摘要：目前，我国的经济在快速的发展，社会在不断的进步，人们对于电力的需求在不断的加大，利用改进粒子群优化模糊C均值聚类算法对双馈风力发电机组群进行故障机组分类，并提出基于改进粒子群优化的模糊核聚类算法对双馈风力发电机组齿轮箱的已知以及未知故障进行诊断分类。通过分析实际风电场采集得来的齿轮箱振动数据，验证所提方法不仅可以准确快速地判断出故障机组，而且还可以进一步对发生的已知故障以及未知故障进行一个很好的诊断。
关键词：风电故障；机组筛选；齿轮箱；故障诊断
引言
随着科技不断在进步，世界的能源结构同时发生了质的改变。从最初的煤、石油等化石能源到如今的风、电、光等新型绿色能源。世界人口的增长以及工业化技术的发展大大加快了能源的消耗速度。如今石油、煤炭和天然气等能源正在被大量地开采和浪费，违背了人类可持续发展的理念。而且，使用化石燃料不仅对环境有害，严重影响着人类的健康。
1风电机组的基本构成
随着风电行业的不断发展，风电技术水平和风机种类将呈现出不同的发展趋势，但根据风电机组内部所使用的发电机种类不同，世界各国大多采用双馈异步型风力发电机组和永磁直驱式风力发电机组两大机型。双馈异步型风电机组相对其他机组类型有体积小、结构紧凑等优势特点，但它需要通过齿轮箱的传动来提升转速，机械结构较为复杂。考虑到具有齿轮箱结构的风电机组是目前市场上使用机型最多，同时齿轮箱作为风电机组重要零部件，在运行过程中易出现过载、过早损坏、故障率高等突出特点，因此对风电机组的齿轮箱结构分析和故障分类诊断必不可少。
2风电故障机组筛选的齿轮箱故障诊断
2.1改进小波变换在信号特征提取中的应用
小波变换在分析信号时只能对低频段范围内的信号进一步分解。为了实现更加全面的信号分析结果，细化分析信号的高频段，克服小波变换只能进一步分解低频范围之内的信号这个固有缺陷，小波包在分析齿轮箱振动信号方面要比小波变换的处理结果更为细。实际应用中，采用小波包分析齿轮箱振动信号时，首要的是确定齿轮箱振动信号所具有的特性，进而确定小波包对齿轮箱振动信号所需的分解层数，由此在低频段或者高频段上获得所分析信号的有用分量。在分析风力发电机组齿轮箱振动信号的时候，小波包非常适用。
2.2邻域粗糙集理论
经典粗糙集理论问世时间很短，却己运用于各领域。然而，经典粗糙集理论是建立在离散空间的等价关系之上，等价关系对论域进行了划分，形成了等价类，以此作为逼近给定问题的基本粒子。对于故障信号而言，属性的取值是连续的，可以将连续属性离散化后接着基于经典粗糙集方法处理，这种预处理不仅对数据的完整性有很大的影响，甚至会导致信息损失为此，胡清华等人在邻域概念的基础上，对经典粗糙集进行了拓展，使论域的划分建立在邻域的基础上而非等价关系。它无须对数据进行离散化，可直接处理连续性的数据集合，解决了关键信息的丢失等问题。邻域粗糙集作为经典粗糙集理论的发展，大大地改进了粗糙集，并己在诸多领域得到实践。
2.3基于改进粒子群优化模糊C均值聚类算法的故障机组筛选
通过利用聚类算法找到能够满足风力发电机组故障类型聚类划分条件的聚类中心并对故障进行归类。利用改进粒子群优化模糊C均值聚类算法将风力发电机组的故障划分c类，那么衡量聚类效果好坏的适应度函数如公式所示，ε为适应度函数值。
期刊文章分类查询,尽在期刊图书馆 改进粒子群优化模糊C均值聚类算法就是对实际风力发电机组的故障样本数据进行初始化处理（实际风力发电机组的故障样本数据产生随机的聚类划分结果，并给定粒子位置的初始值），形成初始粒子群的各个粒子的适应度函数值是通过多次重复计算得到的。在初始粒子群的基础上，由每个粒子的适应度函数值来更新它们的速度和位置。最后，新的粒子形成以后利用模糊C均值聚类算法优化。
2.4齿轮箱实验平台搭建
