变转速下局部裂纹故障行星传动系统动力学分析*

行星传动系统转速发生变化,会导致振动信号出现非平稳特性。但由于齿轮啮合转过的角度是恒定的,因此将时域的非稳态工况转化为角域的伪稳态工况能有效地解决问题。综合考虑行星传动系统水平、垂直和扭转三方向的振动,行星轮啮合相位差及各部件的附加弹性力等因素,建立行星系动力学模型,以行星轮啮合角位移为啮合周期,分别计算太阳轮、行星轮和内齿圈发生局部裂纹故障的时变啮合刚度及动态响应,并分析裂纹故障对动力学特性的影响。     

行星齿轮箱齿轮局部故障振动频谱特征

齿轮局部损伤在齿轮箱故障中占有很大比例,其频谱特征与分布式故障具有明显区别.研究太阳轮、行星轮和齿圈局部故障振动信号的频谱结构对于行星齿轮箱故障诊断具有重要意义.考虑齿轮局部故障对啮合振动的调幅调频率作用、以及振动传递路径变化对振动测试信号的调幅作用,建立了行星齿轮箱局部故障振动信号模型,推导了频谱解析表达式.给出了太阳轮、行星轮和齿圈局部故障特征频率的计算公式.通过实验信号分析验证了理论推导结果,应用频谱分析方法分别诊断出了太阳轮、行星轮和齿圈局部故障.     

行星齿轮传动系统故障动力学仿真

针对行星齿轮传动系统运行特性,建立行星轮系动力学模型,深入研究其动力学响应特性。首先在Adams环境下建立行星齿轮传动系统实体模型,通过设置齿轮啮合接触系数、齿轮轴承支撑参数等实现了其正常及行星轮故障状态的仿真,得到不同部位的动力学响应。然后应用变分模态分解(VMD)-改进小波信号处理分析,提取不同转速下正常状态及行星轮故障时的故障特征。结果表明,行星故障对应的故障特征是以故障所在齿轮的故障特征频率为调制信号,对啮合频率产生了调幅调频作用,且故障对应的故障特征频率是单位时间内故障所在齿轮发生的啮合次数。因此,通过仿真可以实现许多极限条件以及耦合故障等条件下的动力学仿真分析,该研究可为行星齿轮箱故障诊断提供理论依据。     

行星齿轮箱齿轮分布式故障振动频谱特征

深入透彻地了解振动信号的频谱结构,有助于通过简单易行的频谱分析对行星齿轮箱进行故障诊断。考虑齿轮制造误差和分布式故障对啮合振动的调幅调频作用、以及行星轮通过效应对振动测试信号的调幅作用,建立了行星齿轮箱正常和分布式故障状态下的振动信号模型,推导了频谱解析表达式。给出了太阳轮、行星轮和齿圈分布式故障特征频率的计算公式。通过实验信号分析验证了上述理论分析结果,基于频谱分析诊断了自然产生发展的齿轮分布式故障。     

行星齿轮箱故障诊断的幅值解调分析方法

齿轮故障的调幅调频效应以及振动传递路径的变化使得行星齿轮箱振动信号频谱具有复杂的边带结构.调幅部分包含齿轮故障信息.为了简化诊断分析,根据行星齿轮箱振动信号的调幅特点,提出了幅值解调分析方法.推导了包络谱的解析表达式,总结归纳了太阳轮、行星轮和齿圈故障振动信号包络谱的频率结构特点.通过行星齿轮箱故障实验信号分析验证了上述理论分析结果,基于包络谱诊断出了太阳轮、行星轮和齿圈的局部损伤故障.     

