考虑运行工况和信息简化的风机传动链状态监测方法研究

2.3 结果验证

分别计算第5通道正常数据(有功功率非0)和故障数据(齿轮箱轴承磨损)的峰值、平均幅值等24个指标，并进行PCA降维，得到生成的主成分，分别比较几个转速范围下正常数据和故障数据的主成分分布情况，如图所示：

图2-4 1000-1200rpm主成分比较图

图2-5 1200-1500rpm主成分比较图

图2-6 1500+rpm主成分比较图

由图2-4到图2-6可以看出，在三个转速范围，故障数据的PCA降维结果与正常数据降维结果的分布有很大的差别，故障数据降维后的散点都落在分布圆外，可以实现正常数据与故障数据的分类。因此，结合PCA降维技术，考虑风电运行工况，对风电振动数据进行融合，获得散点分布圆，可以有效的实现风电设备的状态监测和故障诊断。

3 结束语

本文针对风电机组传动链状态监测和故障诊断过程的数据指标多,风机运行工况复杂的问题，基于真实风电传动链数据，进行了时域指标融合分析研究，提出了一种考虑风电运行工况(风速和有功功率)的有效状态监测方法;方法结合振动数据的时域、频域指标，并对指标进行PCA降维，在考虑运行工况的情况下绘制散点分布阈值圆，从而实现对风电机组状态的描述和故障诊断。

参考文献:

[1]DimitriosKoulocheris, GeorgiosGyparakis, oniosStathis. Vibration Signals Condition Monitoring for Wind Turbines. Scientific Research Publishing Journal, 2013, Vol.05 (12)：948-955.

[2]徐展.基于振动法的风电机组传动链状态监测与故障诊断研究[D].杭州：浙江大学，2012.

[3] 杨滨源, 王玉, 王小康.基于振动信号分析的风电机组故障诊断研究[J].第十三届全国风能应用技术年会, 2016.