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。     

基于遗传编程的无量纲指标在行星齿轮箱故障诊断中的应用

针对传统的信号处理方法较难获取行星齿轮箱故障特征和有量纲指标在变工况情况下诊断失效的问题,提出将无量纲指标应用于行星齿轮箱故障诊断的方法。首先分别计算行星齿轮箱在不同故障模式下振动信号的七个无量纲指标,然后用遗传编程的方法构建新的复合诊断指标,最后将该复合诊断指标在变载荷、变转速工况下对不同的故障模式进行区分。实验结果表明,该方法可以识别行星齿轮箱在不同工况下的故障状态,验证了其有效性。     

基于功率曲线分析与神经网络的风电机组故障预警方法

为尽早发现风电机组早期故障,减少风电场的运维成本,提出一种基于功率曲线分析与神经网络的故障预警方法。首先,依据功率特性曲线,使用最小二乘与离散度分析结合的算法对SCADA数据进行筛选,以保留符合机组正常工况的数据作为建模的训练数据,从而提高模型的精度。然后,使用随机森林算法筛选模型的输入参数以简化模型结构,并通过对比隐含层的数目建立风电机组的神经网络模型。最后,结合滑动窗口模型,提出一种能反映机组实时运行状态的指标,并通过非参数估计法确定该指标的阈值,以实现状态预警及在线监测。该方法充分利用SCADA数据,且不需要对风电机组复杂的物理特性进行分析。将该方法分别用于某风电场的变桨系统和偏航系统的故障预警,实验结果是分别提前18.5 h和28.4 h出现预警信号,进一步证明方法的有效性。     

基于HI-HMM的风电机组齿轮箱运行状态评估

齿轮箱是风电机组的重要组成部件,准确获取其运行状态及劣化趋势对提高风电机组的运行可靠度至关重要。本文提出基于健康指数（health index,HI）与隐马尔可夫模型（hidden Markov model,HMM）的风电机组齿轮箱状态评估与分析的新方法。利用HI获得齿轮箱历史温度数据的特征观测序列,分别对不同状态的HI-HMM模型进行训练,建立模型库。利用HI-HMM模型库对待评估样本进行识别,根据最大对数似然概率值判断齿轮箱的状态。最后,利用该方法对齿轮箱故障前的状态进行评估与分析,其状态变化与实际完全吻合。与随机森林、支持向量机、概率神经网络和BP神经网络方法进行对比,本文方法状态识别的准确度达到97%。该方法能准确识别齿轮箱状态,获取劣化趋势,为风场确定故障预警时间提供参考。     

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。     

时变工况行星齿轮箱对数时频脊阶次谱故障特征提取

风电机组齿轮箱工作于强噪声且变转速变载荷的工况下,其振动信号非常复杂。建立了一个时变转速变载荷的行星齿轮箱振动信号模型。提出了时频脊阶次谱故障特征提取方法。对振动信号进行Wigner-Ville时频变换,取对数后进行重排;采用Crazy climber方法提取对数重排时频谱图中的峰值脊线;将脊线转换为时频脊阶次谱。通过仿真信号与转速、载荷连续波动实验数据表明,对数时频脊阶次谱故障特征能够为时变复杂工况行星齿轮箱故障预警提供有效的依据。     

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。     

基于VMD倒频变换的风电机组齿轮箱复合故障诊断

风电机组齿轮箱结构复杂,零部件多,可能产生复合故障。同一旋转轴上的不同零部件(齿轮、轴承等)的故障信息往往具有相同的转频边带频率成分,分布在信号频谱的不同频带中,倒频谱对边带频率信息进行了压缩处理,不能识别此类复合故障;基于窄带倒谱变换的思想,将变分模态分解(variational mode decomposition, VMD)应用到振动信号的对数谱中,提出了一种基于变分模态分解VMD倒频变换的方法,实现了对这一复合故障的精细诊断。通过仿真信号和风电场实例信号的验证,相比于窄带倒谱变换,该方法在有效区分此类风电机组齿轮箱复合故障的基础上,改善了频域和倒频域的分辨率,拥有更高的诊断定位精度。     