基于加窗振动分离和变分模态分解的行星轮故障特征提取

行星齿轮箱振动信号复杂且其传递路径具有时变性,导致故障特征提取困难。针对该问题,提出基于加窗振动分离和变分模态分解(VMD)的行星轮故障特征提取方法。首先利用角域同步平均消除非同步分量;随后对平均后的振动信号进行加窗分离;采用观察中心频率的方法确定参数K,然后对分离的振动信号进行VMD分解并选取包含故障的特征分量;最后对选取的特征分量进行Hilbert解调分析实现故障特征提取。通过行星轮齿根裂纹故障实测信号分析,验证该方法能有效提取行星轮故障特征。     

小型风电行星齿轮的结构设计及动力学分析

应用于家庭小型低风速风电领域的永磁同步发电机往往尺寸较大,增加了生产制造的成本,给发电机的运输以及安装带来困难,将增速齿轮箱引入风电机组提高输入转速,能够减小发电机的尺寸和降低制造成本。行星齿轮具有结构紧凑、抗冲击能力强、效率高等优点。对行星齿轮进行结构选型设计计算,确定行星齿轮各构件的尺寸,在计及时变啮合刚度以及综合啮合误差的条件下通过集中参数法建立平移-扭转非线性动力学模型,并采用四阶Runge-Kutta法进行数值求解。结果表明,行星齿轮各构件各向振动位移幅值较小,可将行星齿轮运用于低风速风电领域。     

单级行星齿轮箱行星轮故障动力学分析

针对单级行星齿轮的裂纹故障问题,采用集中参数法建立了平移—扭转耦合动力学模型,分析了单个行星轮在不同裂纹程度下、不同行星轮故障数量下系统的响应特性。结果表明,当单个行星轮发生裂纹故障时,随着裂纹程度的增大,系统振动剧烈程度变大,二倍频谱能量占比逐渐增大到97%,相轨图明显由内八字逐渐变为单圆周曲线,系统运动趋于平稳;当行星轮故障数量增大时,系统振动剧烈程度变小,频谱中二倍频能量占比逐渐减小到64%,相轨图内八字明显,系统运动趋于复杂。     

基于多重分形谱和支持向量机的风电机组行星齿轮箱故障诊断与研究

风电机组行星齿轮箱振动信号是一种典型的非平稳、非线性信号,传统故障检测方法对于此类信号处理能力有限。为了克服传统方法的不足,提高故障诊断能力,提出了一种基于多重分形谱和支持向量机相结合的故障检测方法。首先通过多重分形定义求取信号的多重分形谱。然后在多重分形谱中提取八个特征量。最后将特征量作为支持向量机的输入向量,实现了在不同转速情况下对正常信号和四种太阳轮故障信号的分类与识别。实验结果证实了所提方法对行星齿轮箱信号特征进行提取是有效的,在不同转速情况下均提高了故障识别率。     

风电机组振动监测与故障预测系统

为了保障风电机组的安全运行,研发了风电机组振动在线监测与故障预测管理系统。其主要包含振动信号采集模块、风电场监控中心以及远程监控诊断中心3部分。振动信号采集模块完成振动信号的采集,并通过光纤交换机将信号传输到风电场监控中心;风电场监控中心主要用于显示、存储及分析振动信号特征,给出风电机组运行状况;远程监控中心通过与风电场建立联系,实现风电机组的远程监控,为实现无人值守风电场奠定基础。该系统利用振动信号时域和频域分析方法得到振动信号特征,进而确定风电机组的运行状态,并利用随机子空间方法对风电机组的故障进行预测。通过振动信号仿真分析,以及风电场实际应用分析,验证了所研发系统的有效性。     

行星齿轮箱故障诊断的扭转振动信号分析方法

行星轮的通过效应或行星架和太阳轮的旋转对啮合振动产生额外的调幅作用,导致横向振动信号的频谱结构非常复杂。扭转振动信号不受这些额外调幅效应的影响,它们的频谱结构更加简单。因此,扭转振动信号分析为行星齿轮箱故障诊断提供了一种有效方法。建立了行星齿轮箱扭转振动信号模型,推导了Fourier频谱、幅值解调谱和频率解调谱的解析表达式,总结了上述频谱的结构特点。应用故障实验数据验证了上述理论分析结果。     

