融合可靠性指标分析的风电机组齿轮箱故障诊断方法研究

风电机组长期处于交变工况下运行,因此齿轮箱故障率较高,需要更加有效的方式进行故障诊断。提出一种将可靠性指标融入风电机组齿轮箱故障诊断当中的方法。建立复合参数可靠性模型对齿轮箱进行可靠性分析,在传统振动指标训练BP神经网络的同时加入可靠性指标对网络进行训练,增加神经网络输入端参数维度,从而提高故障诊断的有效性与实用性。为风电厂提高经济性提供重要参考。     

基于振动信号的风电齿轮箱故障分析

振动信号的故障特征提取对了解风电齿轮箱故障情况起着至关重要的作用。介绍了基于FAG DetectorⅢ的测量系统,分析了几种振动信号诊断方法。以存在非均匀磨损现象的某1.5 MW风电齿轮箱为研究对象,分析了其在时域和频域中反映出来的特征,为风电齿轮箱的故障诊断提供了参考。     

小样本下混合自注意力原型网络的风电齿轮箱故障诊断方法

针对部分风场因有标签故障样本数据稀少而导致风电齿轮箱故障诊断准确率不高的问题,提出了一种小样本下混合自注意力原型网络的故障诊断方法。首先,通过原型网络将振动信号映射到故障特征度量空间;然后采用位置自注意力机制和通道自注意力机制进行矩阵融合构建混合自注意力模块,建立原始振动信号的全局依赖关系,获取更具判别性的特征信息,学习风电齿轮箱各健康状态下的度量原型;最后通过度量分类器进行模式识别,实现小样本条件下风电齿轮箱的故障诊断。实验结果表明,所提出的混合自注意力原型网络故障诊断方法在不同小样本数据集上均能实现风电齿轮箱高精度故障诊断。     

风电齿轮箱检修方法的研究与进展

风电齿轮箱是风力发电机组中的重要部件,在长期运行过程中不可避免会发生各类故障,其检修方法必然成为学者研究的焦点.通过对风电齿轮箱状态监测方法与手段、故障特征提取方法、维修策略的研究现状进行分析,总结检修方法研究存在的主要问题,提出开展基于多传感器的风电齿轮箱在线监测方法和手段研究、基于多源信息融合的风电齿轮箱智能故障诊...     

基于傅里叶分解方法的风电齿轮箱故障诊断

经验模式分解(Empirical Mode Decomposition,EMD)是一种经验的方法,缺乏严格的理论证明,在实际应用中存在着许多问题,这些问题导致EMD方法难以有效提取复杂风电齿轮箱振动信号的故障特征。傅里叶分解方法(Fourier Decomposition Method,FDM)是一种新的非平稳非线性信号处理方法,具有坚实的理论基础,能够有效克服EMD方法的缺陷。因此,将FDM用于分析风电齿轮箱振动信号,提出了基于FDM的风电齿轮箱故障诊断方法。将该方法用于实际风电齿轮箱故障诊断,结果表明该方法能够有效地诊断出风电齿轮箱的故障,与基于谱分析、EMD及小波分解的方法相比具有明显的优势。     

风机齿轮箱故障诊断与预警方法的研究进展

风机运行环境恶劣,工况复杂多变,造成风电机组故障频发。齿轮箱作为风机的关键性部件,故障率达到40%~50%。因此,风机齿轮箱的故障诊断与预警一直是国内外专家学者研究的重点及热点。综述了现阶段风机齿轮箱的故障诊断与预警的三大主要方法,包括振动分析、仿真模拟以及油品性能检测(包括在线监测与离线检测)。详细地阐述了这三种方法的优缺点以及相关改进建议。最后,对齿轮箱故障诊断及预警方法进行了总结及展望。     

基于频率切片小波变换的行星齿轮箱故障诊断

风电行星齿轮箱主要由太阳轮、行星轮、行星架和内齿圈组成,由于其工作环境比较恶劣,容易产生故障。另外其各部分信号又相互叠加,增大了信号分析的难度。而风电齿轮箱运转又会随外界环境而发生变化,产生的信号具有较强的非平稳性,采用普通时频方法只能简单估测故障发生的大致位置。为了进一步确定设备故障信息,尝试将频率切片小波变换的时频分析方法应用到其故障诊断中。通过对信号的全频能量分析,选择信号故障区间进行细化分析,进而提取信号的时频特征,确定故障具体位置,取得了较好的效果,为风电行星齿轮箱的故障诊断提供了一定依据。     

