【摘要】：近幾年來，隨著人類對綠色清潔能源的重視和國內(nèi)風電行業(yè)的飛速發(fā)展，再加上風力發(fā)電機工作環(huán)境惡劣，一旦發(fā)生故障后維修費用高并且維修困難，造成的經(jīng)濟損失也很大。因此人們開始紛紛關(guān)注風力發(fā)電機組運行的安全問題，對風力發(fā)電機的故障進行準確判斷顯得十分重要。 本文從大型風力發(fā)電機的機械原理出發(fā)，應(yīng)用盲分離技術(shù)，建立了盲分離的數(shù)學模型，通過研究目標函數(shù)和優(yōu)化算法，分析了可分離的條件和分離結(jié)果的不確定性。重點研究了JADE算法，該算法具有收斂速度快、穩(wěn)健性好等優(yōu)點，并對該算法進行編程；通過仿真表明算法在對無噪聲情況下對純凈信號的分離表現(xiàn)了優(yōu)異的性能；在對調(diào)制信號加入白噪聲和脈沖噪聲后，在觀測信號中的源信號幾乎無法辨認的情況下，算法能夠從強背景噪聲中提取出源信號波形，結(jié)果表明算法的穩(wěn)定性和有效性。在對風力發(fā)電機組的故障特征提取中，本文設(shè)計出基于盲分離信號特征提取的總體方案。通過分析主要零部件故障特征，獲得軸承特征頻率簡化計算公式，并對風力機測點選擇進行了優(yōu)化；利用振動分析儀對兩臺軸承故障風力發(fā)電機進行數(shù)據(jù)采集，故障分別為主軸承滾動體磨損和電機端內(nèi)圈裂紋故障；文中先對信號進行時域和頻域分析，發(fā)現(xiàn)故障信號尤其是早期故障幾乎完全被淹沒在機器運行信號之中，難以識別，即使在頻譜圖中，故障信號特征依然不明顯；文中將盲分離技術(shù)和頻譜分析技術(shù)相結(jié)合，對所測信號進行故障信號特征提取，處理結(jié)果表明即使故障信號被淹沒在背景噪聲和機器運行信號之中，依然能夠從中提取到故障特征，，表現(xiàn)了算法優(yōu)良的性能，所得結(jié)果表明，該特征提取方案是有效的。
【圖文】：

圖 4 .2 主 軸承 測 點 圖 Fi g . 4. 2 Ma in b ea r in g me a s ur i ng p oi nt 表 4 .2 測 量參 數(shù) 選 擇 Ta bl e 4 . 2 Me a su r e me nt pa r a me t e r s徑向 垂直 徑 向水 平 軸向 參數(shù) 位移 位移 位移 頻率 范 圍 0~ 64 0 0H z 測點 2 ：電 機 端 電機 是 風 力發(fā) 電 機 中 最重 要 的 設(shè)備 ， 電機 驅(qū)動 端 的 運 行狀 態(tài) 直 接決 定 了 風力 發(fā) 電 機 的 發(fā) 電 效 率 ， 對 其 進 行正 確 的 特 征 提 取 具 有重 要 的 意 義 ， 電 機 驅(qū) 動 端測 點 圖 如 圖4. 3 所示 。 a ) 徑向 垂 直 a ) Ra di a l ve r ti c a lb) 徑 向水 平 b) Ra di a l ho r iz o nt a lc) 軸向 c) Ax i a l

圖 4 .2 主 軸承 測 點 圖 Fi g . 4. 2 Ma in b ea r in g me a s ur i ng p oi nt 表 4 .2 測 量參 數(shù) 選 擇 Ta bl e 4 . 2 Me a su r e me nt pa r a me t e r s徑向 垂直 徑 向水 平 軸向 參數(shù) 位移 位移 位移 頻率 范 圍 0~ 64 0 0H z ：電 機 端 風 力發(fā) 電 機 中 最重 要 的 設(shè)備 ， 電機 驅(qū)動 端 的 運 行狀 態(tài) 直 接決 定 率 ， 對 其 進 行正 確 的 特 征 提 取 具 有重 要 的 意 義 ， 電 機 驅(qū) 動 端 ) Ra di a l ve r ti c a lb) Ra di a l ho r iz o nt a lc) Ax i
【學位授予單位】：沈陽工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2012
【分類號】：TK83

【參考文獻】

相關(guān)期刊論文 前10條

1 張賢達,保錚;盲信號分離[J];電子學報;2001年S1期

2 焦衛(wèi)東,楊世錫,吳昭同;機械故障模式識別的ICA基神經(jīng)網(wǎng)絡(luò)方法[J];計算技術(shù)與自動化;2003年02期

3 張立勇;王長路;劉法根;;風力發(fā)電及風電齒輪箱概述[J];機械傳動;2008年06期

4 陳仲生,楊擁民,沈國際;獨立分量分析在直升機齒輪箱故障早期診斷中的應(yīng)用[J];機械科學與技術(shù);2004年04期

5 吳軍彪,陳進,伍星;基于盲源分離技術(shù)的故障特征信號分離方法[J];機械強度;2002年04期

6 樓紅偉,胡光銳;基于小波域的非平穩(wěn)卷積混合語音信號的自適應(yīng)盲分離[J];控制與決策;2004年01期

7 李志農(nóng);郝偉;韓捷;何永勇;褚福磊;;噪聲環(huán)境下機械故障源的盲分離[J];農(nóng)業(yè)機械學報;2006年11期

8 張鎖懷;王開專;張文禮;陳楊;;兆瓦級風力發(fā)電機組傳動系統(tǒng)的振動特性研究[J];起重運輸機械;2009年05期

9 唐新安;謝志明;王哲;吳金強;;風力發(fā)電機組齒輪箱振動測試與分析[J];設(shè)備管理與維修;2006年11期

10 白樹忠;劉琚;孫國霞;;基于最小均方誤差和稀疏特征的欠定盲源分離[J];山東大學學報(工學版);2008年04期

相關(guān)碩士學位論文 前1條

1 時軼;風力發(fā)電機組振動測試技術(shù)研究[D];新疆農(nóng)業(yè)大學;2007年

本文編號：2632479