论文部分内容阅读
风电齿轮箱是风电机组的重要组成部分,价格昂贵,出现故障会导致风电机组长时间停机,造成严重的经济损失。因此,加强对风电齿轮箱状态监测与故障诊断技术的研究,对于保证风电机组的正常运行,提高风电场的经济效益和社会效益具有重要的意义。本文在总结现有的设备状态监测与故障诊断理论和方法的基础上,针对齿轮箱的故障特征提取问题,提出了如下所述的解决方案,解决了现有方法存在的一些问题,提高了齿轮箱的状态监测与故障诊断效果。(1)提出了基于奇异谱分解的滚动轴承微弱故障特征增强方法。该方法能够自动确定嵌入维数,为重建的序列自动选择主分量,通过附加的缠绕操作增强原始数据的振荡信息,减小模态混叠。仿真实验证明了该方法的有效性。将该方法用于滚动轴承故障诊断,并与包络分析及基于经验模式分解(Empirical Mode Decomposition,EMD)的方法和基于总体经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)的方法进行了对比,结果表明该方法在增强滚动轴承微弱故障特征方面具有优势。(2)提出了基于数据非线性和确定性测度的设备故障特征提取方法。提出了一种量化数据非线性和确定性的方法,然后利用数据的非线性和确定性刻画设备的运行状态。仿真实验证明该方法对噪声具有较好的鲁棒性。将该方法用于齿轮箱故障诊断,并与近似熵、样本熵、排列熵和延迟向量方差方法进行了对比,结果表明该方法在复杂数据特征提取方面具有优势。(3)提出了基于自适应多尺度符号动力学熵(Adaptive Multiscale Symbol-Dynamics Entropy,AMSDE)的设备状态监测方法。将多尺度分析方法引入到统计语义分析中,定义了 AMSDE。AMSDE能够将原始信号转换为一个熵向量,利用该熵向量来刻画设备的运行状态。将该方法用于齿轮箱和滚动轴承状态识别,结果表明该方法能够揭示数据的时间结构和空间结构,在设备状态监测方面与传统的时域统计参数及非线性参数相比具有优势。(4)提出了基于自适应变带宽代价函数的瞬时频率估计方法。该方法能够自适应确定目标脊线的搜索区间,能够解决一步代价函数方法存在的不能自适应确定脊点搜索区间的问题。首先采用数值实验验证了该方法的有效性。接着,将该方法用于估计风电齿轮箱的瞬时频率,并将其与一步代价函数方法及其它传统方法进行了比较,结果表明该方法在机器瞬时频率估计中具有良好的性能,与上述其它方法相比具有优势。(5)提出了基于傅里叶分解方法(Fourier Decomposition Method,FDM)的风电齿轮箱故障特征提取方法。首先比较了 EMD和FDM的滤波性能,证明了 FDM在低频和高频都具有良好的频率分辨率,然后利用仿真数据证明了 FDM在分离频率相近的信号分量方面能够突破EMD和EEMD方法的性能限制。将该方法用于风电齿轮箱故障诊断,并与基于EMD的方法和基于EEMD的方法进行了比较,结果表明该方法在故障特征提取中具有良好的性能,与上述其它方法相比具有优势。