基于改进VMD-MCKD和深度残差网络的风机齿轮箱故障诊断

行星齿轮箱是风电机组传动系统中的重要部件,其运行工况复杂,背景噪声大,导致齿轮早期故障信号微弱且极易受背景噪声的影响。针对风电机组齿轮箱早期故障特征难以有效提取,齿轮故障难以识别的问题,提出一种风机齿轮箱故障诊断方法。首先,通过变分模态分解算法（variational mode decomposition,VMD）分解风机齿轮箱原始振动信号,获得振动信号故障的最优模态分量;接着,利用最大相关峭度解卷积算法（maximum correlated kurtosis decnvolution,MCKD）通过解卷积重构最优模态分量,削弱背景噪声增强故障冲击成分,获得故障特征;同时利用麻雀搜索算法（sparrow search algorithm,SSA）优化惩罚因子α、模态分解个数K、滤波器阶数L和反褶积周期T等参数,提升振动信号故障特征提取的准确度;最后,构建基于深度残差网络（deep residual network,ResNet）的齿轮箱故障诊断模型,建立齿轮箱故障特征与类别的非线性映射关系,实现风机齿轮箱故障分类识别。实验结果表明,所提风机齿轮箱故障诊断方法的准确率达到97.48%,相...     

基于转速估计的阶次分析风电齿轮箱故障诊断

风电齿轮箱工作在变转速工况条件下,齿轮箱的振动信号具有受多分量调制以及故障特征频率遭受转频调制的特点。针对该特点导致的齿轮箱故障特征识别困难的问题,提出了一种基于转速估计阶次分析的风电机组行星齿轮箱故障诊断方法。通过分析风电机组齿轮箱的结构和故障特点选择传感器测点,并根据齿轮箱振动频率范围完成传感器的选型工作,在上述工作的基础上搭建监测系统,采集齿轮箱工作状态下的振动信息,并对实际现场采集的振动数据进行转速估计和阶次分析,以提取齿轮箱的故障特征阶次,完成故障诊断。该方法经过风场实际验证可知故障诊断准确率达到84%,比传统快速傅里叶变换（Fast Fourier Transform,FFT)分析方法提高了8%,可以满足现场实际工程需要。     

VMD 及 PSO 优化 SVM 的行星齿轮箱故障诊断

以故障高发的行星齿轮传动系统为对象,提出基于变分模态分解(variational mode decomposition, VMD)及粒子群算法(particle swarm optimization, PSO)优化支持向量机(support vector machine, SVM)的故障诊断方法。首先,对信号进行VMD分解,采用改进小波降噪的方法处理分解后的本征模态分量(IMF),并对处理后的分量进行重构,凸显信号蕴含的信息;然后,对处理后的振动信号进行特征提取,分别提取信号的样本熵和均方根误差,并组成输入矩阵;最后,引入PSO优化SVM的关键参数,将提取的特征向量输入PSO-SVM进行训练和识别。将该方法应用于行星传动试验平台获取的行星轮裂纹故障、太阳轮轮齿故障及行星轮轴承故障信号,通过多维比较,验证了该方法的有效性。     

双馈风力发电机组轴系扭振特性研究

随着风力发电在新能源发电中比例的逐渐提高,以及风电机组单机容量的增加,风电经串联补偿线路输出引起的次同步振荡问题也变得突出。为此,本文通过对轴系扭转振动特性进行分析,以期为解决次同步振荡问题提供依据。基于转轴、行星齿轮系统和平行齿轮副的扭转振动模型和运动微分方程,推导风机传动系统各质量单元间状态量的传递关系,采用Riccati传递矩阵法计算轴系的扭振固有特性,最后以某1.5 MW双馈风电机组为例,将采用此方法得到的计算结果与传统计算结果进行对比,并分析齿轮啮合刚度变化对主要固有频率的影响。结果表明:采用考虑齿轮啮合作用的风电机组扭转转动模型计算得到的扭转振动特性与采用简单集中质量模型的计算结果相比更加精确,这将为揭示次同步振荡发生的机理提供理论基础。     