齿轮箱振动解决方案研究现状综述

作为石化、电力、建材、风电、冶金等国民支柱性行业的关键传动设备-齿轮箱,其运行状态的好坏往往决定着整个机组的运行效率。振动信号是反映齿轮箱运行状态的有效载体,研究齿轮箱振动解决方案有着重要的安全及经济意义。本文对基于振动的齿轮箱模型仿真分析、行星轮系故障诊断、高速列车齿轮箱故障诊断、齿轮箱诊断系统四个方面的研究现状进行综述,为了解齿轮箱振动解决方案的研究现状提供参考。     

基于信号模型与阶次分析的风力发电机组齿轮箱故障诊断

针对传统的频谱分析方法在非平稳工况下导致的"频谱模糊"现象,利用信号模型和阶次分析的方法对风电机组齿轮箱进行了故障诊断研究。建立了非平稳工况下齿轮箱高速级的振动信号模型,推导了其时频谱及阶次谱结构,利用阶次分析的方法分析了振动信号的阶次谱,提取了齿轮故障特征。最后,利用真实风场齿轮箱振动数据进行分析,对齿轮箱故障进行了准确识别。     

齿轮箱故障振动诊断的研究

对齿轮箱基于振动的故障诊断（齿轮、轴承、复杂齿轮箱以及基于相瞬态过程的故障诊断方法）进行了详细地叙述,并对齿轮箱不同零部件的故障诊断方法进行了分析与探讨,指出传统齿轮箱故障诊断方法的不足,展望了今后齿轮箱故障诊断方法。     

基于NLSTFT与TSA相结合的风电齿轮箱故障诊断

针对变工况风电齿轮箱振动信号存在频谱频率模糊问题,以及传统时域同步平均方法需要键相信号及转速稳定要求.提出了一种不需要键相信号可跟踪变转速振动信号瞬时频率的时域同步平均方法.该方法通过非线性短时傅里叶变换(Non-linear short-time fourier transform,NLSTFT)获取变转速齿轮箱振动信号瞬时频率曲线,积分得到瞬时相位曲线;根据瞬时相位对原始信号进行角域重采样,获得阶次信号;最后对阶次信号进行TSA处理进行齿轮故障诊断.以某机组的齿轮箱实测数据,有效地验证了所提方法在风电齿轮箱故障诊断中的有效性及工程实用性.     

基于模糊核聚类和引力搜索的风电齿轮箱故障诊断

为了诊断风电齿轮箱已知类别和未知类别的故障,提出了基于模糊核聚类和引力搜索的故障诊断方法。首先建立以训练样本分类错误率为目标的聚类模型,利用模糊核聚类对训练样本进行分类;然后利用引力搜索算法求解聚类模型,获得最优分类结果下每个类的类心;最后根据新样本与各类心之间的核空间样本相似度判断属于已知故障或者未知故障。结果表明,该方法准确度高,可有效用于风电齿轮箱故障诊断。     

基于U-net和随机森林的齿轮箱振动时频分析和故障诊断

对于风电机组齿轮箱(WTG)智能故障诊断算法,孤立的故障分类结果常常面临置信度不足的问题。为了在故障分类的同时提供除了诊断结论之外的更多信息,基于振动时频信息,提出了一种用于风电机组齿轮箱振动时频分析和故障诊断的两阶段框架。首先,在第一阶段中,使用U-net模型自动分割了时频图中与故障有关的特征区域,而无需手动设置分割参数;然后,使用基于形状特征的方法提取了被分割图像中的特征信息;最后,在第二阶段中,利用随机森林算法根据形状特征完成对风电齿轮箱的故障诊断任务,并使用采集自华北某风电场的在役风电机组齿轮箱振动数据验证了上述框架的有效性。实验结果表明：分析算法的F1分数和诊断算法的诊断精度分别达到了0.942和97.4%,U-net方法与现有方法相比具有更高的综合诊断性能和计算效率。研究结果表明：该框架能够精准地标记时频图中的故障特征区域,并快速有效地诊断齿轮箱故障。     

