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)中的設備也逐漸出現(xiàn)一些問題。設備頻繁出現(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、基本結構組成和常見故障的基礎上，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將一個復雜的多分量調頻調幅信號自適應的分解為若干由包絡信號和純調頻信號相乘得到的PF分量，由純調頻信號可以求出PF分量的瞬時頻率。
　　采用LMD分解中的包絡信號進行線性調頻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。利用包絡譜分析和頻譜分析相結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