论文部分内容阅读
近年来,随着风电场大规模的建成,风电机组也常常出现失效。因此,对风电机组行星齿轮箱开展故障监测,对维护机组正常运行、减少经济损失具有重要意义。目前,针对行星系统的监测分析主要集中在针对振动机理进行分析和对振动信号分析其频谱。本课题结合行星轮系故障机理,提出了基于特征波形的行星齿轮故障模式识别方法和基于多特征模式识别的齿轮箱故障诊断方法。主要内容如下:1.风力发电机齿轮箱故障类型及振动机理研究从风电机组减速箱构成,运行原理等方面详尽阐释了风力发电机组齿轮箱容易失效的原因,并且深入的分析了风力发电机组齿轮箱故障类型以及对应的产生原因。同时,从齿轮箱的故障机理方面,探究了故障产生的机理和对应的振动信号频率特征。2.基于特征波形的行星齿轮故障模式识别方法特征波形的行星轮系故障模式识别方法是基于故障信号提取含故障行星齿轮振动信号特征波形,然后进行优化,将优化后的故障特征波形用于行星齿轮故障的模式识别。该方法没有任何特征计算公式,从而极大的简化了故障特征的提取,从而能够节省计算时间,从而提高计算效率并且能够实现较高的齿轮故障运行模式识别的准确率。对行星齿轮箱实验信号的故障模式识别,表明了提出的故障模式识别方法具有一定的有效性。3.基于多特征模式识别的齿轮箱故障诊断针对传统的方法难以有效提取出齿轮的故障特征的问题,构建了多特征提取框架,分别从时域和信息熵的角度出发,提取了均方根值、峰值指标、峭度指标、脉冲指标以及变分模态能量熵作为故障识别的特征向量,并引入支持向量机进行模式识别实现对故障的分类。针对SVM模型参数会对分类效果产生较大影响这一问题,引入了粒子群算法优化参数C,g。在此基础上,采用实验数据对该方法进行验证。结果表明,所提识别算法有较高的识别率,验证了该方法的有效性。