×

基于混合域特征的风力机不对中故障隔离研究。 (英语) Zbl 1461.62214号

摘要:双馈感应发电机(DFIG)风力发电机组驱动系统的不对中是造成高速齿轮箱齿轮、轴承和发电机轴承损坏的重要因素之一。如何利用有限的信息准确地确定失效类型已成为学者们研究的难点。本文利用风电机组传动系统各种失调仿真条件下的振动信号提取时域指标和频域指标,并利用改进的经验模态分解(IEMD)方法提取时频域特征——能量熵。它们构成了一个混合域特征集。然后,使用支持向量机(SVM)作为分类器,将混合域特征作为SVM的输入,并使用粒子群优化(PSO)优化SVM的参数。成功地对错位故障类型进行了分类。与其他方法相比,该方法提高了故障隔离模型的准确性。

MSC公司:

第60页 统计学在工程和工业中的应用;控制图
68T05型 人工智能中的学习和自适应系统
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 张,T。;德怀特,R。;El-Akruti,K。;风力涡轮机的状态维护和操作;第八届世界工程资产管理大会暨第三届公用事业管理与安全国际会议记录:。
[2] 扎帕拉,D。;P.J.塔夫纳。;克拉布特里,C.J。;Sheng,S。;风电机组齿轮箱故障自动检测与诊断的旁瓣算法;IET更新。发电机:2014年;第8卷,380-389。
[3] Kusiak,A。;李伟(Li,W.)。;风力涡轮机故障的预测和诊断;更新。能源:2011年;第36卷,16-23页。
[4] Bak-Jensen,B。;T.A.卡瓦迪。;医学博士Abde1-Rahman。;风电场DFIG发电机的故障穿越能力和过电流保护之间的协调;《能源动力工程杂志》:2010年;第4卷,20-29。
[5] 阿米拉特,Y。;本布齐德,M.E.H。;Al Ahmar,E。;Bensaker,B。;Turri,S。;风能转换系统的状态监测与故障诊断;更新。维持。能源版次:2009;第13卷,2629-2636。
[6] 廖,M。;梁,Y。;王,S。;Wang,Y。;风力发电机组传动系的不对中;机械。科学。技术:2011; 第30卷,173-180。
[7] Xiao,Y。;Kang,N。;Y.Hong。;张,G。;基于IEMD能量熵和PSO-SVM的DFWT失准故障诊断;熵:2017;第19卷。
[8] 陈,S。;时域分析在机械设备故障诊断中的应用;J.机械。传输:2007; 第31卷,79-83。
[9] Zhen,L。;风力发电机组发电机和齿轮箱故障诊断方法研究;硕士论文:中国北京,2014。
[10] 张,C。;陈,J。;郭,X。;基于EMD能量熵和SVM的齿轮故障诊断方法;J.可控震源。震惊:2010年;第29卷,216-220。
[11] Long,J。;吴杰。;风力发电机转子不对中故障诊断;噪声振动。控制:2013年;第33卷,222-225。
[12] 丁,S。;Chang,X。;吴琼。;魏,H。;杨,Y。;基于LVQ神经网络的风力发电机组齿轮箱故障诊断研究;型号。电子。技术:2014年;第37卷,第150-152页。
[13] 任,S。;基于振动特性分析的风力发电机组齿轮箱故障诊断方法研究;硕士论文:中国天津,2015。
[14] 王,B。;风力发电机组齿轮箱故障诊断系统的研究;硕士论文:中国北京,2012。
[15] 唐,B。;宋,T。;Li,F。;邓,L。;提出了一种基于流形学习和香农小波支持向量机的风力发电机组传动系统故障诊断方法;更新。能源:2014年;第62卷,1-9。
[16] Li,F。;唐,B。;Yang,R。;基于线性局部切线空间对齐降维的旋转机械故障诊断;测量:2013年;第46卷,2525-2539。
[17] 徐,Z。;基于振动法的风力发电机组传动链状态监测与故障诊断研究;硕士论文:中国杭州,2012。
[18] 丁·K。;Li,W;齿轮和变速箱故障诊断实用技术:中国北京,2006。
[19] 张,L。;朱,L。;钟,B。;用于机器状态监测的某些特定参数的特征研究;J.可控震源。震惊:2001年;第20卷,第20-21页。
[20] Yi,L;简易振动诊断现场实用技术:中国北京,2003。
[21] 张,C。;陈,J。;郭,X。;基于EEMD能量熵和支持向量机的齿轮故障诊断方法;J.美分。南方大学:2012年;第3卷,932-939。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。