基于ITD和LS-SVM的风力发电机组轴承故障诊断.pdfVIP

第31卷第9期 电 力 自 动 化 设 备 Vo1．31No．9 2011年 9月 ElectricPowerAutomationEquipment Sept．2011 基于ITD和LS．SVM 的风力发电机组轴承故障诊断 安学利，蒋东翔，陈 杰，刘 超 f清华大学 热能工程系 电力系统及发 电设备控制与仿真国家重点实验室，北京 100084) 摘要：为了更好地识别出复杂条件下风力风电机组主轴承的运行状态，提出了基于固有时间尺度分解(ITD) 和最小二乘支持 向量机(LSSVM)的风 电机组轴承故障诊断方法。该方法首先将调心滚子轴承振动信号分解 成若干个固有旋转分量和一个趋势分量之和。然后 ，对前几个固有旋转分量的瞬时幅值进行频谱分析，找出 频谱 中外圈、内圈、滚动体故障特征频率处以及转动频率处的幅值 ，将其作为故障特征 向量。最后 ，将故障特 征 向量输入 LS．SVM来识别机组轴承的运行状态。实验结果表 明，该方法可以快速、较准确地诊断出风力发 电机组轴承故障。 关键词：固有时间尺度分解 ：故障特征频率幅值 ；支持 向量机 ；最小二乘支持 向量机 ；风力发 电机组； 调心滚子轴承 ；故障诊断 中图分类号 ：TM315；TM307+．1 文献标识码 ：A 文章编号 ：1006—6047(2011)09—0010—04 好的信号拆解效率，可 以实时处理大量数据 ；同时 ， 0 引言 LS—SVM具有很强的逼近能力 、泛化能力和很快的 由于风场大部分位于环境复杂恶劣的地区．经 学习速度 。因此 ，本文提 出了基于 ITD和 LS—SVM 常受极端天气的影响 随着机组累计运行时间的增 的风力发 电机组调心滚子轴承故障诊断模型．为风 加，机组部件不断老化，极易出现故障。因此，为确 电机组在线诊断提供 了一种新的思路。 保风 电机组的安全稳定运行．及时发现和诊断出机 1 ITD方法 组故障，需要对机组进行状态监测[1-。风电机组上 的主轴、偏航、变桨、发 电机、齿轮箱等许多部位都 ITD方法可 以把振动信号分解为一系列的固有 装配有轴承 ．轴承故障在机组故障中 占有很高 的比 旋转分量 H和一个趋势分量之和 ．分别对 日分量 的 例 ，具有复杂非线性、时变和多耦合特征 。 瞬时幅值和瞬时频率进行频谱分析 ．能获取振动信 固有时间尺度分解 (ITD)[83可以将复杂信号分 号的调幅特征和调频特征。对信号置，定义 为基 解成若干个 固有旋转分量和一个趋势分量之和 线提取算子 ，使得从信号 中抽取一个基线后剩 它是 Frei和 Osorio在 2006年提 出的 ．能够准确 下的余量信号成为一个 固有旋转分量 。信号 的 地提取非平稳信号的动态特性．有较高的拆解效率 一 次分解为l8115] 和频率分辨率 ．适合分析具有时变谱 的非平稳信号 ． X= +(1一 ) = + (1) 且边缘效应小 ，不用样条插值，没有筛选过程 ，可 以 其 中，L= 置是基线信号， =(1一 )置是固有旋转 实时处理大量数据 分量 。 支持向量机 SvM(Suppo~VectorMachine)是 以 假设 {r，k=1，2，…}是信号 的局部极点， 统计学理论为基础建立的一种机器学习方法 ．具有 定义f。=0。为简化符号 ，分别用兄和 表示X(r)和 出色的学习性能和推广能力 ．在回归分析 、模式识别 ￡(r)。假设在 [0，f]上定义 了厶和 ，且 置在 t∈ 等很多领域得到了成功应用l9_M] 最小二乘支持 向 [0，Tk+2]有定义。在连续极点间隔(