论文部分内容阅读
在过去二十年间我国的风电行业发展迅速,然而风电机组因运行维护不够导致部件故障频发,这向系统的运行可靠性、持久性等方面发起了挑战。发电机和齿轮箱作为停机时间较长的两处关键设备,如果能够及时掌握两者运行过程中的早期故障信息,便可以更早的采取应对措施和安排维修计划,对保障经济效益有重大意义。本文针对异步风力发电机定子匝间短路和转子断条等早期故障以及齿轮箱单轴断齿和双轴断齿等故障的特征提取问题展开研究,运用深度信念网络分别对发电机定子电流时域信号以及由振动信号、电流信号组成的多模态信号进行特征提取与模式识别。通过Simulink搭建风力发电机早期故障仿真模型,并验证模型的有效性,以及通过搭建风机实验平台进行断齿故障实验,均验证了所提方法的可靠性。论文主要的工作包括:(1)搭建笼型异步风力发电机早期故障模型。详细推导发电机数学模型,利用Simulink建立正常工作环境下的电机模型,通过多回路理论利用外接电阻方式进行定子绕组匝间短路和转子断条故障仿真模拟。(2)引入多层深度信念网络对笼型异步风力发电机进行早期故障检测。基于深度信念网络可以直接处理时域信号、不依赖传统信号处理技术和专家诊断经验等特点,对风力发电机模拟的定子电流信号进行特征提取和分类识别,旨在实现不同故障类型的诊断及同类型故障不同故障程度下的故障诊断,并与传统浅层机器学习方法对比分析。(3)研究多路电流信号和振动信号相融合的特征提取方法。考虑到实际工况非常复杂,单一信号源很难提取到高质量的特征,提出基于多模态深度信念网络的编码融合特征提取方法,实现齿轮箱断齿故障诊断。并与单一信号源、数据层融合以及传统浅层分类网络进行对比,来证明所提方法的有效性和优势。