一种基于DSP的风电机组齿轮箱故障在线自动识别方法

目前风电机组故障诊断主要是现场对机组数据进行采集,再通过人机交互的方式对数据进行离线处理和分析,评估机组的状态.由于机组数量多,传动系统结构复杂,测点多,数据分析任务重,状态报告往往滞后,容易故障漏报.本文提出了一种基于DSP的风电机组齿轮箱故障在线自动识别的方法,根据齿轮箱振动特性原理,采用阶比分析与幅值调制算法,求取相应的幅值调制比率,对幅值调制比率进行分析,判别故障状态.以数字信号处理器TMS320C6748为实现平台,针对齿轮箱不同工况下采集的定速与变速振动加速度信号的自动处理,验证故障在线自动识别的准确性和可靠性,人机交互界面可以直观显示齿轮箱运行状态.齿轮箱状态在线识别对于降低风电机组运维费用、提高效率具有重要的意义.     

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.     

采用动态劣化度的风电机组运行状态实时评估

为满足大数据环境下风电机组状态评估的实时性要求,提出一种基于动态劣化度的实时状态评估方法.首先,建立动态劣化度计算模型;然后,引入正态云模型取代传统隶属函数,将正态云模型与模糊综合评价法相结合,形成风电机组运行状态实时评估方法;最后,基于辽宁某风电机组的SCADA数据,利用所述方法对其进行状态评估.实验结果表明:该方法能够准确把握机组的实时运行状态,并对其早期缺陷及时预警,有助于防范机组严重故障的发生.     

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.     

环境参数对风电齿轮箱传动系统疲劳损伤的影响

在风电机组全寿命周期内,长期风速概率分布会使风电齿轮箱传动系统动载荷出现随机特性,影响其疲劳损伤预估精度。笔者提出了一种考虑长期风速概率分布特征的风电齿轮箱传动系统疲劳损伤预估方法,通过建立大功率海上风电机组OpenFAST-SIMPACK联合仿真模型,计算不同平均风速与湍流强度组合工况下的风电齿轮箱传动系统齿轮短期疲劳损伤,进而采用代理模型技术重构“平均风速、湍流强度-短期疲劳损伤”映射关系,预测齿轮长期疲劳损伤。研究结果表明：风电齿轮箱传动系统低速级太阳轮容易发生接触疲劳失效;在额定风速以下,低速级太阳轮短期疲劳损伤与平均风速呈正相关,在额定风速附近,平均风速与湍流强度的随机特性均会增大其长期疲劳损伤不确定性,增大其疲劳失效风险。     

风电机组增速箱制造技术研究与进展

增速齿轮箱作为风力发电设备的核心部件,其制造质量是保证机组整体性能的关键。风电机组增速箱制造是一个涉及多学科的综合性技术,应充分利用现有技术条件,深入研究工艺基础理论,完善工艺控制方法,促进新技术、新工艺、新材料的应用,真正实现数字化精益制造。文章针对风电机组增速箱结构特点和使用工况,结合工程生产实践,总结风电齿轮箱的工艺技术要求和特点;分析风电齿轮箱齿轮、箱体及行星架等关键零部件的制造技术现状及存在的问题,提出提高加工效率和控制热处理变形的措施,最后介绍风电齿轮箱测试技术。文章对指导风电增速箱制造具有一定工程应用价值。     

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。     

基于深度学习的风力发电机组故障预警方法研究综述

风能作为重要的可再生能源,近几十年来,全球风能使用规模迅速增长,陆上和海上风力发电机组发电容量不断增加。由于风力发电机组故障维修成本巨大,因此必须开发有效且可靠的风力发电机组故障预警方法,在风电机组发生故障前进行提前预警,以便降低风电场的运营和维护成本。目前风电机组数据采集与监视控制系统(supervisory control and data acquisition, SCADA)已经在风电场有了广泛的应用,其中蕴含着大量的潜在数据信息,同时深度学习方法在海量数据挖掘方面有比较明显的优势,因此深度学习方法在风力发电机组故障预警领域的应用潜力巨大。综述了近年来相关深度学习方法在风力发电机组故障预警的研究进展,总结了风电机组故障预警的大体步骤,分析了各个步骤的具体处理方法,对每种技术方法的特点进行整理分析。最后阐述了深度学习在风电机组故障预警领域所面临的挑战,并对今后的研究重点进行了展望。     

多工况下兆瓦级海上风电齿轮箱均载性能优化设计

针对兆瓦级海上风电齿轮箱行星级均载性能易受到时变非扭载荷影响的问题，该文提出了多风速工况下风电齿轮箱行星级均载性能优化方法。通过建立某型5 MW海上风电齿轮箱系统动力学模型，分析不同风速工况对其行星级内部激励和均载特性的影响规律，进而采用支持向量回归方法，重构风速工况齿轮修形参数均载系数之间的映射关系，建立考虑不同风速工况影响的齿轮箱行星级均载系数优化模型，实现多风速工况下行星级齿轮修形参数优化设计。研究结果表明：由风速工况变化造成的时变非扭载荷会使行星级的齿面和轴承出现偏载现象，并且在低风速工况时非扭载荷会显著降低行星级均载性能；优化后的风电齿轮箱在不同风速工况下其行星级内部激励均明显降低，齿面和轴承载荷分布更加均匀，均载性能得到明显提升。     

