基于改进小波包的风电机组齿轮箱复合故障特征提取研究

针对小波包分解振动信号时会产生频谱混叠从而导致齿轮箱复合故障特征能量谱提取困难的问题,提出基于旁路滤波改进小波包的方法对双馈风电机组齿轮箱复合故障振动信号进行研究,并以风电场的大量齿轮箱振动信号为基础,运用传统小波包及旁路滤波改进小波包分别对齿轮箱振动信号提取特征能量谱。实验结果表明：运用旁路滤波改进小波包对双馈风电机组齿轮箱复合故障振动信号进行分析,可有效避免传统小波包分析振动信号的频谱混叠现象,准确提取每种故障状态的特征能量谱。     

基于非高斯性强度的风电齿轮箱故障特征提取

研究了风电机组齿轮箱的复杂振动信号并提取故障特征.由Gabor变换进行滤波和重构,抑制振动信号中的啮合频率及其谐波成分,对以边带成分、随机成分、固有频率成分为主的重构信号进行双谱分析,揭示齿轮正常状态与点蚀故障时振动信号的非高斯性差异,并提取到非高斯性强度特征值.结果表明：齿轮故障会引起振动信号中非高斯分布成分发生变化,由滤波信号提取到的非高斯性强度特征值对齿轮点蚀故障十分敏感,该计算方法较为便捷,具有一定的工程实用价值.     

基于SCADA数据特征提取的风电机组偏航齿轮箱故障诊断方法研究

针对风力发电机组偏航系统故障处理难度大和危害严重等问题,开发出基于数据采集与监视控制(SCADA)数据的偏航齿轮箱神经网络诊断模型。利用ReliefF算法和核密度-均值法提取能反映出偏航齿轮箱运行工况的7个SCADA参数,并提取出6种故障特征指标作为神经网络诊断模型输入量,来诊断偏航齿轮箱的正常状态、磨损故障以及断齿故障共3种运行状态。结果表明:经神经网络诊断模型训练后的误差精度满足诊断要求,能准确诊断偏航齿轮箱故障。     

风电机组齿轮箱故障分析及改进措施

本文总结了风电齿轮箱在运行、维护过程中的常见问题,并对其主要影响因素进行了分析,提出齿轮箱在设计、生产、运行维护时需要采取的措施及相关建议,以提高风电齿轮箱的可靠性。     

基于SHSVD-AS的风电齿轮箱故障诊断

针对传统的硬阈值奇异值分解降噪法（HSVD）阈值选取主观性较强、自适应性较弱、易丢失信号特征的问题,首先提出一种自适应的硬阈值选取算法;其次,利用一种非等量最优权值收缩的软阈值奇异值分解降噪（SSVD）方法,并结合HSVD,形成一种混合阈值的奇异值分解（SHSVD）降噪方法;最后再结合所提出的一种幅值抑制（AS）算法用于突出信号的故障冲击特征SHSVD-AS。利用该方法对风电传动系统齿轮箱故障信号进行分析,仿真、实测信号的结果均表明,在强噪声环境下,相较于传统的HSVD、VMD-HSVD方法,SHSVD-AS在风电齿轮故障诊断上性能较好。     

变工况下太阳轮故障的非平稳振动信号分析

针对变工况下风电机组行星齿轮箱太阳轮故障振动信号(非平稳)难于诊断问题,提出一种适合变工况下太阳轮故障的包络角域加窗同步平均特征提取方法.首先,引入计算阶比跟踪技术将变速工况下太阳轮故障时域振动信号转化为角域,使每转具有固定采样点数量;然后,采用加窗振动分离方法减少时变传输路径对太阳轮角域信号的影响,使得故障特征更加凸...     

某风电机组齿轮箱主轴断裂原因分析

目前风电机组齿轮箱出现齿断裂、主轴断裂、轴承断裂等现象时有发生,在大部分的事故分析上,厂家为维护自生利益而淡化或敷衍发生事故的主要原因,同时鉴于风电公司技术或管理水平参差不齐,多数企业也没有对事故进行深入剖析,对风电行业的健康发展非常不利。本文介绍了某风电机组齿轮箱主轴断裂原因,为齿轮箱制造企业及风电场运维企业提供参考。     

