的識別分類診斷中。首先對滾動軸承振動信號LMD分解得到的PF分量進行奇異值分解，將奇異值矩陣作為特征向量。然后以FCM聚類方法作為故障分類