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ARM的风电齿轮箱振动监测系统设计

提出一种基于ARM的风电机组齿轮箱振动监测系统,采用ARM微控制器为核心器件,通过对外围设备的控制,完成模拟信号的AD采样、数据传输、数据显示以及数据存储管理等功能,能够实现对风电机组齿轮箱系统进行状态预测,提前预知齿轮箱设备故障,减少故障停机所造成的经济损失。     

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。     

基于核极限学习机的风电机组齿轮箱故障预警研究

风电机组运行环境恶劣、机组设备衰退是近年来齿轮箱故障频发的主要原因,其设备状态与机组安全性、运营成本息息相关。面对这一挑战,利用监控与数据采集系统数据,提出一种将保局投影、核极限学习机和信息熵相结合的风电机组齿轮箱故障预警方法。采用保局投影对风电机组状态参数进行特征提取后,使用核极限学习机建立状态参数预测模型,最后辅以改进的加入信息熵概念,可准确预警异常工况。以河北省张家口某一风电场的运行数据作为实例进行研究,仿真结果表明,所提算法至少能提前2天预警潜在故障,验证该预警方法的有效性与实效性。     

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。     

基于结构分析的风机齿轮箱传感器配置研究

齿轮箱是风电机组传动系统的核心部分,一旦齿轮箱发生故障,不仅会产生高额的维修费用,还会造成较长时间的停电。因此,对风机齿轮箱进行实时状态监测与故障的识别、隔离具有重要的实际意义。而齿轮箱状态监测与故障识别、隔离的有效性依赖于齿轮箱中传感器所安装的位置和数量,因而有必要对齿轮箱传感器的配置进行研究。为了使安装的传感器不但可以准确反映齿轮箱的运行状态,还能对可能出现的故障实现识别与隔离,提出从风机齿轮箱的动力学模型出发,构建描述齿轮箱运行状态的动力学方程,将结构分析方法应用到齿轮箱传感器的优化配置中;实现传感器数量最少,识别、隔离可能出现的故障能力最大的配置目标。     

基于长短期记忆网络的风电机组齿轮箱故障预测

针对风电齿轮箱状态监测数据的多变量动态时空关联性特点,提出了一种基于长短期记忆(long short-term memory,LSTM)网络的齿轮箱故障预测方法,主要包括离线建模和在线监测两个阶段。首先,以齿轮箱油温为目标预测变量,充分考虑其与其它相关输入变量之间在时空维度上的重要关联信息,对历史监测数据进行训练学习,建立齿轮箱正常运行时的油温监测LSTM模型,通过对预测残差进行评估计算设定相应的检测阈值;然后,将训练好的油温监测LSTM模型用于在线测试,通过模型残差分析和阈值比较实现齿轮箱故障状态的检测和预测;最后,通过风电场测试数据对所提出的方法进行验证。结果表明,相比于其它传统方法,该方法表现出更好的预测性能,能够较早预测故障的发生。     

基于多元角域指标离群检测的风电齿轮箱故障预警方法

针对风速和载荷随机波动造成的早期故障特征难以提取和量化的特点,提出基于多元角域指标离群检测的风电齿轮箱故障预警方法。首先利用阶比重采样技术将非平稳的时域振动信号转化为具有平稳或准平稳特性的角域信号,提取角域无量纲指标反映风电齿轮箱早期故障趋势;其次利用多元相关度测量建立风电齿轮箱早期故障识别模型;最后采用多元离群检测方法实现风电齿轮箱早期故障预警。实验表明,该方法能够实现较为准确地的风电齿轮箱早期故障预警,具有较好的工程实际意义。     

基于油液在线监测的齿轮箱磨损趋势分析与研究

齿轮箱润滑油液中的磨粒携带了大量磨损状态的信息,通过在线监测传感器能监测出油液中磨粒的相关参数(尺寸、数量、生成率等),可判断或推测出齿轮箱的磨损状态。然而,目前在线监测的磨粒相关特征参数与齿轮箱磨损状态的准确对应关系还未得到深入研究。本研究首先采用离线检测的方法验证了在线监测传感器的可靠性,然后通过自主研制的试验台进行了齿轮箱全寿命加速试验,根据不同尺寸磨粒数量、磨粒生成率等的变化趋势对齿轮箱磨损程度做出了预判;最后采用铁谱分析法进一步验证了在线监测齿轮箱故障的准确性。结果表明:基于油液在线监测的磨粒信息(尺寸、数量、生成率)能很好地对齿轮箱磨损状态进行判定和预测。     

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。     

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。     

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。     

大型风电齿轮箱系统耦合动态特性的研究

综合考虑轮齿啮合时变刚度、齿轮传递误差、齿轮啮合冲击以及风载变化等因素影响,建立具有多级齿轮传动的大型风电齿轮箱的齿轮-传动轴-轴承-箱体系统耦合非线性动力学模型。对风电齿轮箱系统有限元模型进行耦合模态分析,运用模态叠加法对齿轮箱系统在内部激励与外部激励综合作用下的振动响应进行求解。将仿真结果与实验数据对比,进而得到齿轮箱各点振动位移、速度、加速度及结构噪声等系统动态评价指标,为大型风电齿轮箱动态特性的准确评价及齿轮系统动态性能优化设计提供理论依据。