基于Bagging集成策略和多元状态估计的风电机组齿轮箱状态监测

风电机组齿轮箱的故障率和维护成本相对较高,有必要对其运行状态进行实时监测。多元状态估计(multivariate state estimate technique, MSET)是一种常用的状态监测方法,但在记忆矩阵规模较大时,MSET在线计算的实时性较差。为此,提出一种基于Bagging集成策略和MSET的新方法:首先基于Bagging集成策略,对训练数据进行多次随机抽样,构造多个记忆矩阵规模较小的MSET子模型,最终将子模型的结果平均后作为集成模型的输出。以某2 MW风电机组的运行数据为算例,对集成MSET的性能进行了对比实验。结果表明:在精度相当的前提下,集成方法的计算时间仅为常规方法的60%;结合统计过程控制技术设计了预警阈值和滑动窗口异常率,并对集成MSET的故障预警能力进行验证,结果表明,集成方法能够提前约10 d预警齿轮箱的实际故障。     

基于电磁耦合器调速的新变速恒频风力发电机组

为改善风力发电机组对电网电压的支撑和故障穿越能力,提出了基于电磁耦合器调速的新型风电机组。在其传动链中,电磁耦合器的两端分别与变速齿轮箱的高速轴和恒速同步发电机的输入轴连接,两个轴系之间的转速差由电磁耦合器及变频器控制。基于电磁耦合器的工作原理,分析了风力机和电磁耦合器的转矩特性,提出了电磁耦合器的设计方法,在Matlab/simulink平台上搭建了整个系统的仿真模型,并完成了系统并网运行时的稳态性能仿真。结果表明:基于电磁耦合器调速的风电机组只需配备机组功率15%左右功率容量的电磁耦合器和变频器即可实现变速恒频运行,而且该类风电机组具有与常规火力发电机组相似的电网支撑和故障穿越能力。     

基于Gabor小波和LPP的浮选过程泡沫纹理特征提取及应用

针对Gabor小波进行特征提取时易造成维数灾难和识别效率不高的问题,提出一种基于Gabor小波滤波和局部保持投影(LPP)降维算法相结合的泡沫纹理特征提取方法.首先,利用Gabor滤波器获得原始泡沫图像5个尺度和8个方向的高维特征描述向量;然后,利用LPP算法得到降维特征向量;最后,利用此降维特征向量通过反向传播(BP)神经网络进行不同工况下泡沫类别的识别,进而指导实际矿物浮选生产.实验结果表明,相对于传统的GLCM方法和Gabor小波纹理特征提取方法,该方法可有效降低泡沫纹理特征向量维数并具有更高的识别效率.     

基于信息融合的风电机组齿轮箱轴承故障诊断

针对风电齿轮箱轴承故障问题,提出一种基于信息融合将BP神经网络与D-S证据理论相结合的风电轴承故障诊断方法。首先基于大数据,挖掘SCADA(supervisory control and data acquisition)系统中与风电齿轮箱轴承故障有关的振动、温度、电流、转矩和转速信号等故障特征;然后将各信号故障特征量作为神经网络输入,将神经网络的输出归一化作为证据理论基本概率分配值(BPA值),为解决各证据之间冲突问题,采用一种基于加权的方法来改进各条证据,以减小冲突;最后利用组合规则将各条改进的证据融合,得出最终诊断结果。研究基于某风场2 MW风电机组的实际运行数据,结果表明:随着融合信号维度的增加,最终诊断结果的准确率也逐步提高,融合多维信号的可靠性明显高于单一信号。     

基于变分态分解与灰狼优化支持向量机的齿轮箱故障诊断

由于行星齿轮齿轮箱的振动信号具有非平稳、非线性特性,在复杂工况下,会对其早期微弱的故障信号造成干扰,不能正确地识别出故障信息。为解决以上问题,采用基于变分模态分解(variational mode decomposition, VMD)与灰狼优化支持向量机的故障诊断方法。利用中心频率近似方法,求解出了变分模态分解的参数K,对分解出的本征模态函数(intrinsic mode function, IMF)分量进行相关性分析,优选出分量进行信号重构。将重构信号进行故障特征提取,利用灰狼优化支持向量机的方法进行故障模式识别。实验结果表明：采用所提方法对行星齿轮箱的故障识别准确率达到99.375%。     

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.     

基于希尔伯特变换的改进地震信号谱重排

谱重排最早被称为改进的滑动时窗法,用来提高常规的时频谱分析的分辨率,其基本原理是将原时频谱中每一点的能量进行聚焦重排。由于该算法仅对信号在频率域进行重排,致使其重排过程是不可逆的。为了优化时频重排算法,将原始的谱重排算法与希尔伯特变换相结合,通过对信号求取导数并使用加窗傅里叶变换对理论信号进行再处理得到改进后的处理结果。结果表明,基于希尔伯特变换的改进谱重排算法不仅兼顾了时频谱重排和加窗傅里叶变换的优势,提高了对信号时频变换的分辨率,而且在地震勘探领域具有广泛的应用前景。