谱峭度和Vold-kalman阶比跟踪在风电机组齿轮箱故障诊断中的应用

针对风电机组齿轮箱在时变工况下的振动信号具有非平稳特性,提出一种谱峭度和Vold-kalman阶比跟踪(Vold-Kalman Filter Based Order Tracking,VKF-OT)相结合的故障特征提取方法。以转频和啮合频率作为VKF-OT的提取频率,获得随转速变化的阶比信号,通过阶比信号复包络直接求两种频率分量的幅值、相位,经实验分析这种方法能保留齿轮箱的瞬变信息。而后计算两种频率分量的谱峭度,以最大谱峭度对应的频率带能量与原阶比信号总能量之比作为故障特征,最后采用高斯混合模型对风电机组齿轮箱在不同工况下的150组振动信号进行特征描述,运用最大贝叶斯分类器实现故障识别。故障识别率表明该方法可有效地识别任意时变工况下的齿轮早期局部微弱故障。     

风电齿轮箱磨损故障建模与分析

为获得磨损故障状态下风电齿轮箱的传动特性,开展仿真实验研究。以MW级风电齿轮箱为研究对象,基于SolidWorks与ADAMS建立相应的虚拟样机,在合理设置仿真参数的基础上,进行健康和两种中间级行星轮磨损状态的动力学仿真。结果表明：通过监测风电齿轮箱高速级小齿轮的角加速度信号,可以判定中间级行星轮是否存在磨损故障;中间级行星轮磨损故障状态下,高速级小齿轮角加速度信号的故障频率幅值随着磨损程度的增大而增大,啮合频率的幅值随着磨损程度的增大而减小;高速级小齿轮角加速度信号的边带啮合频率幅值比可以作为中间级行星轮磨损故障的判别依据,通过该值可以监测磨损故障的变化趋势。     

基于振动特征值的动车组齿轮箱故障检测

故障检测与状态评估对保障动车组齿轮箱的正常运行具有重要意义。通过对振动信号的特征提取方法与判定进行研究,对比不同故障模式与试验工况下的齿轮箱振动有效值、峰值、标准差、偏度、峭度等振动特征值差异。结果表明：动车组齿轮箱的故障模式直接影响振动特征值;有量纲振动特征值受运行转速影响较明显,运行转速越高,相应特征值变化越明显;无量纲振动特征值受轴承故障模拟形式的影响较大,与运行转速关系较小。综合对比各种故障状态下振动特征值的敏感度,有量纲特征值比无量纲特征值对故障更加敏感。     

归一化全矢能量在随机工况下齿轮微弱故障识别中的应用

随机工况下,转速和负载的不同会改变振动信号的幅频调制特性,使得风电机组齿轮箱局部微弱故障的诊断难度急剧增大,针对于此,提出采用不同的恒定工况替代随机工况,以归一化全矢频带能量实现随机工况下齿轮箱微弱故障的诊断。方法首先将随机工况分解成不同的恒定工况的组合,降低工况的维数,针对各恒定工况,采用全矢理论将同源信号进行融合,以保证微弱信号源信息的完整性,再利用FIR滤波对全矢信号进行分解,消除因工况的不同所造成的模态混叠的影响。考虑到转频处的频带能量能定量区分不同的工况,频带能量的变化率能实现齿轮工作状态的区分,而信息熵能准确反映信号激励源和激励方式的区别,提取各频带能量熵之和、转频处的频带能量及频带能量的变化率作为区分齿轮工作状态的特征向量,消除工况变化所造成的诊断干扰的同时有利于实现各种工况下的故障模式识别,达到随机工况下齿轮微弱故障诊断的目的。最后采用高斯混合模型对风电机组齿轮箱随机工况下的150组振动信号进行特征描述,运用最大贝叶斯分类器实现故障识别,故障识别率表明该方法可有效的识别随机工况下的齿轮早期局部微弱故障。     

基于优化Teager能量算子的齿轮箱故障特征频率提取方法

针对齿轮箱故障时冲击故障特征频率提取困难的问题,提出一种自适应Teager能量算子的故障特征频率提取方法.该方法对低信噪比的齿轮箱振动信号使用连续Teager能量算子处理,便于提升信号的信噪比,突出齿轮故障特征.仿真信号和实际风电机组齿轮故障信号的诊断效果表明:齿轮故障状态下,该方法能够增加约1倍的信号峭度值,突出信号...     

基于希尔伯特变换的风电机组齿轮箱故障诊断方法研究

齿轮箱作为风电机组关键部件,由于运行环境以及工况的复杂性,易出现故障,严重威胁机组安全稳定运行。因此,对齿轮箱进行故障诊断对确保风电机组稳定运行具有重要意义。在介绍齿轮箱结构特点、故障模式、振动监测的基础上,结合齿轮箱结构特点,给出齿轮与轴承故障特征频率的计算方法。同时采用希尔伯特变换与倒谱分析相结合的方法对齿轮箱振动数据进行分析,提取故障特征频率。经实例验证,该方法能够准确得到齿轮箱故障频率的同时定位齿轮箱故障,实现风电机组齿轮箱的故障诊断。     

