基于支持向量機的風電機組故障智能分類方法及其應用.pdf

1、近些年來，我國風力發(fā)電得到了迅猛發(fā)展，雖然風力發(fā)電機的設計與制造已逐步完善，但是由于運行載荷復雜多變，工作條件惡劣等特殊原因，使得風電機組的故障率居高不下，對其運行維護提出了巨大的挑戰(zhàn)。因此研究及推廣應用風電機組狀態(tài)監(jiān)測與故障診斷技術對于提高風電設備的運行安全可靠性具有重要的實際意義?；谏鲜銮闆r，本文對風電機組傳動鏈故障智能分類方法進行研究，旨在提高傳動鏈設備故障的自動識別能力和精度，提高設備維修技術及管理水平。論文的主要工作如下：<

2、br>　　首先對風電機組的結構進行概述，簡要說明風電機組主要部件的故障機理、故障類型。介紹了三種基于振動信號分析的故障特征提取方法，包括時域、頻域和小波包特征提取方法。通過實例分析了三種特征提取方法的分類效果和特點。同時還介紹了主成分分析方法的基本原理，并將主成分分析方法和小波包特征提取方法結合使用，把多個特征值指標轉化為少數(shù)幾個綜合指標，以獲取最主要的信息。
　　其次，將基于支持向量機的智能故障分類方法應用于風電齒輪箱故障分類問

3、題，用實際案例驗證了二分類和多分類支持向量機的效果。針對神經(jīng)網(wǎng)絡的局部極值問題和需要大量訓練樣本的情況，以及提高分類準確率的問題，結合小波包(WaveletPacket，WP)、粒子群優(yōu)化算法(Particle Swarm Optimization algorithm，PSO)和支持向量機(Support Vector Machine，SVM)理論建立了風電機組傳動鏈故障診斷模型，即WP-PSO-SVM模型，用實際數(shù)據(jù)對模型的效果進行了