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。     

基于改进VMD和深度置信网络的风机易损部件故障预警

考虑到风电机组运行时监测到的轴承、齿轮等易损部件的振动信号早期故障特征微弱且难以提取,提出了基于变分模态分解的风机易损部件故障特征提取方法,并采用深度置信网络对故障进行预警。为克服变分模态分解参数选取对特征提取效果的影响,基于各分量的相关系数确定分解个数,并采用粒子群算法来优化惩罚因子,将改进的变分模态分解用于振动信号进行分析处理;在此基础上,进一步提取各分量的排列熵和均方根值并将其构成的高维特征向量作为深度置信网络的输入,建立早期故障诊断模型;选取风机传动故障诊断实验平台早期故障数据和某风电机组的现场信号进行故障诊断分析。结果表明,该方法能准确稳定地提取风机易损部件故障信号的微弱特征,并进行故障有效识别,提高了风机易损部件故障预警的准确性。     

基于无参数经验小波变换的风电齿轮箱故障特征提取

风电机组通常以集群规模化运行,机组结构复杂、振动测点多,所产生的振动数据量大,仅靠人工进行故障诊断具有较大挑战。提出基于无参数经验小波变换的风电齿轮箱故障特征提取方法,运用尺度空间方法和经验法则对振动信号的傅里叶谱进行自动分割,获得不同的滤波频带,据此设计一系列经验小波滤波器对信号进行分解和重构,获得不同频带下的经验模式,进一步采用裕度因子对分解后的经验模式进行排序,选取裕度因子最大的经验模式作为故障敏感模式;该方法能在无需预设任何参数的情况下对振动信号进行分解与故障特征提取,具有自适应性。风电试验台和实测风电齿轮箱故障案例验证了方法的有效性。     

基于改进EEMD和声发射技术的行星齿轮箱故障诊断研究

行星齿轮箱作为风电机组传动系统中易发故障的部件之一,其故障检测和诊断具有重要意义。本文针对行星齿轮箱的振动信号幅值和频率调制明显、边频带复杂、频谱分析困难、故障特征频率提取难度较大的特点,提出一种基于改进的EEMD和声发射技术的行星齿轮箱故障诊断方法,结合EEMD高频到低频的分解特点和模糊熵对IMF分量的筛选对声发射信号进行分析。实验表明,所提出的方法能够有效提取故障特征频率,且能有效滤除噪声对特征频率的干扰。     

基于DEMD局部时频熵和SVM的风电齿轮箱故障诊断方法研究

为了有效地从非线性、非平稳性的风电齿轮箱故障信号中提取有用的信息成分,将微分经验模式分解、局部时频熵和支持向量机相结合,提出了一种微分经验模式分解局部时频熵和支持向量机的风电齿轮箱故障诊断方法。采用自适应多尺度的数学形态学对故障信号进行滤波;将滤波后的信号进行微分经验模式分解,获得齿轮振动信号的若干IMF分量;把每一个IMF进行分块,计算每一块的局部时频熵值;把局部时频熵值作为支持向量机的输入参数,通过支持向量机进行故障识别与诊断。实验结果表明,基于微分经验模式分解局部时频熵和支持向量机相结合的方法能够对风电齿轮箱故障信号进行准确有效地识别分类。     

基于空间相关与自适应滤波的齿轮箱故障诊断

振动信号作为风电机组齿轮箱故障诊断的重要依据，一直是风电机组故障诊断领域关注的研究热点。基于不同频率、不同能量振动信号的传播规律，对齿轮箱上不同测点的振动信号的相关性进行分析，建立以互相关信号为参考信号的自适应滤波模型，利用该模型提取振动信号中的相似成分，进而利用幅值谱分析相似成分，得到更加清晰的转频及其倍频，为齿轮箱的故障诊断提供依据。方法的有效性得到实测振动数据的验证。     

基于倒阶次谱分析的齿轮故障诊断研究

针对齿轮箱升速过程中振动信号非平稳的特点，将常规的倒谱分析技术与阶次谱结合，提出了倒阶次谱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，再对时域信号实行等角度重采样，转化为角域平稳信号，最后对角域重采样信号进行倒谱分析，就可提取齿轮的故障特征。通过对齿轮齿根裂纹和齿面磨损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。     

大型养路机械车轴齿轮箱早期故障智能诊断

在常规机械车轴齿轮箱的故障诊断中,以齿轮箱的外部故障为诊断基础,由于诊断问题停留在表面,导致诊断精度较低,因此提出大型养路机械车轴齿轮箱早期故障智能诊断。首先,确定车轴齿轮箱传动设计模式为双击圆柱齿轮,并根据齿轮箱模式设置车轴齿轮箱振动频率,其次,在振动信号中对故障进行分析,最后,提取故障特征,根据振动频率信号分析,对齿轮箱进行早期故障智能诊断。在试验中,试验组平均精确度为93.67%,对照组为74.55%,由结果可知,该文设计的故障智能诊断方法精度较高。