基于HHT和SVM的风力发电机组故障诊断研究

摘要

风力发电机组的故障诊断研究主要是对其设备振动信号的分析与研究。很多机械故障的振动信号都是非线性、非平稳信号,因此对这些信号的处理是故障诊断的关键部分。
　　本文首先对小波分析、小波包(WPA)变换和希尔伯特黄变换(HHT)进行了研究,并将这些方法用于风机故障特征提取。小波分析是将故障信号进行分解和重构,获得各层重构信号的能量经过归一化处理后作为特征向量;小波包变换是利用小波包的自适应性将振动信号分解到不同的频带,计算各频带的能量并进行归一化处理后作为特征向量;希尔伯特黄变换是先使用经验模态分解法(EMD)把信号分解为含有单一特征尺度的本征模态函数(IMF)分量,提取前几个IMF分量信号的能量作为故障信号的特征向量。文章以 MATLAB软件为仿真平台,通过编程实现这三种故障特征提取算法,并且以某种故障信号为例,对三种算法进行了仿真实验。
　　然后构建了基于最小二乘支持向量机(LS_SVM)的风力发电机组故障诊断模型用于设备故障状态的识别。
　　最后以某风电场低速齿轮箱的三种故障状态的振动信号为例,利用前述三种特征提取算法分别对故障特征进行了提取,将提取的特征向量构成三组训练样本和测试样本。利用三组训练样本得到LS_SVM故障诊断模型,用与测试样本进行对比,以检验LS_SVM模型的诊断正确率。结果证明基于HHT和SVM的故障诊断方法用于风力发电机组效果良好。为风力发电机组故障诊断的实际应用提供了很好的参考。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪 论

1.1课题研究背景及意义

1.2 国内外相关技术研究现状

1.3本文结构以及研究内容

第2章 故障特征提取基本原理

2.1小波变换理论基础

2.2小波包分析

2.3 HHT基本原理与算法

第3章 故障特征提取算法

3.1 小波分析提取故障特征

3.2 小波包变换提取故障特征

3.3 HHT提取故障特征

3.4 本章小结

第4章 基于SVM的故障诊断方法

4.1 C-SVM二分类算法

4.2 V-SVM二分类算法

4.3 最小二乘支持向量机（least-square SVM）算法

4.4 构建LS-SVM故障诊断模型

4.5 本章小结

第5章 风力发电机组故障诊断研究

5.1 构建风机故障样本

5.2 风机故障诊断

5.3 本章小结

第6章 结论与展望

参考文献

攻读硕士学位期间发表的论文情况及其他成果

致谢