【技术实现步骤摘要】
本专利技术属于风电机组在线监测和故障诊断
，尤其是一种基于小波变换和模糊支持向量机的风电机组叶片故障诊断方法。
技术介绍
随着能源危机和环境污染的日益严重，清洁可再生能源的开发受到全世界越来越广泛的重视，大量的风电机组的投产使的风电机组的安全稳定运行引起人们的高度关注。风电机组大多安装在高山、荒野或海上，经常受到各种极端天气的影响，运行条件恶劣，风电机组的部件会随着机组累计运行时间的增加不断老化，易发生各种故障。叶片故障是风电机组中一种常见的故障，主要包括叶片质量不平衡故障、叶片气动不平衡、偏航和断叶片等。风电机组叶片价格昂贵，损坏后维护困难，因此，开展对风电机组叶片故障诊断的研究，及时发现风电机组叶片的故障类型并进行维护，对保证风电机组的正常安全、稳定运行具有重大的实际意义。目前，对于叶片故障类型的诊断大都采用神经网络进行诊断，但它也具有一些明显的缺点和问题，如“早熟”、隐含层神经元个数的难以确定和训练样本的数据维不能太大等。支持向量机是20世纪90年代中期由Vapnik等人提出的一种新的基于统计学习理论的机器学习算法。由于支持向量机功能较强，在诊断领域...
【技术保护点】
一种风电机组叶片故障诊断方法，其特征在于，通过安装在风电机组主轴座上垂直方向的加速度传感器测量振动信号，利用小波分解提取故障特征信息，然后归一化处理提取故障特征向量，最后将测量得到的故障特征向量输入经过优化和训练好的模糊支持向量进行风电机组叶片故障诊断，具体步骤如下：1）对研究的问题进行分析，确定振动传感器的安装位置；2）针对典型故障情况，对采集的振动信号进行小波分解，提取各频带内的能量特征作为故障特征信息；3）对所提取的故障特征信息归一化处理得到故障特征向量，将其分为训练样本和测试样本；4）利用模糊核聚类算法对训练样本进行聚类分析预处理，得到每个训练样本属于某种故障的模糊...
【技术特征摘要】
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。