基于振动分析的风力机齿轮箱故障诊断

为实时、准确、简易地诊断出风力机齿轮箱故障类型,提高风力机的稳定性,提出一种面向多故障的基于多尺度小波分析和希尔伯特变换的实时齿轮箱故障诊断方法。利用故障发生前期微弱的故障征兆,首先用小波降噪技术滤除齿轮箱振动信号中的噪声,然后对信号进行多尺度小波分解,通过分析高频重构信号,来判断是否将要产生故障;如果确定故障将要发生,再对高频重构信号进行希尔伯特变换,通过分析能量包络谱相应的波形参数值来判定预测故障的类型。利用试验数据对该方法进行分析验证,证明了该算法的简单和有效性。

独立变桨控制下的风力机齿轮箱动力学仿真分析

针对大型风电机组齿轮箱动态载荷问题,以多体动力学理论为基础建立风力机齿轮箱动力学模型,研究系统的独立变桨控制技术,提出线性二次高斯控制（LQG）独立变桨控制策略,建立LQG控制器,利用SIMPACK软件与Matlab/Simulink进行联合仿真,计算在仿真风速下的风力机齿轮箱载荷变化情况,计算并比较在不同风速、不同控制方式下风力机齿轮箱齿轮和轴承所受的动态载荷。计算结果表明,相对于统一变桨,独立变桨控制能更好地降低齿轮箱内部载荷波动,从而降低风力机齿轮箱齿轮和轴承的疲劳载荷。

改进灰狼算法优化支持向量机在风力机齿轮箱故障诊断中的应用

针对灰狼算法易陷入局部最优和后期寻优能力不足等缺点,提出改进非线性控制因子以提高算法收敛精度及稳定性。采用美国国家可再生能源实验室(National Renewable Energy Laboratory, NREL)"Gearbox Reliability Collaborative"项目测试采集的风力机齿轮箱振动信号为分析对象,经集合经验模态分解后,计算各本征模态函数分量的模糊熵并构建高维特征向量,后利用等距映射进行降维。利用改进灰狼算法优化支持向量机,对降维后齿轮箱故障特征集进行诊断。结果表明:改进灰狼优化算法相较于灰狼算法、粒子群算法和遗传算法可有效避免陷入局部最优并提高支持向量机诊断精度及稳定度,在不同测试样本下其准确率均最高,平均准确率达93.17%。

灰狼算法优化支持向量机在风力机齿轮箱故障诊断中的应用

针对风力机齿轮箱振动信号非线性和非平稳性的特征,提出基于模糊熵(Fuzzy Entropy,FE)和灰狼算法优化(Grey Wolf Optimizer,GWO)的支持向量机(GWO Support Vector Machine,GWO-SVM)的故障诊断方法。通过集合经验模态分解算法(Ensemble Empirical Mode Decomposition,EEMD)对振动信号进行分解得到若干本征模态函数(Intrinsic Mode Function,IMF)分量;求取各状态IMF分量的模糊熵并构建特征向量;将各特征向量输入GWO-SVM模型进行故障识别及分类。结果表明:齿轮箱振动信号不同状态下的模糊熵有一定区分度,通过GWO-SVM能对其进行精确识别和分类,且GWO-SVM相对于粒子群优化(Particle Swarm Optimization,PSO)SVM模型和遗传算法(Genetic Algorithm,GA)优化SVM模型具有更短的运行时间和更高准确率,平均准确率高达92.5%。

改进经验小波变换在风力机齿轮箱故障诊断中的应用

针对强噪声背景下风力机齿轮箱轴承的轻微故障特征易被淹没且提取困难等问题,提出滑移窗口提取子带的连续平均谱负熵(Continuous Average Spectral Negentropy,CASN)对经验小波变换(Empirical Wavelet Transform,EWT)进行改进。首先利用CASN-EWT方法分解风力机齿轮箱轴承故障信号,后利用谱负熵准则对所得分量进行筛选并重构,再开展包络分析,准确提取出故障特征,最后构成特征向量集输入支持向量机进行故障诊断。结果表明:CASN-EWT方法在保留EWT算法自适应性和有效避免模态混叠效应与端点效应的同时,极大提高EWT分解算法对噪声的鲁棒性,有利于准确提取故障特征频率,实现故障识别精度的提高。

