基于CPSO-BBO优化SVM的风机主轴轴承的故障诊断分析

摘要

风力发电行业的快速发展，带动了相关配套设备的发展，风电机组作为风能转换电能的重要设备，而主轴轴承则是风力发电机传动系统和发电系统的主要部件，也是易损件，由于其工作环境恶劣，承受载荷复杂多变，很容易出现故障，不仅给企业带来的经济损失，还造成一定的安全隐患。因此对主轴轴承进行在线监测和故障诊断就显得尤为重要。 为了提高主轴轴承的故障诊断识别效率和准确率，本文将以2.0MW直驱式风电机组主轴轴承为对象，在数据采集、去噪、特征提取以及故障诊断等方面展开进一步研究。内容如下： 首先，对主轴轴承运行工况和载荷特点进行分析，并对其故障特征和机理展开分析，为轴承数据采集以及诊断研究提供理论依据。并在此基础上，合理选择振动检测设备与监测点，采集金风2.0MW直驱式风力发电机主轴轴承的故障振动数据。采用软阈值小波降噪方法对收集的四种故障振动信号（正常状态，内环故障状态，外环故障状态，滚动体故障状态）进行去噪，通过验证信噪比的改善量，来判别其去噪效果。 然后，采用改进的集合经验模态分解（Modified Ensemble Empirical Mode Decomposition，MEEMD）分解振动信号，从而选择具有明显故障特征的分量，计算均值、均方根值、峭度值、裕度值、脉冲值等作为振动信号特征值。并通过直方图对比4种主轴轴承振动信号特征参数的区分度。证明峭度、脉冲指标、峰值指标、裕度指标能够较好的表征轴承故障信息。 最后，针对生物地理学算法（Biogeography-Based Optimization,BBO）存在的收敛速度慢且精度不高等不足，本文提出云粒子群算法（Cloud Particle Swarm Optimization,CPSO）优化BBO的算法，并提出一种将云粒子群与生物地理学算法（Cloud Particle Swarm-BiogeographyBased Optimization,CPSO-BBO）与支持向量机结合的识别方法，对2.0MW直驱式风力发电机主轴轴承进行故障诊断研究。为提高支持向量机的训练和测试时间和识别准确率，利用CPSO-BBO算法对支持向量机的核函数参数、惩罚系数进行优化，使用Matlab对CPSO-BBO算法优化支持向量机和BBO算法优化支持向量机进行编写相关程序，分别将4种故障振动数据带入分类器中，对其训练结果进行比较，结果表明：CPSO-BBO算法在训练时间、训练准确率和训练速度上都优于BBO算法，从而验证了该方法的可行性和优越性。

目录

第1章 绪 论

1.1 课题研究的背景和意义

1.2 课题国内外研究现状

1.2.1 国外研究现状

1.2.2 国内研究现状

1.3 课题主要研究内容

第2章 风电机组主轴轴承故障诊断分析

2.1.1 工况环境

2.1.2 主轴轴承的类型及载荷特点

2.2.1 主轴轴承振动原理

2.2.2 主轴轴承故障特征

2.2.3 主轴轴承故障诊断机理

2.3 本章小结

第3章 主轴轴承故障振动信号采集及预处理

3.1 信号采集对象及位置

3.2.1 选择原则

3.2.2 传感器的安装

3.3 信号采集模块及系统构成

3.4 信号降噪处理

3.4.1 小波变换原理

3.4.2 小波基函数的选取

3.4.3 小波阈值降噪

3.4.4 小波软阈值降噪

3.5 本章小结

第4章 基于MEEMD的信号特征提取研究

4.1.1 经验模态分解原理

4.1.2 集合经验模态分解

4.2 改进的集合经验模态分解

4.3 基于MEEMD的特征提取

4.4 本章小结

第5章 基于CPSO-BBO的支持向量机参数优化和故障识别

5.1 支持向量机原理及分类

5.1.1 线性可分支持向量机

5.1.2 线性不可分支持向量机

5.1.3 核函数

5.2.1 云粒子群优化算法

5.2.2 生物地理学理论及优化算法

5.2.3 云粒子群优化生物地理学算法

5.3 CPSO-BBO算法测试

5.3.1 CPSO-BBO和BBO算法的优化测试

5.3.2 CPSO-BBO和BBO算法的优化结果对比

5.4.1 支持向量机的相关参数

5.4.2 CPSO-BBO算法优化支持向量机参数

5.5.1 CPSO-BBO算法优化SVM参数结果

5.5.2 BBO算法优化SVM参数结果

5.6.1 CPSO-BBO算法优化SVM故障识别结果

5.6.2 BBO算法优化SVM故障识别结果

5.7 对比两种算法优化SVM的故障识别结果

5.8 本章小结

结论

参考文献

声明

致谢