基于数据的风电机组故障趋势预测方法研究

发布时间：2016-05-05 10:34

第1章绪论

目前,风力发电机组主要包括直驱型风力发电机组、双馈型风力发电机组和半直驱型风力发电机组等三种类型。由于风轮的速度较低所以双馈型风力发电机组依靠齿轮箱(增速箱)来实现增速,由于双馈式电机组生产技术相对成熟,所^该种风力发电机组是目前的主流机型。双馈型风力发电机组的核必为风电机组齿轮箱,其经常处于高速度、重负额、强冲击的工作环境下,很容易出现故障。统计数据表明,双馈型风力发电机组故障的主要原因仍然是齿轮箱故障,约占其故障总数的20%。从力发电机组齿轮箱发生较大故障,其拆装、运输及维修费用高达近100多方元,海上机组的拆装其维护和维修成本更高。由于我国的风资源主要分布在偏远地区,所以风电机组安装在那些地区后,相关人员难以及时进行维护检修工作,因此对风电机组的状态监测和故障预测提出了迫切的要求。

........

第2章风电机组的基本结构和齿轮箱主要故障类型

2.1风力发电化组概述
风能是风电的一次能源,对应的能量转化单元屠机组的核也部件,主要包括功率控制(调速)、K轮等。其关键部件是风轮,通常由具有较好空气动力外形的叶片、轮穀以及相匹配的功率控制机构构成。该单元的主要功能是把风能转化为旋转的机械能,然后通过风轮轴带动与之相连接的传递单元和发电单元。机械能传递单元即风电机组传动链,其连着着风电机组的发电单元与一次能源转化单元,使之组成风力发电系统。该单元一般由与风轮轮穀相连的主轴、传动以及制动机构组成。通常大型风电机组的风轮设计转速较低,所以需要根据发电单元的需求,通过传动链按特定速比传递风轮所产生的扭矩,使输入转速满足并网发电机组发电单元的要求。同时,为了保证机组的安全运行,还要对机械能传递单元设置制动机构。

2.2风力发电机组齿轮箱的基本结构

轻微磨损即初期磨损是指轮初接触面一些微小的凸体在初轮晒合过程中逐渐的磨去,从而形成一个非常光滑的表面,如国2-3所示。送种磨损一般是由于齿面的润滑粘度和粗趟度不合适、以及工作载荷不匹配原因引起的。中度磨损是指是指相晒合的齿轮节线附近轮齿表面受到一定程度的磨损,并且由于挤压磨损导致附近出现一条比较连续的亮线。这类磨损通常由于润滑系统受到杂质的污染有关。过度磨损是指齿形被破坏,磨损程度较高,节线附近出现点蚀现象。这种磨损对初轮正常运转己经产化了较大危害,通常是由于密封装置和润滑系统存在缺陷息息相关,这种磨损会产生较大的冲击载荷和噪声,并且使齿轮箱产生严重的振动。若齿面上存在小颗粒或者润滑不良,齿面将会发生较严重的磨损,这种磨损我们称之为磨粒磨损,如图2-4所示。这种磨损发生时,齿面颜色变暗,沿着滑道的方向会出现一些细而均匀的磨痕。这种磨损严重时,会导致齿形发生变化,使齿厚变薄,有时甚至会导致断齿;腐蚀磨损是在机械和化学磨损的共同作用下,产生许多小坑,并在轮齿表面上沿相对滑动速度方向上出现细小且均匀的磨痕。其中化学腐蚀为主,磨损的主要产物成分为兰氧化二铁。

