基于优化EFD算法的风电行星齿轮箱故障诊断研究

行星齿轮箱作为风力发电机的关键核心部件，对其故障进行准确诊断能有效提升风力发电效能．行星轮系作为一种复杂的传动机械部件，其频谱表现异常复杂，且故障信息极易被无关成分或干扰成分淹没，而利用信号分解获取故障分量的方法在行星齿轮故障诊断中发挥着重要的作用．因此，针对经验傅里叶分解(empiricalFourierdecomposition,EFD)易陷入局部频谱分割的问题，优化改进了EFD的频谱分割算法，即在原频谱分割算法上引入边界阈值机制，优化频谱分割边界点的选择，有效限制边界频率陷入局部的问题．通过构造多分量仿真信号对比分析原频谱分割算法和优化算法，并逐步增加分量成分对比分析．仿真分析结果表明，原频谱分割算法随着分量成分的增加，其边界频率逐渐陷入局部，而优化算法却能准确获取边界频率，验证了优化EFD算法的有效性，表明优化频谱分割算法是在原频谱分割算法上的有效改进．最后通过对风电行星齿轮箱实验数据的分析表明，与EFD算法相比，优化EFD算法获取的边界频率不易陷入局部，可以更好地获取故障分量．在对风电行星齿轮箱的故障诊断中，能更有效地识别故障频率成分和确定故障位置．