基于非线性状态估计的风电机组振动建模研究

本文引入振动加速度信号,与SCADA数据结合进行风电机组关键部件的状态监测及故障诊断。实验数据为某风电机组连续6个月SCADA数据,振动建模方法采用非线性状态估计技术,在风电机组故障高发部位——齿轮箱、发电机、主轴承等处加装振动加速度传感器,通过对各部位振动特性的分析,分别建立相应部位的振动模型进行故障监测与诊断,并验证其可行性。研究表明,利用非线性估计的方法建立风电机组关键部位的振动预测模型简单有效,预测精度高,为后续风电机组振动分析提供了新的思路。     

基于联合特征的风电机组故障检测

为了提高风电机组的运行可靠性,有必要对风电机组的故障信号进行实时采集并分析.在风电机组的故障检测诊断技术中,有语音信号诊断技术、振动信号诊断技术、电量参数诊断技术,振动信号诊断技术相对于其它诊断技术能更好地反映风电机组的实际工况.提出一种基于小波分析的联合特征提取方法,结合BP神经网络对风电机组的故障进行分析和诊断.以风电机组齿轮箱故障诊断为例,通过频谱分析和模式识别,发现基于联合特征的分析相对于单特征提取在一定程度上提高了诊断精度.     

基于ARIMA风电机组齿轮箱故障趋势预测方法研究

针对齿轮箱计划外停机和意外故障导致的风电机组安全运行问题,提出了一种基于ARIMA模型的故障趋势预测方法;方法可以处理具有非线性和非平稳性特征的齿轮箱运行状态监测数据,用以时间序列的自相关分析为基础的模型预测状态监测时间序列数据的趋势变化;选择生产现场采集到的齿轮箱油泵出口压力SCADA数据和运行实例验证了方法的有效性,实验结果的拟合效果令人满意;研究结果表明方法能够适应齿轮箱运行状态监测数据随时间的变化特征,反映出一定的运行状态变化趋势,具有较好的预测精度和较大的应用范围,对风电机组其他部件的故障趋势预测具有一定的应用参考价值。     

基于PSO优化MK-TWSVM的风机齿轮箱故障诊断

为了提高风电机组齿轮箱故障诊断的准确率,提出一种基于粒子群算法优化混合核孪生支持向量机的风电机组齿轮箱故障诊断方法.首先,在传统支持向量机的基础上引入孪生支持向量机,提高算法运算速度;其次,提出一种新的混合核函数取代传统支持向量机中的单一核函数,并选用粒子群算法对上述核函数的参数进行寻优;最后,搭建风电机组齿轮箱试验平台,采集具体的齿轮箱故障试验数据进行验证.试验结果表明,对比其他方法,本文所提出方法在诊断风电机组齿轮箱故障方面具有更高的识别准确率,因此具有较强的实用性.     

变工况时频脊流形早期故障预警方法研究

针对风电机组齿轮箱工况复杂多变,提出了一种基于Gabor重排对数时频脊流形早期故障预警方法.该方法首先研究提取Gabor重排对数时频谱的脊线,构建早期故障高维特征向量;然后研究改进局部切空间流形学习方法,进行维数约简;最后采用K-近邻分类器,实现变工况风电机组齿轮箱的早期故障识别与预警.通过变转速、变载荷等多种工况的行星齿轮箱磨损试验与风电机组现场运行数据验证,结果表明该方法有效提高了复杂变工况风电机组齿轮箱早期故障预警准确率,可为其预知维护提供可靠依据.      

基于小波降噪和BP神经网络的风力发电机组齿轮箱故障诊断研究

针对风电机组齿轮箱故障频发这一现象,为改善设备性能,提高其利用率,采用基于小波降噪和BP神经网络相融合进行风电机组齿轮箱故障诊断与研究的方案.首先利用小波对采样数据降噪,然后输入小波神经网络中进行诊断,以准确地识别齿轮箱中常见的故障,结果表明该方案具有可行性.并结合风电场应用实例,证明了方案的可行性,为提高风力发电机组齿轮箱的稳定性提供了一种有效方法.     

