基于隐马尔科夫模型的风电机组轴承状态诊断方法

摘要

风电机组故障会带来大量的发电量损失和高额的维护费用，而轴承是风电机组中最易损坏的旋转机械零部件之一。在运转过程中，轴承会受到力、热、振动等多种因素的影响，容易产生变形、裂纹、压痕、胶着等多种损伤，且如不及时处理还可能导致更严重问题。因此，研究如何及时准确识别风电机组轴承状态，进而能及时采取措施避免损失，对维持风电机组正常运行、降低运维成本具有重要意义。
　　针对如何及时准确诊断轴承状态的问题，以风电机组的轴承为研究对象，提出了三种基于隐马尔科夫模型的风电机组轴承状态诊断方法:
　　1.提出了一种基于模糊标量量化和离散隐马尔科夫模型的状态诊断方法，根据模糊理论改进了离散隐马尔科夫模型的数据离散方法，在标量量化中加入隶属度函数，以削弱了数据离散化信息损失对离散隐马尔科夫模型状态识别的影响。实验结果表明:该方法能够削弱了数据离散化信息损失的影响，进行准确的轴承状态识别。
　　2.提出了一种基于stacking集成算法和连续隐马尔科夫模型的状态诊断方法，根据集成算法中stacking方法，将多种特征的连续隐马尔科夫模型识别结果融合，减少特征提取的偏向性对诊断结果的影响。结果表明:该方法能直接利用连续数据，避免数据离散化的信息损失和特征提取的偏向性的影响，进行较为及时准确的轴承状态识别。
　　3.提出了一种基于遗传算法河道耦合隐马尔科夫模型的状态诊断方法，利用遗传算法优化耦合隐马尔科夫模型参数，减少耦合隐马尔科夫模型参数寻优的计算量，能够在较短时间内得到较好参数组合进行非常及时且较为准确的轴承状态识别。结果表明:该方法能融合多通道信息，且能够有效兼顾故障状态识别的准确性和及时性。

目录

声明

摘要

1．1 选题背景和意义

1．2 国内外研究现状

1．2．1 特征提取方法

1．2．2 模式识别方法

1．3 主要研究内容

第2章 轴承振动机理分析及振动特征分析方法

2．1 轴承振动机理分析

2．1．1 轴承结构性振动

2．1．2 轴承故障性振动

2．1．3 轴承激励性振动

2．2 轴承振动特征的时域分析

2．2．1 时域特征指标

2．2．2 轴承故障振动时域特征分析结果

2．3 轴承振动特征的频域分析

2．3．1 傅里叶变换

2．3．2 频域特征指标

2．3．3 轴承故障振动频域特征分析结果

2．4 小结

第3章 基于离散隐马尔科夫模型状态诊断方法

3．1 隐马尔科夫模型

3．1．1 马尔科夫链

3．1．2 离散隐马尔科夫模型

3．2 标量量化

3．2．1 原始标量量化

3．2．2 模糊标量量化

3．3 基于模糊标量量化和离散隐马尔科夫模型的状态诊断方法

3．4 实例分析

3．5 小结

第4章 基于连续隐马尔科夫模型状态诊断方法

4．1 连续隐马尔科夫模型

4．2 stacking集成算法

4．3 基于stacking集成算法和连续隐马尔科夫模型的状态诊断方法

4．4 实例分析

4．5 小结

第5章 基于耦合隐马尔科夫模型的状态诊断方法

5．1 耦合隐马尔科夫模型

5．2 遗传算法

5．3 基于遗传算法和耦合隐马尔科夫模型的状态诊断方法

5．4 实验分析

5．5 小结

6．1 总结

6．2 创新点

6．3 展望

参考文献

攻读硕士学位期间发表的论文及其它成果

致谢