风电机组传动系统故障诊断的技术研究

摘要

由于风力发电具有清洁、经济、安全的优点，中国新增风电装机容量逐年增高。在整体风力发电系统故障中，传动系统故障占比大、维修困难、带来的经济损失严重，因此对风电传动系统进行故障诊断是十分必要的。 本文以风电机组传动系统的轴承、齿轮等关键零部件为研究对象，对风电机组传动系统开展故障诊断技术研究： 首先粒子滤波算法是一种解决非高斯非线性随机系统估计问题有效的方法，针对粒子滤波粒子贫化的缺点，本文提出了运用改进的蝙蝠算法优化粒子滤波，然后运用ARMA模型确定状态方程，运用FPE准则对状态方程进行定阶，运用最小二乘法对状态方程的参数进行估算，最后对采集的故障振动信号进行降噪处理，通过包络谱分析故障类别。实验结果表明：本文算法极大程度的抑制了振动信号中的干扰信号，能够清楚的分辨出故障频率以及判断出故障类别。 其次研究了传统BP神经网络的故障识别，并针对传统BP神经网络收敛速度慢、易陷入局部最小值的缺点，本文运用改进的蝙蝠算法优化BP神经网络，以预测输出和期望输出的均方根误差作为适应度函数，通过改进的蝙蝠算法寻找出BP神经网络的最优权值和阈值，并对采集的振动信号进行预测。实验结果表明：本文算法克服了传统BP神经网络故障识别时收敛速度慢、易陷入局部最小值的缺点，对风电机组传动系统的故障诊断具有良好的效果。

目录

声明

插图索引

插表索引

第1章 绪 论

1.1 论文研究的背景及意义

1.2 国内外风电机组故障诊断的研究现状

1.3本文研究的主要内容

第2章 风电机组传动系统故障机理分析与建模

2.1 引言

2.2 风电机组传动系统故障模式与机理分析

2.2.1齿轮故障模式与机理分析

2.2.2 齿轮故障的振动信号特征

2.2.3 轴承故障模式与机理分析

2.2.4轴承故障的振动信号特征

2.3本章小结

第3章 基于GDBA算法的粒子滤波

3.1 粒子滤波算法

3.2 基于遗传算法改进的粒子滤波算法

3.3 基于蝙蝠算法改进粒子滤波的优化算法

3.3.1蝙蝠算法

3.3.2 基于蝙蝠算法改进的粒子滤波算法

3.4 基于遗传扰动机制改进蝙蝠优化算法粒子滤波

3.4.1 交叉率和变异率调整策略

3.4.2 遗传扰动机制

3.4.3 遗传扰动机制改进的蝙蝠算法

3.5 收敛性验证

3.6 交叉率和变异率调整策略验证

3.7 多样性验证

3.8 本章小结

第4章 基于GDBA-PF算法的噪声抑制和故障诊断

4.1 粒子滤波的降噪原理

4.2 GDBA-PF降噪的仿真实验

4.3 目标跟踪性能测试

4.4 传感器故障诊断

4.5 齿轮、轴承故障信号的降噪处理

4.4 本章小结

第5章 基于GDBA优化神经网络的故障识别

5.1 神经网络原理及其在故障诊断中的应用

5.2 基于GDBA优化的神经网络

5.3齿轮、轴承振动信号特征参数提取

5.4 GDBA神经网络创建

5.5 GDBA神经网络故障识别

5.6 本章小结

总结与展望

总结

展望

参考文献

致谢

附录 攻读学位期间所发表的学术论文