基于决策树支持向量机的风电机组齿轮箱故障诊断

摘要

风电作为清洁能源之一在重视可持续发展的今天越来越受到人们的青睐。然而伴随着风电行业的迅速发展，由于一些技术的不成熟，在风力发电机组后期的运维期间产生了许多问题，其中由于风电机组自身故障的原因而导致的停机、检修甚至损坏情况时常发生。而其中大部分故障发生在风机传动链中的齿轮箱上，所以探索风电机组齿轮箱故障诊断在工程中实现的方法，对于降低风电运维成本，提高机组运行效率具有重大的意义。
　　考虑到目前实际运维过程中风电机组故障的诊断多为工程师人工对于采集到的振动数据进行筛选、分析，并且由于机组数据很大，使得工程师工作量大，费时费力。为了解决这一问题，本文使用从国电龙源风电厂采集的风电机组实际运行振动数据为样本进行分析，将故障诊断与机器学习算法相结合，使用支持向量机建立故障诊断模型，代替人工的重复操作，在准确诊断故障类型的基础上提高了效率。
　　首先本文针对采集的实际运行振动数据，通过基于小波包的软阈值滤波手段对振动信号进行降噪处理，滤除在采集过程中混入的噪声信号。之后针对振动信号在时域和频域两个方面进行分析，提取齿轮箱轴承和轴的故障特征参数，建立训练样本和测试样本，为之后训练和测试故障分类模型做准备。
　　随后基于建立好的训练样本和测试样本，对基于支持向量机的故障分类模型进行训练，并测试分类准确率。为提高模型的分类能力，使用粒子群算法和递减步长果蝇优化算法对支持向量机中的松弛变量和惩罚变量进行优化，试验结果验证了优化算法优化支持向量机分类模型的可行性，并通过优化得到了分类准确率更高的模型。
　　最后基于实际生产情况，针对实际风电场采集到的振动数据多为单一故障样本这一特点，提出了一种基于决策树支持向量机的风电机组齿轮箱混合故障诊断模型。通过实际采集的振动数据建立训练样本和测试样本进行模型分类验证，实现了由单一故障样本训练完成风电机组齿轮箱轴承部分混合故障分类的问题，试验结果验证了所提出混合故障分类模型的可行性和有效性，并且在一定程度上解决了实际问题。

目录

声明

摘要

第1章 绪论

1．1 课题研究的背景及意义

1．2 风电机组齿轮箱基本结构及常见故障

1．3 课题国内外研究现状

1．3．1 风电机组齿轮箱故障诊断方法现状

1．3．2 支持向量机国内外研究历史和现状

1．3．3 齿轮箱故障诊断问题国内外发展历史及研究现状

1．4 课题研究的内容及结构

2．1 信号数据来源

2．2 振动信号降噪处理

2．2．1 经典滤波方法

2．2．2 小波变换降噪法

2．2．3 小波包降噪

2．2．4 基于小波包分解的振动信号白噪声滤波

2．3 振动故障信号特征参数提取

2．3．1 时域故障特征参数提取

2．3．2 频域故障特征参数提取

2．4 本章小结

第3章 基于DS-FOA的支持向量机参数优化

3．1 支持向量机介绍

3．1．1 支持向量机分类

3．1．2 核函数

3．2 粒子群优化算法和果蝇优化算法介绍

3．2．1 粒子群优化算法简介

3．2．2 递减步长果蝇优化算法

3．3 基于DS-FOA的支持向量机参数优化应用

3．4 本章小结

第4章 基于决策树支持向量机的风机齿轮箱故障诊断

4．1 风机齿轮箱混合故障问题阐述

4．2 基于决策树SVM的混合故障分类模型

4．2．1 决策树支持向量机

4．2．2 风机齿轮箱混合故障分类模型建立

4．3 基于决策树支持向量机的风机齿轮箱故障诊断应用

4．4 本章小结

5．1 结论

5．2 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