基于EMD和SVM技術風電齒輪箱早期故障診斷研究.pdf

1、風能作為一種蘊藏量豐富的自然資源，因其使用便捷、可再生、成本低、無污染等特點，在世界范圍內(nèi)得到了較為廣泛的使用和迅速發(fā)展，發(fā)展?jié)摿薮蟆Ｎ覈娘L力發(fā)電技術起步較晚，但發(fā)展迅速。以前風力發(fā)電機組全部靠進口，在90年代后，引進國外先進的風力發(fā)電機組的總體設計和制造技術，并在消化、吸收的基礎上優(yōu)化、創(chuàng)新。近幾年對風電機組主要部件的故障統(tǒng)計中，由齒輪箱、發(fā)電機、葉片引起的故障是風電機組故障的主要原因，其中齒輪箱的故障發(fā)生率在逐年增高，故障百分比

2、已超過60％，是機組中故障發(fā)生率最高的部件。齒輪箱的狀態(tài)監(jiān)測與故障診斷已迫在眉睫。
　　 風電齒輪箱早期故障形式有磨損，齒面膠合，齒面接觸疲勞和斷齒。常用的故障診斷方法有時域法，頻域法，包絡分析，階比分析，倒譜，三維圖和全息譜。這些方法在風電齒輪箱早期故障識別研究中有各自的優(yōu)點，但是都不能去全面的去判斷是否是故障信號。
　　 本文則探討了使用EMD和SVM相結合的方法對信號進行特征提取，并用實驗驗證了該方法的可行性。分別

3、在10Hz、15Hz、20Hz以及25Hz的條件下進行實驗，首先采集齒輪在正常狀態(tài)、輕度磨損狀態(tài)及稍重磨損狀態(tài)下運行時的數(shù)據(jù)，接著基于MATLAB平臺計算其EMD特征單分量的均方根值，最后運用支持向量機這一智能識別方法進行分類和識別。從實驗結果來看，分類的正確率是很高的，從而驗證了該方法的正確性，為齒輪箱的故障診斷提供了一個嶄新的思路。
　　 為了能與實際工程相結合，本文以LabVIEW這一圖形化編程語言為開發(fā)平臺，運用EMD和