（1）齿轮箱试验平台中各元器件介绍如下：1）变频器与电动机。变频器对电动机可实现变速调节功能，电动机在不同频率（IOHz，20Hz，30Hz，40Hz，_SOHz）所对应的转速（296r/min，_592r/min，888r/min，1184r/min，1480r/min）下运转，模拟出不同风速条件下风电机组的动力产生，型号为西门子M440系列。采用电动机的输出端的旋转来模拟代替风电机组叶轮的转动，并将其与齿轮箱输入端相连接。2）振动传感器。选用SKF磁座式加速度振动传感器，安装在齿轮箱的相关测点处采集原始振动信号。为了确保振动传感器采集的振动信号具有可靠性、有效J陛、真实性并且保证采集信号的数据量，将安装7个采集点，分别安装在高速输入端的轴向和径向、中间级的轴向和径向以及低速端的轴向和径向的轴承外端盖处，振动传感器检测点安装位置如下图3-10所示，使用数据采集卡将振动传感器与上位机相连接。3）数据采集卡。采集卡的主要功能为振动数据的采集、A/D转换、将采集信号上传电脑，进而实现振动数据的分析，型号为：VBonlineascent的16通道数据采集卡。
2.4BP网络学习算法
只有当网络模型训练学习，让所需知识存放在网络的加权中后，才能让其实现某项功能。BP神经网络包含正向传播和误差逆向传播两个过程。首先输入层接收信息，然后把它传给隐含层，由隐含层对其处理和变换，最后隐含层将其送到输出层各神经元，输出最终值，此过程称为BP神经网络的一次正向传播。若结果未达要求或与期望相差甚远，则进行误差逆向传播过程。误差从输出层开始，按照一定的方法调整各个权值，逐层反传。重复此过程，各层权值同时跟着变化，直至结果满足要求或者达到预设训练步数为止。
2.5NRS-IPSO-BPNN模型
BP神经网络容错性能好、泛化能力强，现己在故障诊断领中得到很好应用。但采集到的齿轮箱故障信号具有复杂性和不确定性等特点，且数据量往往庞大而冗余，使得诊断时间过长、精度不高。NRS的问世，很好地改善了BP网络，重新调整网络结构。它能从数据中挖掘潜在规律，利用属性约简删减无用信息，减少故障特征值，从而简化了BP网络结构。但是在实际应用时仍会产生局部最优等问题。为此，提出了一种基于改进NRS和IPSO优化的BP神经网络的齿轮箱故障诊断方法。首先利用NRS属性约简对输入数据进行约简，得到决策表，再通过IPSO优秀的全局搜索能力对BP网络的权值和阂值优化，解决了BP网络会陷入局部最优问题。同时，收敛速度加快，诊断精度提高。
结语
综上所述，本文着重研究了风电机组齿轮箱各种故障形成机理、常用的故障诊断方法和信号降噪技术、故障特征向量提取技术、人工智能故障诊断技术等。以实验室所搭建的风电机组齿轮箱故障模拟平台所采集的齿轮、轴承的原始振动信号为研究对象，主要分析研究了齿轮、轴承的故障形成原因和类型，对实测的原始振动信号进行分析、处理、判断等一系列工作，重点研究了原始振动信号的降噪技术、故障特征提取技术和故障诊断方法，以此来提高风电机组齿轮箱故障诊断的可靠性和有效性。
参考文献：
[1]陈国平，李明节，许涛，刘明松.关于新能源发展的技术瓶颈研究[J].中国电机工程学报，2017，37（1）：20-27.
[2]龙霞飞，杨苹，郭红霞，伍席文.大型风力发电机组故障诊断方法综述[J].电网技术，2017，41（11）：3480-3491.
[3]许爱东，黄文琦，陈华军，李鹏，龙庆麟.基于模糊神经和局部统计的变压器故障研究[J].电子技术应用，2016，42（11）：80-83.
论文作者:陈永静
论文发表刊物:《电力设备》2019年第13期
论文发表时间:2019/11/22
标签：齿轮箱论文; 故障论文; 机组论文; 信号论文; 风电论文; 粒子论文; 数据论文; 《电力设备》2019年第13期论文;