风力机齿轮箱振动信号分解方法研究

基于风力机齿轮箱振动信号显著的非线性及非平稳性,分别采用集合经验模态分解(EEMD)、固有时间尺度分解(ITD)和经验小波变换(EWT)分解方法对齿轮箱振动信号进行处理,求取各分解方法分量信息熵并构成特征向量,然后作为支持向量机(SVM)模型的输入进行故障识别及分类。结果表明:EWT能较好地提取振动信号中的冲击成分;ITD在3种分解方法中诊断准确率最高且最稳定,最利于风力机齿轮箱故障诊断。

风力机齿轮箱布局的多目标可靠性优化设计

针对风力机齿轮箱布局设计中存在的问题,采用多目标可靠性优化设计方法,以风力机齿轮箱的箱体体积和齿轮体积最小化为设计目标,建立了风力机齿轮箱布局的多目标可靠性优化设计模型,分析比较了3种常见传动方案对风力机齿轮箱布局的影响,以某型号1.5 MW风力机齿轮箱为例进行了优化分析。研究结果表明,采用该设计方法得到的齿轮箱箱体体积和齿轮体积加权和值比以齿轮体积为目标的单目标设计方法更低。同时,分析结果表明,提高输入转速可大大降低齿轮箱成本。

基于连续平均谱负熵改进经验小波变换的风力机齿轮箱故障诊断

针对经验小波变换(Empirical Wavelet Transform,EWT)对强噪声环境下风力机齿轮箱轴承轻微故障特征提取不足的问题,利用滑移窗口提取子带的连续平均谱负熵(Continuous Average Spectral Negentropy,CASN)对EWT算法进行改进。通过CASN-EWT方法分解风力机齿轮箱轴承故障信号,采用峭度准则对所得分量进行筛选并重构,再开展包络分析,准确提取出故障特征。结果表明:CASN-EWT方法在保留EWT算法自适应性和有效避免模态混叠效应与端点效应优点的同时,能够极大提高EWT分解算法对噪声影响的鲁棒性,有利于准确提取故障特征频率,实现故障精确识别。

变转速下的风力机行星齿轮箱故障诊断研究

由于风力发电机齿轮箱振动信号的非平稳性、传递路径复杂、系统噪声大和调制现象严重,常规的频谱分析方法难以识别齿轮箱的故障位置。针对以上问题,提出了一种基于同步提取(Sychroextracting Transform,SET)与沃德卡曼滤波相结合的风力机行星齿轮箱故障诊断研究方法(Combination of SET and vold-Kalman filter,SEV)。首先阐述了提出方法的原理和流程,通过基于SET的局部能量极大值法(Local energy maximum based on SET,LMS)对发电机轴承的振动信号进行转频提取,随后基于沃德卡曼滤波对瞬时频率进行精确提取,获得完整的相位信息。最后通过阶次分析获得风力发电机齿轮箱的详细故障位置信息。仿真和实验分析验证了提出方法的有效性。

风力发电机齿轮箱测试内齿圈异响分析

对齿轮箱做振动测试和分析,找到齿轮箱异响呈现的特性,为齿轮箱故障诊断提供依据。

基于优化经验小波变换与改进支持向量机的齿轮箱故障检测策略

针对强噪声背景下风力机齿轮箱振动信号易被掩盖、难以提取的难题,基于频域谱负熵(Frequency-domain Spectral Negentropy,FSN)改进经验小波变换(Empirical Wavelet Transform,EWT)提出优化经验小波变换方法(Improved Empirical Wavelet Transform,IEWT),并采用改进灰狼算法(Improved Grey Wolf Optimization,IGWO)优化支持向量机(Support Vector Machine,SVM)惩罚系数α及核参数σ。基于NREL GRC风力机齿轮箱数据验证所提方法的有效性。结果表明:IEWT-IGWO-SVM可有效提取故障信息并进行故障识别,分类准确率高达99.66%。