论文部分内容阅读
随着全球风电产业迅猛发展,风电机组装机容量的快速增长,其单体规模与承风载能力也在不断增加,复杂工况下风电机组中行星齿轮箱相对容易发生故障,维护成本高,对风电机组故障诊断的实时性与准确性要求也越来越高。开展风电机组行星齿轮箱故障诊断技术研究,对于保障风电机组设备工作可靠性、安全性,降低维护维修费用具有重要意义。本文研究基于振动信号分析的行星齿轮箱故障诊断技术,主要研究工作及成果如下:(1)针对变转速工况下振动信号时频谱存在频率模糊现象,提出一种基于NLSTFT瞬时频率估计的无键相阶次跟踪和带前置降噪的自适应VMD故障诊断方法。首先为消除转速波动对振动信号影响,采用NLSTFT时频分析方法迭代估计瞬时频率,然后将瞬时频率曲线转化为瞬时相位曲线,从而进行无键相阶次跟踪。后续利用不存在模态混叠以及可以分解出频率相近成分的VMD方法进行故障诊断,针对VMD存在的参数难以手动确定以及对强噪声敏感的不足,采用PSO算法全局优化确定VMD参数,采用OGS算法对VMD分解前的振动信号进行压缩降噪克服噪声影响。通过仿真信号和实际实验研究,实验结果表明本文所提算法在转速变化工况下能有效实现行星齿轮箱故障诊断。(2)针对复杂工况下行星齿轮箱故障诊断率较低问题,提出一种行星齿轮箱多样性多准则故障特征选择DMCFS和异构模型集成学习HE-BS的信息融合故障诊断方法。首先,提取振动信号多域故障特征,考虑到多个特征关联因素,定义了4种特征评价准则,建立了多准则故障特征优选数学模型;然后采用MOEA/D优化算法求解模型,得到多组多样性故障特征子集;最后,基于多组多样性故障特征子集和异构模型集成学习实现信息融合故障诊断。通过UCI标准数据测试集和实验进行验证,实验结果表明本文所提算法可获得性能良好的低维故障特征,能显著提高故障诊断准确率和对噪声的鲁棒性。