风电齿轮箱振动信号耦合调制建模与应用

风电齿轮箱不同轮系间存在的耦合调制现象干扰了实际故障诊断,为此,针对两级行星一级平行结构的齿轮箱提出一 种考虑级间耦合调制的现象学模型。 首先,在风电齿轮箱振动信号幅值、频率解调分析基础上,定义了多级传动下的级间串联 调制特性,并提出幅值-频率级间串联调制模型;通过构造多级调幅信号和调频信号,在频谱和解调谱中对串联调制特性进行 仿真分析,并提出耦合调制特性边带能量指标用于模型评价;设计了与现场齿轮箱具有相同结构的缩比齿轮箱实验台,并在正 常与故障状态下进行实验、现场联合分析,验证级间串联调制模型的有效性。 结果表明:频率耦合调制现象在四种状态下尤为 明显,其耦合调制特性边带能量分别为 1. 02、1. 04、1. 18、1. 25。 本模型所反映的齿轮箱级间耦合调制现象是齿轮箱本身所有, 不会因齿轮箱的状态而发生改变,本模型为提高风电齿轮箱故障诊断准确性提供参考。     

风电齿轮箱常见故障及原因分析

根据多年风电齿轮箱制造、检修经验,总结了风电齿轮箱常见故障,并对各种失效形式进行了分析,旨在为风电齿轮箱运维服务人员快速准确判定故障点,并采取相应的处理方法提供技术指导。     

风电齿轮箱故障诊断的SVM参数优化

针对风电齿轮箱易出现齿轮断齿、点蚀、磨损等故障问题,提取风电齿轮箱非平稳非线性振动信号的提升小波包能量熵,利用支持向量机(SVM)进行故障诊断。为提高算法的分类精度,利用遗传算法对参数进行优化处理,试验结果表明,优化后获得的最佳参数能够提高SVM测试样本的预测精度。     

改进Elman网络在发动机齿轮箱故障诊断中的研究

针对发动机齿轮箱故障诊断系统,在Elman网络的理论框架的基础之上,分析了Elman网络用于故障诊断的不足,提出了改进Elman网络,并应用于发动机齿轮箱故障的故障诊断.本文采取经典的"频域"分析方法对齿轮箱进行故障诊断,并建立了基于改进Elman神经网络的齿轮箱故障诊断模型,结果表明:该方法具有精度高、收敛快、可以避免局部最小的优点,从而为发动机齿轮箱故障诊断提供了一种更有效的方法.     

风机齿轮箱状态监测与故障诊断系统设计研究

针对风力发电机组地处偏远、人工巡检排故困难,利用物联网技术开发了远程状态实时监测和故障诊断系统,分析了总体框架,构建了故障诊断规则库,阐述了工作流程。该系统可实现对风机齿轮箱运行状态的远程实时监测,通过分析风机齿轮箱运行状态信息触发自动故障诊断系统和基于规则的故障诊断,生成故障诊断报告,并将其导入专家经验库。经风电机组齿轮传动实验台实验检验,系统界面友好,能为维修工程师进行故障排查提供解决方案,提高排故效率,缩短排故时间,降低排故难度。     

基于Elman网络的齿轮箱故障诊断

在非拆卸状态下,传统的齿轮箱故障诊断手段往往依赖于专家的经验判断。但是,由于齿轮箱是一种非常复杂的传动机构,所以专家的经验并不能解决所有的诊断问题。本文应用Elman神经网络对拖拉机齿轮箱进行故障诊断,经过试验,表明方法切实有效。     

[学科发展]风电装备故障诊断与健康监测研究综述

针对风力发电机传动链中的三大部件——复合材料叶片、齿轮箱、发电机的故障诊断与健康监测的发展现状进行文献综述,总结该领域的研究现状及主要方法。综述风电装备中复合材料叶片、齿轮箱、发电机三大部件的主要故障特点、故障形式及诊断难点,并结合国内外相关文献系统地介绍并比较了现有的针对三大部件的故障诊断与健康监测方法,最后对该领域的发展方向进行了展望。