解调方法在齿轮故障诊断中的应用

大量的研究结果和统计资料表明,当齿轮失效时,齿轮啮合振动信号中将会出现幅值调制和相位调制现象,调制信号和齿轮的故障有直接关系。怎样从啮合振动信号中把调制信息提取出来,是齿轮故障诊断方法中的关键步骤之一。本文介绍了几种提取调制信息的解调方法,并通过实例验证了算法的正确性。     

基于小波变换的齿轮箱故障诊断

时域同步平均(Time Synchronous Averaging,TSA)信号只包含齿轮啮合频率信号和倍频信号,若齿轮出现故障,会使TSA信号得到某种程度的调制.文章将连续小波变换应用于齿轮箱振动采样的TSA信号,检测和分析齿轮箱的轮齿缺陷,设计并制作齿轮箱故障诊断试验台,通过齿轮全运行周期啮合试验,利用LABVIEW虚拟仪器采集系统采集振动信号,然后利用MATLAB编写相应的程序,绘制出所需信号的波形图,对所采集的数据文件进行信号分析处理,以达到齿轮箱故障诊断的目的,并验证了小波变换对齿轮故障诊断的有效性.     

全矢S变换在风力机齿轮箱微弱故障特征提取中的运用

针对齿轮箱早期微弱故障特征受其他扰动信号干扰而难于提取的问题,提出一种全矢理论结合广义S变换的方法用于提高微弱故障特征的区分度。该方法是以全矢理论将相互垂直的双通道振动信号进行融合,保证信号源信息的完整,继而利用广义S变换具有根据时频聚集性度量准则自适应地获取信号最佳时频谱的优势,实现融合信号的二维时频表示,以时频序列的能量矩阵构建区分齿轮工作状态的故障特征。通过风电机组齿轮箱在点蚀、裂纹和均匀磨损3种微弱故障状态下的各20组实验,验证了全矢S变换在微弱故障特征提取中的优势。     

齿轮传动系统齿根裂纹早期故障识别

建立齿轮系统动力学模型,分析不同深度的齿根裂纹齿轮系统的振动响应和裂纹的故障特征,采用经验模式分解EMD(Empirical Mode Decomposition)方法与频域分析对齿轮早期裂纹故障实验中振动加速度传感器获取的齿轮箱振动信号进行分析。用EMD方法分别将0 mm、2 mm、4 mm的齿轮齿根裂纹故障信号分解为本征模式IMF(intrinsic mode function),对各IMF分量进行频域分析并与仿真信号对比。结果表明:仿真结果可清晰得到齿轮早期裂纹故障的特征频率,通过频谱分析,齿轮裂纹故障其对啮合频率的幅值影响不大,但随裂纹深度增加,啮合频率及其倍频附近的边频带幅值增加;与实验信号进行对比,现象均符合裂纹故障特征。由此可以看出EMD方法可以有效的实现齿轮裂纹早期故障的识别。     

风力发电齿轮箱安全运行的远程监控

基于对风力发电齿轮箱安全运行状况的分析和总结．,开发了一套完整的风力发电齿轮箱安全运行远程监控系统。该系统从齿轮箱的振动分析、温度采集、烟雾探测以及环境视频监控四个方面对其机械结构损伤、温度异常、现场烟雾以及环境异常进行实时监控。并且通过远程数据传输方式将数据发往后台监控服务器,达到实时监控报警的目的。该系统对齿轮箱的安全运行、故障预警和剩余寿命评估具有重要意义。     

基于CEEMDAN- EFICA去噪的风电齿轮箱故障诊断

针对风电齿轮箱实验样本较少,以及振动信号具有非平稳、非线性的特点,提出了基于完备集合经验模态分解(CEEMDAN)-高效快速独立分量分析(EFICA)的去噪方法。首先应用CEEMDAN与峭度-相关系数准则完成信号重构,对重构信号和原信号进行EFICA分离来获得去噪信号;然后提取去噪信号的时域特征、频域特征构建特征向量,使用核主分量分析(KPCA)对向量降维处理实现特征信息融合;最后采用复合神经网络对信号特征集进行分类完成故障诊断。通过实验数据对比,证明了该方法消噪效果更好且复合神经网络的诊断准确率最高,所提方法具有可行性和优越性。     

基于VMD-FHT的风机齿轮箱故障特征提取方法

针对风电机组齿轮箱运行工况复杂、背景噪声大,难以提取其故障特征信息的问题,提出一种基于变分模态分解（VMD）和分数阶希尔伯特变换（FHT）的风电机组齿轮箱故障特征提取方法。利用VMD分解风机齿轮箱各个故障信号,并且定义一种分解品质因数以选取VMD的最优分解层数K;对经最优化VMD分解后的各模态分量进行分数阶Hilbert变换,计算各模态分量的边际谱并进行线性叠加;提取该边际谱的频域特征作为齿轮箱故障信号的特征量。实验结果表明,采用该方法能够准确地提取出风机齿轮箱的故障特征,并获得更优的故障识别效果     

基于邻域粗糙集与支持向量机的大型风机齿轮箱故障诊断

大型风机的齿轮箱故障诊断是保证风机正常、稳定运行,避免突发性事故的有效手段。针对大型风机齿轮箱振动进行实时监测,对其振动情况进行分析、诊断。对采集的信号采用时域方法进行研究,获取时域指标属性,运用邻域粗糙集约简知识对各个信息属性进行约简,再结合支持向量机进行样本训练,并对待测数据进行故障诊断。