基于支持向量機(jī)的風(fēng)電機(jī)組故障智能分類方法及其應(yīng)用.pdf

1、近些年來，我國(guó)風(fēng)力發(fā)電得到了迅猛發(fā)展，雖然風(fēng)力發(fā)電機(jī)的設(shè)計(jì)與制造已逐步完善，但是由于運(yùn)行載荷復(fù)雜多變，工作條件惡劣等特殊原因，使得風(fēng)電機(jī)組的故障率居高不下，對(duì)其運(yùn)行維護(hù)提出了巨大的挑戰(zhàn)。因此研究及推廣應(yīng)用風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)對(duì)于提高風(fēng)電設(shè)備的運(yùn)行安全可靠性具有重要的實(shí)際意義?；谏鲜銮闆r，本文對(duì)風(fēng)電機(jī)組傳動(dòng)鏈故障智能分類方法進(jìn)行研究，旨在提高傳動(dòng)鏈設(shè)備故障的自動(dòng)識(shí)別能力和精度，提高設(shè)備維修技術(shù)及管理水平。論文的主要工作如下：<

2、br>　　首先對(duì)風(fēng)電機(jī)組的結(jié)構(gòu)進(jìn)行概述，簡(jiǎn)要說明風(fēng)電機(jī)組主要部件的故障機(jī)理、故障類型。介紹了三種基于振動(dòng)信號(hào)分析的故障特征提取方法，包括時(shí)域、頻域和小波包特征提取方法。通過實(shí)例分析了三種特征提取方法的分類效果和特點(diǎn)。同時(shí)還介紹了主成分分析方法的基本原理，并將主成分分析方法和小波包特征提取方法結(jié)合使用，把多個(gè)特征值指標(biāo)轉(zhuǎn)化為少數(shù)幾個(gè)綜合指標(biāo)，以獲取最主要的信息。
　　其次，將基于支持向量機(jī)的智能故障分類方法應(yīng)用于風(fēng)電齒輪箱故障分類問

3、題，用實(shí)際案例驗(yàn)證了二分類和多分類支持向量機(jī)的效果。針對(duì)神經(jīng)網(wǎng)絡(luò)的局部極值問題和需要大量訓(xùn)練樣本的情況，以及提高分類準(zhǔn)確率的問題，結(jié)合小波包(WaveletPacket，WP)、粒子群優(yōu)化算法(Particle Swarm Optimization algorithm，PSO)和支持向量機(jī)(Support Vector Machine，SVM)理論建立了風(fēng)電機(jī)組傳動(dòng)鏈故障診斷模型，即WP-PSO-SVM模型，用實(shí)際數(shù)據(jù)對(duì)模型的效果進(jìn)行了