基于多域流形的行星齿轮箱局部故障识别

行星齿轮箱振动信号包含多种频率成分和噪声干扰,频谱具有复杂的边带结构,容易对故障识别造成误导甚至引起错判.在不同故障状态下,行星齿轮箱振动信号的多域特征量将偏离正常范围且偏离程度不同,根据这一特点,提取振动信号的时域、频域特征参量用于故障识别.为了避免传统分析方法中负频率及虚假模态问题,增强对噪声干扰的鲁棒性,采用局部均值分解法将信号自适应地分解为单分量之和,提取时频域单分量瞬时幅值能量.针对多域特征空间构造过程中出现的高维及非线性问题,采用流形学习对数据进行降维处理.提出基于改进的虚假近邻点的本征维数估计及最优k邻域确定方法,并通过等距映射对多域特征空间进行降维分析.对于行星齿轮箱实验信号,根据样本流形特征聚类结果,分别识别出了太阳轮、行星轮和齿圈的局部故障,从而验证了上述方法的有效性.     

风电齿轮箱传动系统的振动特性分析

为了准确描述风电齿轮箱传动系统的振动特性,以2 MW风电齿轮箱传动系统为研究对象,考虑各零部件自身的重力及轴的弯矩对传动系统均载的影响,结合齿轮传动系统动力学理论建立齿轮箱传动系统的动力学模型;为实现齿轮箱传动系统各传动级之间的关联,提出应用联接构件代替零件建立系统刚度矩阵与质量矩阵的方法,建立基于联接构件的齿轮箱传动系统的刚度矩阵和质量矩阵,求解出可分为五种振动类型的固有频率;最后以某风场实测风载荷作为齿轮箱外部激励,采用给定解形式的方法对齿轮箱传动系统的振动微分方程组进行求解,计算得到系统各零部件的振动响应,通过分析可知轴心轨迹的发散程度与零部件振动幅值变化的剧烈程度正相关,且齿轮箱传动系统没有发生共振.为风电齿轮箱传动系统的设计及可靠度计算提供了理论依据.     

基于DHNN的风电机组齿轮箱故障诊断

运用具有联想记忆功能的离散Hopfield神经网络(DHNN)对风电机组齿轮箱的故障进行诊断,选用时域和频域的5个故障特征指标作为评价因子,利用MATLAB工具箱建立一个可以对风电机组齿轮箱的3种故障进行诊断的DHNN模型,并将该模型用于北方某风电场的实测数据的故障诊断,验证模型的泛化能力.仿真结果表明,DHNN的诊断结果准确率高、收敛速度快,具有很好的实用性.     

EMD在汽车变速齿轮箱振动故障分析的应用

采用经验模态分解和能量特征值对振动加速度传感器获取的汽车齿轮箱振动信号进行特性分析.利用经验模态分解获得振动信号的本征模态函数,并对本征模态函数进行系数-能量计算,提取系统的特征信息,对汽车齿轮箱的故障进行诊断,从而实现在线监测汽车齿轮变速箱运转工作状态,及时发现齿轮箱的早期故障,提高汽车运行的安全性.仿真研究结果表明经验模态分解方法在故障信息诊断方面是可行的和有效的,并能够提高故障检测的可靠性.     