基于CAE与BiLSTM结合的风电机组齿轮箱故障预警方法研究

针对风电机组故障频发且早期故障监测难的问题,为实现风电机组智能监测,提出基于卷积自编码(CAE)与双向长短期神经网络(BiLSTM)的风电机组齿轮箱故障预警方法。首先对风电场数据采集与监视控制(SCADA)系统的数据进行预处理,选择能表征风电机组齿轮箱运行状态的监测量作为输出量,根据相关性分析选择与输出量相关性高的监测量作为输入参数;然后根据特征选择特性和参数非线性特性构建深度学习网络模型,对输出的预测值和残差进行统计分析,设置自适应阈值来监测风电机组异常状态的趋势变化。将CAE-BiLSTM模型应用于某风电场的算例分析中,并与其他模型的预测效果进行对比。结果表明：该方法解决了模型输入与结构冗余问题,提高了模型精度,能够有效预警风电机组齿轮箱早期故障。     

基于模型融合的风电机组齿轮箱故障诊断

针对单视角特征及单一模型对齿轮箱复合故障的诊断准确率较低的问题,提出基于比例冲突分配规则的模型融合故障诊断方法.首先,对齿轮箱振动信号进行特征提取,针对复杂复合故障,从时域及时频域角度构造特征;然后,将多视角特征送入多个子模型中进行初步诊断,得到互补性强的诊断结果;最后,模型输出的分类概率由第6类比例冲突分配规则(PC...     

基于卷积神经网络的风电机组齿轮箱状态监测方法

为了实现对风电机组齿轮箱的状态监测,文章提出了一种基于卷积神经网络的风电机组齿轮箱状态监测方法。首先,提取风电机组数据采集与监视控制(SCADA)数据和振动信号作为参数,组成齿轮箱状态矩阵。其次,建立了一种卷积神经网络模型,该模型针对输入数据设计了特定结构和池化层规则,提高了计算效率,能够从齿轮箱状态信息中提取特征并判断其状态。最后,利用实际运行的风电机组数据对卷积神经网络模型进行了训练和验证,最终取得了96.3%的识别精度。同时,将该模型应用于对同一风场其他机组的状态监测,结果验证了卷积神经网络模型对齿轮箱状态监测的有效性。     

基于IMF希尔伯特解调的风电齿轮箱复合故障识别方法

为克服风电齿轮箱部件故障各调制载波边带重叠的影响和传统滤波方法造成的信号相位变化,提高故障诊断的精度,引入基于IMF希尔伯特解调的复合故障识别方法。该方法首先通过经验模态分解得到若干个对应不同的调制频率族的内禀模态函数,然后采用希尔伯特解调分析提取调制信号对应的内禀模态分量的故障信息,以达到精确识别故障的目的。结合实际案例分析,验证了该方法可以有效地提取非线性、非稳定性和多调制混杂复合信号中的故障信息,有效地提高了风电齿轮箱故障识别的精度。     

风电机组塔架的振动特性分析

为了研究塔架的振动特性,采用结构动力学的方法,从理论分析和仿真计算两方面,对塔架的振动特性进行了分析和仿真计算,得到了激振力频率和塔架位移、加速度的响应特性。研究表明:在外部激振载荷作用下,塔架的振动频率中同时包含激振力频率和塔架的固有频率,仿真计算的结果与理论分析的结论一致。通过对比实测数据,风机正常运行时,塔架加速度的频谱主要集中在塔架的三倍旋转频率附近。     

风电机组传动链典型故障特征提取方法

为解决风电机组传动链易发生故障的问题,文章阐述了风电机组齿轮箱特征频率的计算方法和基于振动信号分析的故障特征提取方法。结合实际情况,以行星级齿轮磨损、中间轴小齿轮崩齿、高速轴齿轮崩齿和发电机轴承电腐蚀等典型故障为例,通过齿轮箱特征频率和传动链典型故障振动信号基本特征分析,可较好地完成故障识别。结果表明,采用经典信号处理方法能对上述典型故障进行特征提取,验证了经典方法对单一、明显故障特征提取的有效性,为深入开展传动链故障特征提取方法研究奠定了基础,为风电机组故障检修维护提供了技术支撑。     