基于声发射信号的行星轮轴承内圈故障包络分析方法

行星轴承因独特的行星运动,造成其振动信号传递路径具有时变性。同时,行星齿轮箱内多振源耦合,频率成分复杂,而行星轴承故障对应振动信号较弱,往往被较强的非轴承相关信号掩盖。目前,对于行星轴承进行故障特征提取大多基于振动信号进行分析,但由于振动信号频率范围不广,低频范围内受到干扰较多,得到的分析结果不理想。近来研究表明,相较于振动信号,声发射信号对故障更加敏感,频率信息清晰,能够更好的屏蔽噪声及其他低频干扰成分。基于以上优点,提出一种基于声发射信号的行星轮轴承内圈故障包络分析方法。首先,采集得到行星轴承内圈故障声发射信号,利用声发射信号频率高的特点,以快速谱峭度算法为基础,屏蔽可能混入干扰的相对较低频段,自适应选取声发射信号能覆盖的高频段共振带进行包络分析,实现对行星轴承的故障特征提取。通过试验对比振动信号与声发射信号的分析结果,验证了所提方法的有效性。     

风电机组齿轮箱非平稳振动信号谱分析方法

齿轮箱是风电机组的重要部件,其运行状态直接决定了风电场的收益,通过研究齿轮箱的振动信号来评判齿轮箱的运行状态具有重要意义。论述了风电齿轮箱的结构形式和故障特征,依据某类型风电机组齿轮箱特点,制定振动数据采集方案,采集2台风电机组齿轮箱高速轴振动信号;应用Hilbert能量谱和短时傅里叶重排谱对比分析,分别提取2台机组齿轮箱高速轴测点振动信号中蕴含的故障特征频率。分析得到一台机组齿轮箱高速轴损伤,实际验证了该齿轮箱高速轴故障为齿面点蚀。证实了Hilbert能量谱和短时傅里叶重排谱相结合的分析方法在提取风电齿轮箱故障特征频率的有效性和实用性。     

风电机组突发性故障状态检修决策模型研究

正风电机组的突发性故障会给风力发电中心带来极为严重的停机损失,为此提出一种基于状态机会检修原理的风电机组突发性故障检修决策模型。提取风电机组振动单元的故障信号特征,并对高频信号进行降频和消噪处理;依据风电机组的状态机会检修原理,分别设定模型的故障机会阈值函数和工作状态阈值函数,并识别出系统产生突发性故障风险的概率;基于临界矩阵确定出风电机组不同组成部分之间的故障相关性,进而实现对风电机组突发性故     

基于特征融合与 ResNet 的行星齿轮箱故障诊断

针对行星齿轮箱振动信号相互耦合和故障诊断不准确等问题,提出一种基于特征融合与深度残差网络(ResNet)的行星齿轮箱故障诊断方法。首先,对采集到的行星轮裂纹、磨损,太阳轮断齿及复合故障等模拟故障振动信号应用多维集成经验模态分解(MEEMD)和VMD进行分解,分别筛选确定有效分量。然后,将筛选出的有效特征进行融合,分别应用传统卷积神经网络(CNN)和深度残差网络对其进行分类识别。结果发现,深度残差网络,分类准确度更高,可达95%以上。最后,应用深度残差对特征融合前后数据的分类准确度进行了比较。融合前准确度最高只达91.16%,低于融合的97.18%。可见,该方法对行星齿轮箱耦合振动信号的处理和故障诊断非常有效。     

风电机组叶片裂纹故障特征提取方法

为实现风电机组叶片及时有效地监测和维护,使用声发射技术采集疲劳裂纹信号,从而提取不同裂纹特征。鉴于尺度谱受到Heisenberg测不准原理的极限制约,时频聚集性不佳、干扰强的现象,提出风电机组叶片裂纹声发射信号的优化小波重分配尺度谱分析。基于Shannon熵理论计算裂纹萌生和预制裂纹再扩展的声发射信号的重分配尺度谱小波基函数带宽参数,得到最适合此两阶段裂纹声发射信号的Morlet小波基函数,计算优化基函数的小波重分配尺度谱,获得不同类型裂纹特征成分在时间尺度平面的高幅值能量分布。实验研究表明,优化小波重分配尺度谱的方法具有很好的时频聚集性和抗噪能力,实现了风电机组叶片裂纹声发射信号的时频特征清晰准确的提取,识别风电机组叶片不同阶段裂纹故障。进而可以采用该方法监测风电机组叶片在复杂环境中的退化状态。