无量纲指标趋势分析法在风电机组齿轮箱故障预警诊断中的应用

针对风电机组运行工况复杂多变,早期故障特征提取十分困难的问题,提出无量纲指标趋势分析法以实现风电机组齿轮箱故障的早期诊断。通过阶比重采样方法对齿轮箱振动信号进行预处理,将非平稳时域信号转化成平稳角域信号,引用无量纲因子指标反映机组早期故障程度变化趋势;利用指标趋势分析法建立风电齿轮箱故障预警模型,并通过实验室数据和现场数据进行分析验证。结果表明,该方法能够比较准确的对风电机组齿轮箱早期故障进行诊断,并能初步估测故障发生时间,达到故障预警目的。     

基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法

为实现风电机组齿轮箱及时有效地监测和维护,提出基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法。该方法针对齿轮裂纹振动信号为转速频率对啮合频率及其倍频调制的特点,利用小波包分解来识别振动信号中的故障特征,通过小波包频带能量监测得到故障部位的啮合频率范围;考虑到倒频谱可以分离和提取难以识别的密集调制信号的周期成分,基于倒频谱识别故障部位的转速频率,综合利用两种频谱分析方法得到的啮合频率和转速频率,能诊断故障部位和类型。实验研究表明,该方法能精确地诊断齿轮裂纹故障,并可以实现对风电机组齿轮在复杂环境中退化状态的监测,预防断齿等重大故障的发生。     

基于谐波小波包变换的齿轮箱包络解调分析

齿轮箱发生某些故障时所产生的非平稳信号具有多分量调制的特点,啮合分量及倍频受噪声干扰影响严重且相互交叠,信号频带较宽异常复杂,给故障诊断带来了很大的障碍。在研究谐波小波频段分解与Hibert解调分析的基础上,提出了基于谐波小波包变换的解调分析法的实现过程。该方法首先对预处理后的信号进行三次样条插值并作必要的频谱分析;然后结合频谱特征与齿轮箱故障特征频率的理论计算值,确定所需提取的特征啮合分量;继而确定谐波小波包分解层数与提取的频带带宽,再通过傅立叶变换及反变换得到相应的特征啮合分量;最后采用Hilbert算子对提取出的啮合分量进行包络解调分析。将该方法应用到实际齿轮箱的磨损及点蚀故障的诊断试验中,验证了该方法对任意频段调制信息的精确提取能力,为齿轮箱故障源及故障程度的准确定位提供了可靠的判断依据。     

基于角域加窗同步平均的太阳轮故障检测方法

行星齿轮箱广泛应用于风电机组等大型装备中,其振动特征提取在故障诊断领域有重要意义。但由于存在非平稳、调制、传递路径复杂、传递路径具有时变特性等特点,常规定轴齿轮箱的同步平均技术不直接适用。在原有行星齿轮箱加窗时域平均方法基础上提出一种适合时变传递路径及变速工况的角域加窗同步平均技术,从中提取有用信号同时降低传输路径的影响。由计算阶比跟踪对时域加窗振动信号进行等角度重采样,转换为角域准平稳信号,然后进行同步平均。将该方法对行星齿轮箱故障实测振动信号进行了分析,实验结果表明,所提出方法能够有效地提取行星齿轮箱太阳轮故障的特征信息。     

基于阶次解调谱的变速齿轮箱复合故障诊断方法

针对变速齿轮箱中复合故障的故障特征提取,提出了一种基于阶次解调谱的变速齿轮箱复合故障诊断方法。变速齿轮箱中的转速具有时变的特性,而故障特征往往与转速相关,亦具有时变特性。本文方法先用线调频小波路径追踪算法从原始振动信号中提取转频曲线,再根据转频曲线对原始振动信号进行等角度重采样,将时域非平稳信号转化为角域周期平稳信号,最后对角域周期平稳信号进行能量算子解调分析,根据阶次解调谱中的调制信息进行变速齿轮箱复合故障诊断。通过算法仿真和应用实例对包含齿轮局部故障和轴承局部故障的变速齿轮箱复合故障进行了分析,结果表明,本文方法在无转速计的情况下能有效地提取变速齿轮箱复合故障的故障特征。     

时变工况的风电机组齿轮箱无转速计阶次跟踪方法研究

针对时变工况风电机组齿轮箱振动信号受噪声干扰和频率模糊问题,通过研究无转速下风电机组齿轮箱振动信号与转频波动规律间的联系,提出了基于VMD-SET时变工况的风电机组齿轮箱无转速计阶次跟踪方法。该方法利用变分模态分解（VMD）滤波,利用同步提取变换（SET）对齿轮箱振动信号时频分析,分别从轴承故障时域振动信号中初步提取故障特征频率趋势,从正常齿轮啮合调制时域振动信号中提取啮合频率时频脊线,进一步利用精细化时频脊线交叉解耦优化瞬时频率提取效果,再用提取的转速曲线对轴承故障振动信号进行阶次跟踪,从角域阶次谱中得到故障特征阶次的单根谱线。通过仿真及实验验证了所提方法的优越性和有效性。     