基于一维密集连接卷积网络的风电齿轮箱智能故障分类

人工智能技术的飞速发展为现代能源装备的精益化故障诊断与健康管理提供了可能。风电齿轮箱由多个齿轮、轴承组成,且长期在变速、变载荷工况下运行,依靠传统的故障特征提取结合机器学习方法进行故障诊断存在精度低、缺乏智能性等缺点。文章提出了基于一维密集连接卷积网络的风电齿轮箱故障分类方法:将原始振动信号直接送入网络模型,经过密集连接、合成连接与卷积运算,匹配对应的故障类型,迭代训练故障分类模型;振动信号输入模型后的分类结果决定所属故障类别。文章所提出的风电齿轮箱故障分类方法具有诊断流程简单、故障识别率高等特点,多工况试验台故障数据验证了该方法的有效性。     

基于Lab VIEW的小波理论在风力机齿轮箱故障诊断中的应用

给出一种基于Lab VIEW实现信号的小波包络分析的方法。在Lab VIEW的高级信号处理工具箱中包含了小波包信号分解和重构的模块,利用这些模块快速实现了小波包分解,然后对风电机组齿轮箱采集振动数据进行包络分析,得到了直观的包络谱线,进而得到准确判断风力发电机组的实际工作状态。另外采用小波分解对齿轮箱故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,为实现智能诊断提供故障特征值。     

变风况下风电齿轮箱疲劳损伤评估研究

风电齿轮箱疲劳损伤的量化是风力发电机齿轮箱设计及工程应用中亟需解决的关键问题。文章通过建立齿轮箱多体动力学模型,在考虑齿轮箱外部和内部激励条件下,使用线性疲劳损伤理论,对其在不同风况下的10 min疲劳损伤进行了研究。结果表明,在相同风况下太阳轮的短期疲劳损伤最高,齿轮的短期疲劳损伤随着短期平均风速的增大而增加。基于该评估结果,提出了一种基于SCADA风速统计数据,对风电齿轮箱齿轮长期疲劳损伤进行的评估方法。该方法可以对风电齿轮箱的长期疲劳损伤做出初步的估算,其结果对校核齿轮箱在设计寿命内的机械参数亦具有一定参考价值。     

燃气轮机的振动故障分析

本文从运行人员的角度分析了燃气轮机振动故障的现象及产生的一些原因。     

风力发电机组轴承振动信号去噪方法分析研究

针对风电机组的轴承振动的问题,介绍了去除振动信号噪声的基本原理和方法。在风场现场收集风电机组轴承的振动数据,分别采用小波分析、EMD、包络解调分析、小波包络解调、EMD包络解调的方法对振动信号进行处理,并应用Matlab软件实现了信号去噪的计算机仿真,最终利用小波包络解调的方法获得最佳的去噪效果。     

改进灰色Elman神经网络的风电机组振动特征预测

提出一种改进的灰色模型与神经网络相结合的预测方法,并首次在风电机组状态预测中应用。该预测方法利用Elman神经网络辅助灰色模型,其中灰色模型进行粗预测,神经网络模型对其修正,然后利用马尔可夫法和等维新息的思想对灰色模型进行改进,最终得到精度更高的灰色神经网络模型。利用某风电场实际振动数据,对灰色模型、改进灰色模型、灰色神经网络、改进灰色神经网络等4种方法进行对比。结果表明,改进的灰色神经网络预测精度最高,证实了所提方法准确有效,为风电机组的预知性维修提供了新思路。     

Generator bearing fault diagnosis for wind turbine via empirical wavelet transform using measured vibration signals

The implementation of condition monitoring and fault diagnosis system (CMFDS) on wind turbine is significant to lower the unscheduled breakdown. Generator is one of the most important components in wind turbine, and generator bearing fault identification always draws lots of attention. However, non-stationary vibration signal of weak fault and compound fault with a large amount of background noise makes this task challenging in many cases. So, effective signal processing method is essential in the accurate diagnosis step of CMFDS. As a novel signal processing method, empirical Wavelet Transform (EWT) is used to extract inherent modulation information by decomposing signal into mono-components under an orthogonal basis, which is seen as a powerful tool for mechanical fault diagnosis. Moreover, in order to avoid the inaccurate identification the internal modes caused by the heavy noise, wavelet spatial neighboring coefficient denoising with data-driven threshold is applied to increase Signal to Noise Ratio (SNR) before EWT. The effectiveness of the proposed technique on weak fault and compound fault diagnosis is first validated by two experimental cases. Finally, the proposed method has been applied to identify fault feature of generator bearing on wind turbine in wind farm successfully.