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。     

某型增压器主轴断裂原因分析

针对一起增压器主轴变截面处断裂故障,对主轴断口进行了宏观与微观分析.结果 表明:主轴变截面处过渡圆角加工过小且形成尖锐交面,是导致主轴发生疲劳断裂的根本原因.通过改进主轴加工工艺,上述问题得到解决.     

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CLSSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱传统故障诊断方法以全局误诊断率最小化为目标,忽略了误分类型之间的差别的问题,提出基于代价敏感最小二乘支持向量机(Cost-sensitive Least Squares Support Vector Machine,CLSSVM)的风电机组齿轮箱故障诊断方法。该方法在最小二乘支持向量机原始最优化问题中二次损失函数中嵌入不同样本的误分类代价,建立以误分类代价最小化为目标的CLSSVM故障诊断模型,并同最小二乘支持向量机和代价敏感支持向量机比较。实验结果表明,该方法能提高误分类代价高的故障类样本的诊断正确率,具有代价敏感性,其训练速度也足以满足风电机组齿轮箱故障诊断实时性的需求。     

基于深度信念网络的风电机组齿轮箱故障诊断方法

针对风电机组故障诊断中存在的数据量大,提取故障特征困难等问题,结合深度学习理论的强大感知与自我学习能力,提出一种基于深度信念网络的风电机组齿轮箱故障诊断方法。将原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对深度信念网络进行整体微调,提高分类准确性;同时,在训练过程加入Batch Normalization,减少过拟合几率,提高网络的收敛速度。将该方法用于风电机组行星齿轮箱的故障诊断,比DBN和BPNN算法及传统故障诊断方法的准确率更高。     

风电机组主齿轮箱油品水污染及处理

1概述中国风电产业虽然起步相对国外较晚,但在近几年的快速发展后,已后来居上,2010年中国(不包括台湾省)新增安装风电机组12904台,装机容量18927.99MW,年同比增长37.1%;累计安装风电机组34485台,装机容量44733.29MW,年同比增长73.3%。如此大的风电机组保有量,加之多分布在风能资源丰富的内蒙古、甘肃、东北、河北区域的野外,交通不便捷,因此,风电机组要安全运行20年,对风电机组研发、制造、安装和维护均提出了很高的要求。然而,由于我国的风电     

基于竞争失效的风电机组齿轮箱轴承剩余寿命分析

提出考虑退化失效和突发失效之间存在竞争失效的风电机组齿轮箱轴承可靠性评估方法,结合风电场SCADA实时监控数据,将轴承监控温度、振动数据通过主成分分析方法融合,以描述轴承退化程度。考虑风电机组齿轮箱轴承的特殊性,采用改进的比例危险模型,基于Wiener退化过程和Weibull突发失效过程,建立竞争失效可靠性评估模型。通过实例分析,对比退化失效和突发失效竞争模型、不相关模型及独立退化失效、突发失效模型的剩余寿命,验证了竞争模型的可靠性。     

风电机组齿轮箱市场调研分析

本文介绍了目前风电机组齿轮箱的市场情况。外资品牌市场占有率较高的原因是整机厂商对齿轮箱产品可靠性考虑。随着生产成本的增加和产品价格的进一步压低,产品可靠性成为齿轮箱生产企业降本增效中不可忽视的问题。     

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...     

风电齿轮箱油温高原因分析及解决方法

针对某1.5 MW风电齿轮箱普遍存在油温高的问题,通过对齿轮箱润滑油冷却系统进行理论计算,分析与对比同机型不同风电场热交换器的实际冷却效果,分析与研究同台机组不同运行状态下的实际冷却效果,认为引起该风电齿轮箱润滑油温度高的因素有:翅片结构选型不适、机舱密封不严等因素引起的翅片堵塞问题,润滑油设计流量偏低的问题,以及温控阀失效、油温传感器失效、发电机水冷缺水等元件问题。在排除元件问题的基础上,通过改变散热器翅片结构,增加热交换器换热面积和增加换热器冷却风扇流量等方法,彻底解决了齿轮箱油温高问题。工程实际应用表明,该方法可在该系列齿轮箱油温高技术改造上推广使用,同时也可为后续产品技术升级提供参考依据。     

国内风电齿轮箱产业现况和发展建议

面对风电产业产能过剩、市场竞争激烈的困境,齿轮箱企业应抓住机遇,做好转型调整,与整机企业一同强化科技支撑体系,打好基础,促进产业健康发展。     

某型号在役风电机组主轴的超声检测技术研究

本文通过模拟单机容量为1.5 MW的某型号风电机组的主轴裂纹缺陷,并结合主轴的工作状况,采用超声检测技术对主轴的结构回波及模拟的主轴裂纹缺陷回波进行了分析和研究,提出了判别缺陷回波与结构回波的方法.本研究对于指导风电机组主轴的现场检测及主轴的安全运行具有重要意义和工程应用价值.     

