关键词:
风电机组
传感器
轴承
齿轮
故障诊断
摘要:
风能已经成为可持续发展战略中最重要的清洁能源之一,风电机组的高效运维和故障诊断已成为当前电力系统面临的重要问题。轴承和齿轮作为关键部件为风电机组传动系统的健康运行提供结构支撑和动力传递。由于复杂因素及恶劣环境的影响,这些组件也是传动系统中的易损部分。一旦轴承或齿轮出现故障,很可能会对整个设备造成损坏,导致更严重的后果。而当风电机组传动系统的传感器出现故障或异常时,可能会导致传感器数据的不准确性,进而影响到系统的监测、诊断和控制过程。
本文以风电机组传动系统关键部件为研究对象,由于非线性系统难以建立数学模型,当传感器发生故障时,利用输入输出数据构建自适应控制策略,可以保证传感器发生故障时系统可靠运行;针对风机轴承复合故障特征难以提取的问题,提出了自适应参数的特征模态分解复合故障诊断方法,解决了复合故障相互耦合时难以提取的问题;针对风机齿轮多故障难以准确识别的问题,提出了将共振稀疏分解与特征模态分解相结合的方法进行故障的特征增强,进而可以有效识别不同故障类型。论文主要工作有:
针对难以建立精确数学模型的非线性系统发生传感器故障的问题,提出了一种基于偏格式动态线性化(PFDL)的无模型自适应控制方法。首先,利用输入输出(I/O)数据,通过引入伪梯度向量来构建等效的偏格式动态线性化数据模型。然后,为了根据因未知故障而损坏的传感器测量值来估计系统的实际输出,采用径向基函数网络(RBFNN)并对其进行训练,通过该网络可以间接地推导出故障信号的补偿。基于最优准则,提出一种自适应控制策略,保证了跟踪误差的收敛性和系统信号的有界性。通过数值仿真验证所提出的传感器故障优化策略的有效性。
针对风机轴承故障耦合时复合故障特征难以提取的问题,提出了一种基于自适应参数的特征模态分解复合故障诊断方法。首先建立了综合周期冲击指数(CCSI)作为故障诊断指标,来评估信号稀疏性和周期冲击性;其次以CCSI作为麻雀搜索算法(SSA)的适应度函数优化特征模态分解(FMD),自适应选择特征模态分解的最优参数并利用特征模态分解将振动信号分解为若干模态分量;然后利用峭度准则选取有效模态分量重构振动信号引入虚拟多通道;最后采用典型相关分析算法(CCA)将重构后信号分离出不同故障特征频率,从而识别故障类型。通过仿真信号和实际信号验证了该方法在滚动轴承复合故障诊断中的有效性。
针对风机齿轮故障诊断中采集到的振动信号包含复杂冗余成分和噪声干扰的问题,提出了基于共振稀疏特征分解和最小二乘支持向量机的齿轮故障诊断方法。首先,利用麻雀搜索算法,以CCSI与相关系数的融合指标为适应度函数来确定共振稀疏分解(RSSD)分解参数,得到最优低共振分量;然后,对低共振分量采用参数自适应的特征模态分解得到CCSI最小的模态分量作为重构信号,增强故障特征。利用结合多尺度样本熵(MSE)对降噪后的信号进行特征提取;最后,利用最小二乘支持向量机对所提取的特征进行识别。通过实验验证,该方法进行故障诊断的准确率可以达到97.33%,与RSSD-LSSVM、VMD-SVM方法对比,所提出的方法具有更高的诊断准确率,为齿轮的故障诊断提供了新的方法。