基于角域平均和连续小波变换的齿轮故障诊断研究

针对齿轮箱升降速过程中振动信号非平稳的特点,将阶次跟踪、角域平均和连续小波变换相结合,提出了基于角域平均和连续小波变换的齿轮箱故障诊断方法。首先对齿轮箱升降速瞬态信号进行时域同步采样,再对时域信号进行等角度重采样,转化为角域平稳信号,然后对角域信号进行角域平均,以消除干扰噪声的影响,最后对角域平均信号进行连续小波变换,根据小波幅值图和相位图,就可提取齿轮的故障特征。通过对齿轮齿根裂纹故障实验信号的分析,表明该方法能有效地诊断齿轮的故障状态。     

风电齿轮箱磨损状态静电在线监测方法研究

风电齿轮箱的结构复杂且运行环境恶劣,是风电机组中故障率最高的部件,其性能直接影响风电机组的稳定性和安全性,严重时可能会造成财产损失甚至人员伤亡。为此,基于静电监测原理,采用多个静电传感器对风电齿轮箱摩擦磨损产生的二次效应同时进行监测;基于提取到的时域特征参数和复杂度度量参数,运用移动窗局部离群因子（moving window local outlier factor,MWLOF）算法分别对负荷试验和破坏试验中风电齿轮箱磨损状态的静电监测信号的变化趋势进行分析。结果表明：在负荷试验中,静电监测方法可在部分故障发生前提前监测到风电齿轮箱早期的性能退化;在破坏试验中,静电监测方法比振动监测方法提前200~1 000个样本点监测到风电齿轮箱的故障。研究表明,静电监测方法作为一种新型的状态监测技术,能够有效提高对风电齿轮箱磨损状态的监测能力,可对其早期故障的产生作出较准确的预警,这可为大型设备关键部件的状态监测提供参考。     

基于DSmT与小波网络的齿轮箱早期故障融合诊断

针对齿轮箱早期故障特征十分微弱难以有效辨识问题,提出基于DSmT理论与小波神经网络的齿轮箱早期故障融合诊断模型。利用多个振动传感器合理布置在齿轮箱的多个关键部位采集多源振动信息并进行特征提取;利用多个并联小波神经网络实现齿轮箱早期故障的初级诊断获得彼此独立的多个证据;利用DSmT理论对多个独立证据进行融合决策得出齿轮箱的最终诊断结论。DSmT理论克服了传统DST证据理论的局限性,小波神经网络实现多源证据信度分配的客观化。诊断实验结果表明,该方法能有效提高齿轮箱早期故障特征的辨识精度、降低诊断的不确定性。     

角域AR谱技术在齿轮故障诊断中的应用

利用时频分布平面内信号能量峰脊与瞬时频率之间的对应关系,对信号瞬时频率进行估计;在此基础上利用代数方法求解鉴相时标积分方程,并对经插值重采样得到的角域信号进角域平均处理,提高了角域信号的信噪比;最后对角域信号进行AR建模实现信号的阶次谱分析。实际测试结果表明:采用角域AR谱技术处理齿轮箱非平稳振动信号,能够有效地避免传统频谱方法无法解决的"频率模糊"现象,克服了传统阶次谱分辨率较低,谱线毛糙,易受噪声及轴频调制影响等缺点,对齿轮箱的早期故障有较好的识别能力。     

基于改进KNN回归算法的风电机组齿轮箱状态监测

针对风电机组齿轮箱的状态监测问题,提出使用改进KNN回归算法建立齿轮箱的正常行为模型。首先,对经典KNN回归算法的距离度量公式进行改进,实验证明预测精度提高约60%;其次,基于改进的离群点和相似点剪辑算法优化KNN回归算法的训练集以提升运算效率,优化后计算时间缩短约20%,预测精度基本保持不变。最后,针对某风电场一台2 MW风电机组的齿轮箱实际故障数据,应用提出的改进KNN回归算法并结合统计过程控制相关理论,实现对齿轮箱故障的预警。结果表明:较经典KNN算法,提出的改进算法故障预警能力显著增强。     