第3章基于BP神经网络的故障预测........21

3.1BP神经网络概化.......21
3.2BP神经网络的结构.................21
3.3BP神经网络的学习算法................23
3.4设计神经网络的方法..........................27
3.5预测步骤..............29
3.6仿真信号验化..........29
3.7实际信号验证........37
3.8BP神经网络的局限................38
3.9本章小结...39
第4章基于ELMAN和小波的神经网络故障预测.........40
4.1BlmaN和小波神经网络综述.......40
4.2ELMAN神经网络结构...40
4.3ELMAN神经网络的学习过程...................41
4.4仿真信号与尖际信号验证..........42
4.5小波理论..........43
4.6小神经网络结构...........44
4.7仿真信号与实际信号验证.....46
4.8本章小结........48
第5章BP神经网络的优化.........49
5.1遗传算法优化BP神经网络......49
5.2模型建立..........51
5.3粒子群算法优化BP神经网络.........54
5.4神经网络模型对比.....59
5.5本章小结......60

第5章BP神经网络的优化

5.1遠传算法优化BP神经网络

遗传算法的基本要素:染色体编码方法、适应度函数、遗传操作、以及运行参。染色体编码方法是指个体的编码方法,目前主要包括实数法、二进制法等。实数法是指将个体编码成为一个实数串,二进制法是指将个体编码成为一个二进制串。适应度函数是根据实际情况(进化目标)编写的计算个体适应度值的函数,通过该函数计算每个个体的适应度值,然后将其提供给选择算子进行选择。遗传操作包括选择、交叉、变异等操作。运行参数是指遗传算法在初始化时确定的参数,主要包涵群体大小、交叉概率、遗传代数和变异概率。

5.2模型建立

遗传算法优化BP神经网络主要分为H部分:BP网络结构的确定;遗传算法优化BP;BP神经网络预测。其中BP神经网络网络结构的确定在4.4节中已经提到,当网络结构确定后,进而就可以确定遗传算法个体的长度。遗传算法优化运用遗传算法来优化BP神经网络神经元之间的权值和阀值,遗传种群中的每一个个体都包含了一个网络中所有的权值,个体首先通过我们设定的适应度函数计算出其适应度值,然后通过遗传算法(选择、交叉、变异)操作来找到最优适应度值对应的个体。将遗传算法得到的最优个体赋值给BP神经网络的初始权值和阀值,网络训练好以后开始进行预测。

......

第6章结论与展望

6.1结论

近年来随着装机容量的不断増加,传统的维修方式己经不能够满足人们的要求,为了避免因齿轮箱故障造成的停机维修时间过长而引起的不必要但是巨大的经济损失,对故障进行了基于数据的趋势预测方法的研究,估算轮箱的剩余使用寿命,为现场维护人员制定维护策略安排维护计划提供依据,为处理故障合理安排出时间,保证了机组的安全、稳定运行。本文结合风电机组齿轮箱的振动信号分析,采用T基于数据的故障趋势方法进行研究,取的了一些成果,得出了以下结论。(1)总结了风电机组齿轮箱轴、轴承和齿轮系三个部件上的常见的故障。对其故障特征值进行了简单的总结,并提出了故障特征值的提取方法为故障预测提供了数据依据。(2)对预测理论的前提假设进行说明,提出基于数据的风电机组齿轮箱的故障趋势预测方法。(3)应用BP神经网络模型预测方法对齿轮分布点蚀故障仿真信号以及实际信号进行研究,通过设定故障阀值来估算出齿轮箱的剩余寿命。(4)根据BP存在不足之处,提出遗传算法优化以及粒子群算法优化的方法,通过对比分析发现基于遗传算法优化的BP预测准确度要富于纯BP模型,基于粒子群算法优化BP优于遗传算法,但运算时间上BP时间最短,编程难易程度,也是BP最简单。

6.2展望

由于多方面因素影响,如预测方法、试验条件以及系统的复杂性等,基于数据的预测方法尚且存在许多不足之处,需要更进一步的研究。(1)由于实际传动系统的复杂性,仅仅依靠传统的时域、频域时频分析等手段,某些时候未必可以找出我们需要的特征值。(2)不同的基于数据模型的预测方法对故障进行预测时各有优缺,同一种模型对训练数掘以及自身结构也比较敏感,通过遗传算法或者粒子群算法优化后其预测精度变高,但运算时间变长,且BP原有模型结构需进行调整,所以如何使其二者更好的结合有待进一步研究。

.........

参考文献（略）

，

本文编号：42127