高速动车组齿轮箱断齿故障振动研究

为获得高速动车组齿轮箱的动力学响应,更好分析高速动车组故障齿轮箱系统振动特性,解决开发动车组齿轮箱故障检测系统时存在的齿轮箱故障物理样本稀缺、检测算法研究缺乏充足的校验输入信号的问题。依据相关参数构造高速动车组转向架-齿轮箱CAD模型,基于Adams/View搭建动车组转向架-齿轮箱动力学模型。通过模拟正常工况和断齿的故障工况,仿真获取检测方案测点的动态响应。对比分析发现:断齿故障会导致齿轮箱振动能量增强,出现振动冲击特征,啮合频率幅值降低且出现边频带;同时,幅值的极值点由啮合频率变为转频。通过研究断齿故障下齿轮箱的振动特点,可以实现对高速动车组齿轮箱故障的快速诊断,为齿轮箱故障检测系统开发提供支撑。     

齿轮箱在线故障诊断系统设计及应用

为了尽早发现齿轮箱台架寿命试验中的故障发生及其位置,避免对试验设备及人员造成伤害,针对齿轮箱工作过程中的安全问题,开发了一套齿轮箱在线故障诊断系统。该系统利用加速度传感器检测箱体的振动信号,通过时域分析实现齿轮箱试验的实时监测与故障预警;对时域信号进行时频域分析,采用ZFFT（基于复调制的细化频谱算法）细化频谱方法处理频域信号,通过分析典型故障信号特征,建立故障特征向量,实现故障类型判定。试验结果表明,该系统能实现齿轮箱故障预判,并能准确识别出典型故障。     

基于多方法结合应用的齿轮箱故障特征提取研究

基于振动信号分析的齿轮箱故障诊断的关键是实现对信号中故障特征的提取.由于在工程实际中采集到的齿轮箱振动信号含有较强的噪声干扰,所以单一的信号分析方法难以实现对故障特征的提取.因此将两种或两种以上方法相结合应用于齿轮箱振动信号的处理成为当前的研究趋势.为研究将不同方法相结合应用于齿轮箱故障信号特征提取的优势,对大量文献的研究成果进行了归纳整理.综合分析发现:将多种方法结合应用于齿轮箱振动信号特征提取,可有效避免单一方法的局限性,充分发挥不同方法的优势.总结了在齿轮箱故障诊断领域中分别以频谱分析为基础和以非线性理论为基础的将不同信号处理方法结合应用于齿轮箱故障特征提取的现状,最后针对多种方法结合应用于齿轮箱故障诊断的发展趋势提出了建议.     

基于实测数据的风电齿轮箱输入转矩计算公式修正

风电齿轮箱是风电机组中的关键部件和失效率较高的部件之一.为准确描述风电齿轮箱的输入转矩,针对目前被广泛应用的风电齿轮箱输入转矩计算方法的不足,以1.5 MW风电齿轮箱为例,通过对风电场实测数据进行统计分析,得到风电齿轮箱实际输入转矩.将其与理论计算方法得到的输入转矩相对比,提出修正系数,并分析修正系数和风速之间的关系,从而对被广泛应用的理论输入转矩计算公式进行修正.经过修正得到的风电齿轮箱输入转矩计算公式能更准确地描述风电齿轮箱的实际运行工况.     

基于风速与功率关系的风电机组 运行状态健康指标

风电机组状态识别对于风电机组安全可靠经济运行具有重要现实意义.从风电机组能量转换分析出发,提出和分析了4种基于风速与输出功率关系的风电机组运行状态健康指标的物理力学内涵和计算方法;然后,以2 MW风电机组SCADA数据为基础,对比分析4种健康指标的识别性能,结果表明:基于欧式距离的风电机组运行状态健康指标的识别性能最佳.这为风电机组实时在线运行状态识别提供了一种新途径.     

基于模糊物元分析的变桨系统状态评估方法

针对现有风电机组状态评估方法实时可靠性差和过多人为因素影响的问题,提出了模糊物元分析评估方法,以实现对机组状态的准确评估.选择故障率较高的变桨系统为研究对象,分两步构建了变桨系统状态评估模型:1)分别以3σ准则和四分位分析法对变桨参数分类处理,避免对参数分布的主观评判;用ANFIS算法对数据进行训练来减小极端值影响,获得多特征参数故障检测结果.2)基于模糊物元分析理论,将上一步多特征参数检测结果作为模糊量值代入物元评估模型中,实现了检测结果模糊值与等级评价指标的统一.应用该方法对风电机组实际运行状态进行了测试,结果表明:与传统二元决策方法相比,能够明显反映变桨系统的运行状态,具有更好的评估效果.从定性角度对比分析,该方法较模糊综合评判方法、传统物元分析方法在变桨系统状态评估方面更有优势.     