基于混沌和取样积分技术的大型风电增速箱早期故障诊断

针对风力发电机组增速箱早期故障振动信号被噪声调制污染,信噪比低,难以识别问题,根据增速箱振动信号的特点,提出基于混沌和取样积分技术结合的早期故障诊断方法。采用取样积分技术提高混沌振子对增速箱振动故障信号的检测门限,利用混沌振子相图变化及lyapunov指数确定增速箱齿轮啮合频率边频带及三倍频信号状态变化,从而对齿轮早期故障进行判断。通过对某风场1.5WM风力机增速箱实验,证明该方法有效。     

A prognostic method for fault detection in wind turbine drivetrains

In this paper, a prognostic method is presented for fault detection in gears and bearings in wind turbine drivetrains. This method is based on angular velocity measurements from the gearbox input shaft and the output to the generator, using two additional angular velocity sensors on the intermediate shafts inside the gearbox. An angular velocity error function is defined and compared in the faulty and fault-free conditions in frequency domain. Faults can be detected from the change in the energy level of the frequency spectrum of an error function. The method is demonstrated by detecting bearing faults in three locations: the high-speed shaft stage, the planetary stage and the intermediate-speed shaft stage. Simulations of the faulty and fault-free cases are performed on a gearbox model implemented in multibody dynamic simulation software. The global loads on the gearbox are obtained from a dynamometer test bench and applied to the numerical gearbox model. The method is exemplified using a 750 kW wind turbine gearbox. The case study results show that defects in the high- and intermediate-speed bearings can be detected using this method. It is shown that this procedure is relatively simple, yet accurate enough for early fault detection in wind turbine gearboxes.     

基于GMM工况辨识和DAE的风机齿轮箱状态监测

针对大型风电机组运行工况多变、数据量大的特点,提出一种将高斯混合模型(GMM)与深度自编码网络(DAE)相结合的风电机组齿轮箱状态监测方法。首先,基于GMM对风电机组运行工况进行辨识;然后,在各个子工况空间下,基于DAE建立正常运行状态下的齿轮箱油池温度模型,得到多工况阈值;最后,对DAE模型的重构误差进行分析,结合多工况阈值构建健康指数,实现风电机组齿轮箱的状态监测。以某台2 MW风电机组为实例进行验证,结果表明,该方法能够提前7天预警齿轮箱油池温度过高的故障;相对于基于DAE状态监测方法,在不影响在线监测时效性的情况下,该文所提方法能够提前约8 h预警潜在故障。     

基于MOMEDA和增强倒频谱的风电机组齿轮箱多故障诊断方法

风电机组齿轮箱结构复杂,当齿轮、轴承存在多故障时,由于各故障强弱不同、故障间相互耦合及噪声干扰,造成故障诊断准确率低及漏诊问题。提出了一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和增强倒频谱的风电机组齿轮箱多故障诊断方法。依据齿轮和轴承不同部位的故障特征频率设置合理的解卷积周期,利用MOMEDA对原始信号进行预处理;再通过增强倒频谱进一步抑制噪声干扰和增强故障特征;将增强倒频谱中的突出成分与齿轮箱故障特征频率对比,判断故障类型。实际风电机组齿轮箱多故障振动试验数据分析结果表明,该方法可以有效地提取出齿轮箱多故障特征信息。     

基于线调频小波路径追踪算法与EEMD的齿轮箱复合故障诊断方法

针对变转速下的齿轮箱中复合故障的故障特征提取,提出了一种基于线调频小波路径追踪算法与集合经验模式分解的齿轮箱复合故障诊断方法。该方法先用线调频小波路径追踪算法从原始振动信号中提取转频曲线,根据转频曲线对原始振动信号进行等角度重采样,将时域信号转化为角域信号,再对角域重采样信号进行集合经验模式分解,根据相关系数选取合适的内禀模态函数,最后对所选取的内禀模态函数分量进行Hilbert包络谱分析,根据包络谱进行齿轮箱复合故障诊断。通过算法仿真和应用实例对包含齿轮局部故障和轴承局部故障的变转速齿轮箱复合故障进行分析,结果表明,本文方法在无转速计的情况下能有效地提取变转速齿轮箱复合故障的特征。     

基于VMD与不同包络阶次构造的风电机组滚动轴承故障诊断

针对风电机组变工况滚动轴承故障诊断问题,将变分模态分解（variational mode decomposition,VMD）与计算阶比跟踪（computed order tracking,COT）、逆包络阶次谱（reversed sequence squared envelope spectrum,RE-SES）2种方法结合进行包络阶次分析;将非平稳的时间域信号转换成平稳的角度域信号,再经包络法找出滚动轴承故障特征信息。仿真与实验结果表明,VMD结合RE-SES包络阶次法可以更加有效地提取出调幅信号中的调制阶次,并且VMD滤波可以使得故障特征阶次更加凸显,易于故障识别,为风电机组变速工况下的滚动轴承故障诊断提供参考。