大型风力发电机主轴承退化状态预测方法研究

《大型风力发电机主轴承退化状态预测方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、＋ＴＰ２０６．３分类号：公幵：密级ＵＤＣ：单位代码：１０１４２戍£Ｊ太尊ｉ硕士学位论文大型风力发电机主轴承退化状态预测方法研宄翁２０１５０１５＾作者：机械Ｊ：程学科名称：２０１８年０６月０５日沈阳工业大学硕士学位论文大型风力发电机主轴承退化状态预测方法研究ResearchonPrognosticApproachofDegradationStateofLarge-scaleWindTurbineMainBearing作者：魏巍单位：机械工程学院指导教师：陈长征教授单位：

2、沈阳工业大学协助指导教师：单位：单位：论文答辩日期：2018年05月26日学位授予单位：沈阳工业大学摘要近几年，由于全球变暖、雾霾等环境问题的出现，提高了人们对于环境的保护意识，所以风能作为最成熟的可再生的清洁能源正逐渐的取代煤炭、石油等传统的能源技术。随着风力发电机的尺寸正逐年增加，且服役在风沙、雨雪等极端环境下，承受着多变载荷的作用，使得风力机的主要传动部件的性能会发生严重的退化，而主轴承作为风力机的关键部件，其一旦发生故障，造成设备的停机，就会造成巨大的经济损失，所以能够及时的发现风力机主轴承早期的故障发生点并且准确地预测到未来

3、的退化状态，并在恰当的时间对主轴承进行维修，对于保证风力发电机的正常运行具有非常重要的意义。因此，本文从振动信号的降噪预处理、故障特征向量的提取、特征向量衰退性能指标的建立、预测模型的建立及预测这四个方面进行研究，其主要研究内容包括以下几个方面：首先，针对风力发电机运行在复杂多变的极端环境下，采集到的振动信号具有非平稳、非线性的特点，并且掺杂许多噪声信号。为了滤除噪声信号，选择恰当的小波基先进行小波包分解，再根据计算出最优小波包树进行信号的重构，实现了对原始信号的降噪处理，提高了信噪比，为准确地提取故障特征向量提供了有利的保证。其次，

4、针对传统的局部均值分解法（Localmeandecomposition，LMD）也存在微弱的端点效应问题，提出了改进的LMD提取故障特征向量的方法。对重构的信号进行LMD分解，再计算出乘积函数（Productfunction，PF）分量与重构后信号的互相关系数和峭度值，剔除虚假分量同时增强故障信号幅值，然后对真实的PF分量进行包络谱分析，提取故障特征向量。实验结果表明，该方法有效地提取了早期的故障特征向量，并成功地诊断出滚动轴承的故障类型。最后，针对风力发电机主轴承的退化状态预测的问题，提出了基于改进的LMD与灰色模型（Greymod

5、el，GM）相结合的预测方法，将全寿命周期各阶段最能反映故障特征频率的PF向量的峭度值和RMS作为衰退性能指标，训练GM预测模型，用训练好的GM模型预测未来一段时间衰退性能指标的变化趋势，根据这两个衰退性能指标的变化曲线判断退化状态。通过风力机主轴承全寿命周期的实验数据结果表明，该方法预测出的两个衰退性能指标的变化趋势能够成功地判断出风力机主轴承未来运行状态的退化趋势。关键词：风力机主轴承，小波包，改进LMD，灰色模型，退化状态预测ⅠAbstractInrecentyears,duetotheemergenceofenvironmen

6、talissuessuchasglobalwarmingandhaze,people’sawarenessofenvironmentalprotectionhasbeenraised.Therefore,windenergy,asthemostmatureandrenewablecleanenergy,isgraduallyreplacingtraditionalenergytechnologiessuchascoalandpetroleum.Asthesizeofwindturbineisincreasingyearbyyear,a

7、ndtheserviceissubjectedtovariableloadsinextremeenvironmentssuchaswind,sand,rain,andsnow,theperformanceofthemaintransmissioncomponentsofwindturbinewillbeseriouslydegraded.Moreover,themainbearingisusedasakeycomponentofwindturbine,onceitfails,whichwillcauseequipmentdowntim

8、eandbringhugeeconomiclosses.Therefore,itispossibletotimelydetecttheearlyfailurepointofwindturbinemainbearingan