基于参数优化变分模态分解与支持向量机的齿轮箱故障诊断

齿轮箱故障振动信号具有非线性、非平稳的特点,在故障早期难以实现故障特征的提取和故障类型的识别。本文提出磷虾群算法（krill herd algorithm, KHA）-变分模态分解（variational mode decomposition,VMD）-多尺度排列熵（multi-scale permutation entropy,MPE)与支持向量机(support vector machine,SVM)相结合的齿轮箱故障类型识别算法。首先对采集到的齿轮箱振动信号利用KHA优化的VMD进行分解,选取有效分量进行重构,然后求取其MPE作为特征向量,最后将特征向量输入SVM进行故障类型的识别。通过实测数据的分析表明,故障类型识别准确率达到了99.14%,该方法在机车车辆、发电机组等装备的齿轮箱状态监测和故障诊断中具有一定的参考价值。     

基于振动特征的变压器的故障诊断

变压器振动的主要来源是铁心和线圈振动,铁心与绕组故障引发变压器振动信号变化,故障类型不同信号变化不同.基于自主设计的变压器振动信号采集系统,采集不同故障状态下的变压器振动信号.由于变压器振动信号噪声较多,首先采用基于遗传优化的匹配追踪算法对信号稀疏表示去除噪声,然后对降噪后的不同故障类型信号进行分析处理,最后确定故障诊断方法.研究表明:箱体振动的基频反映铁心的故障,高频分量所占比例反映绕组的故障.一旦出现铁心故障,基频分量会发生明显的改变,运用快速傅里叶变换计算主频幅值的能量即可诊断出铁心故障;绕组发生故障后,会产生大量的高频分量,运用小波-高低频能量算法求取高低频包络谱,对比低频分量与总能量的比值,即可确定故障为绕组垫块脱落故障.     

兆瓦级风电机组传动链振动远程在线测试

传动链作为风力发电机组的主要部分,工作在柔性塔架支撑、风向和载荷多变等恶劣的环境下,其振动特性好坏直接影响风机可靠性和使用寿命,成为风电机组最薄弱环节。论文基于SKF的WindCon智能采集系统,以某兆瓦级风力发电机组为例,在正常运行和启、停工况下对传动链的振动进行远程在线检测,得到传动链在各运行工况下的振动特性,并揭示其动态特性变化规律。测试结果表明传动链振动较为复杂,主要表现为系统低频扭转振动和弯、扭、摆构成的复合振动,传动链中主轴、齿轮箱等振动频率主要由转频和各级齿轮啮合频率尤其是高速级齿轮啮合频率构成,并存在被转频调制现象。     

基于无故障数据的风电机组齿轮箱可靠度预测

以1.5 MW国产风电机组齿轮箱为研究对象,基于风电齿轮箱的无故障数据,在威布尔分布场合下,应用Bayes方法和最优置信限法对其进行可靠性分析.在配分布曲线的思想下,应用Bayes方法结合加权最小二乘法建立风电齿轮箱可靠度模型;引入保守估计的经典估计方法,结合Bayes方法得出的结论,给出风电齿轮箱寿命分布函数形状参数的估计范围,将此范围应用于最优置信限法,求出风电齿轮箱可靠度在置信水平为1-α下的最优置信下限,并验证此估计范围的合理性;最后分别应用Bayes方法和最优置信限法对风电机组齿轮箱可靠度进行预测,得出此型号风电齿轮箱无故障运行9a的可靠度约为45%,运行10a的可靠度约为30%.