基于S-SLLE的风电机组齿轮箱故障诊断方法研究

针对风电机组齿轮箱结构复杂、受交变载荷和恶劣工作环境影响容易出现故障导致停机的问题,提出基于统计学K-均值聚类理论的统计型监督式局部线性嵌入流形学习(S-SLLE)特征维数约简方法,首先通过对齿轮箱振动信号时频域故障特征提取,剔除冗余特征向量,减少诊断模型的复杂度和计算量,再利用RBF核支持向量机分类器建立诊断模型,对...     

基于SCADA数据的风电机组齿轮箱状态监测方法

为解决故障劣化渐变过程的长时间序列对齿轮箱状态监测模型的影响问题,提升其决策精度,提出一种基于数据采集与监控(SCADA)数据的组合建模方法。首先,采用主成分分析法(PCA)选取与齿轮箱温度密切相关的输入观测向量,并应用长短期记忆(LSTM)神经网络分别对齿轮箱正常工况和异常工况独立建立温度模型;其次,结合模型输出结果与SCADA数据提取残差分布特征向量,建立随机森林残差分布模型对机组齿轮箱运行状态进行监测;最后,对某大型风电场机组进行模型建立和仿真研究。结果表明,基于LSTM神经网络结合随机森林算法对风电机组齿轮箱状态监测有较强的实用性和较高的准确率,为后续开展齿轮箱健康度评价提供了新的方法和思路。     

风电齿轮箱浮动构件支撑刚度的分析与优化设计

以9 MW海上风电机组两级行星一级平行轴齿轮箱为研究对象,采用集中参数法建立其多体动力学模型,研究各级浮动太阳轮和内齿圈的支撑刚度对两级行星轮系均载特性和浮动构件振动特性的影响,基于正交试验法得到支撑刚度对传动轴振动的影响规律并对其进行优化设计。研究结果表明：综合考虑浮动构件的影响,在两级均载系数对支撑刚度敏感的区间内,浮动构件支撑刚度显著影响齿轮箱的振动特性;与仅考虑齿轮箱均载特性相比,优化后齿轮箱整体振动指标降低8.9%。     

风电机组齿轮箱润滑油清洁度控制

1引言主齿轮箱是双馈型风电机组的核心部件,其基本功能就是将风力推动叶片所产生的低转速高扭矩功率,转化为发电机所需的高转速低扭矩功率。因此齿轮箱的可靠性往     

基于多模态时频图融合的风电机组齿轮箱故障诊断方法

特征提取是故障诊断问题的关键,风电机组齿轮箱负载多变,振动数据量大、信息密度低,导致多模态融合诊断方法的特征学习性能和计算成本难以兼顾。为此,提出了基于多模态时频图融合的风电机组齿轮箱故障诊断方法。首先,使用小波包分解算法对齿轮箱振动数据集进行故障特征分析;然后,将所得分解子信号和原始信号分别转化为二维时频图像,形成体现小波域和时频域的互补故障特征;最后,利用卷积神经网络(convolutional neural networks, CNN)分别学习图像纹理的深层特征并进行特征融合,训练基于CNN-ViT(vision transformer)的多模态故障诊断模型。以凯斯西储大学齿轮箱轴承数据进行验证,所提模型在变负载和未知故障下,相比其他单模态和多模态方法具有较高的准确率,时频图融合方法能够以较低计算成本实现小波域和时频域双模态的故障特征学习。     

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。     

基于不同运行状态的风电机组齿轮箱故障率预测模型

以往基于威布尔故障分布曲线对风电机组齿轮箱故障率的研究主要考虑时间因素,在此基础上,该文进一步考虑齿轮箱实际运行状态,结合威布尔故障分布模型中的浴盆曲线,构建同时考虑时间（t）和运行状态（s）的齿轮箱故障率模型,并计算其在4种不同运行状况（整体故障率升高、整体寿命缩短故障时间提前、故障期故障速率加快、故障期寿命缩短）的组合下模型的可靠性函数、故障累计分布函数、故障概率密度函数和特定时间下特定数量设备发生故障的概率。