论文部分内容阅读
近几年来,由于全球的电量消耗巨大,环境污染加剧,因此,世界各国的风力发电的发展非常迅速,但风力发电设备的维护费用却居高不下,严重影响了风电的安全运行,降低了风电的经济效益。针对风机关键部件的故障诊断问题,提出了基于信息熵和粒子群优化极限学习机(PSO-ELM)的算法建立优化模型,并用改进粒子群算法进行了优化求解。具体完成了以下工作:(1)通过经验模态分解的方法和相关改进模型,分析了机械轴承故障时的振动信号,将采用信息熵对固有模态分量进行信息数据特征提取,以便可以精确的诊断风机轴承故障。利用总体平均经验模态分解算法(EEMD)可解决间断性信号造成的模式混叠问题,也就是将有规律的白噪声中均匀分布的不同频率分解出来。而自适应噪声完整集合模态分解算法(CEEMDAN)方法是通过在算法运行的过程中,添加有限次数的自适应白噪声,不仅降低了运行的平均次数,同时也降低了信号的重构性误差。(2)利用改进的CEEMDAN算法对初始信号进行分解,并利用峭度指标选取IMF分量进行信号重构和重构信号的选取,最终实现了对滚动轴承故障特征精确的提取。利用ELM和PSO-ELM算法分别进行计算和数据对比,结果发现PSO-ELM算法的精度比极限学习机(ELM)高,利用PSO-ELM算法进行优化计算,其结果能够较好的反映真实数据的变化。(3)搭建了风电机组在线诊断实验平台,完成了系统的硬件设计和软件开发工作,记录实验数据,分析机组振动信号的加速度趋势及波形频谱图和包络图。验证了本文所提出的优化控制方案能够较好的反映风机状态的变化趋势,有效减少风机运维成本。