论文部分内容阅读
在环境问题和能源危机日趋严重的今天,风力发电事业的迅速发展无疑是一个正面消息,但随之而来的是风电场高额的维修费用。风机齿轮箱的故障是造成整台风电机组停机时间最长的一种故障,同时齿轮箱也是最昂贵的部件之一。因此,对其进行早期故障预测的研究对延长风机安全稳定运行时间和减少风电场运行维修费用具有重要意义。本论文是在国家自然基金(编号:51277074)项目下进行的,针对风机齿轮箱的振动监测数据,提出了两种基于子空间方法的齿轮箱故障预测算法:(1)基于随机子空间识别方法的故障预测。该算法首先利用随机子空间方法和大量正常运行时的振动数据,来建立齿轮箱的随机状态空间方程,并得到一组与齿轮箱正常状态特征相对应的参考特征值;随后利用这组参考特征值与由实际振动数据所求的特征值进行比较,如果所求特征值与参考特征值误差很小,则说明系统正常;反之则异常;为了便于比较,定义了均方根误差这个评价指标,结合统计过程控制原理确定的门槛值,来对齿轮箱的运行状态进行实时预测。(2)基于确定性-随机子空间识别方法的故障预测。该算法是对第一种算法的深化和扩展,不仅考虑了风机齿轮箱的振动监测数据,而且考虑了其变化的转速数据对故障预测的影响。首先,同样对长时间的振动数据和转速数据进行分析计算,由该算法可以求得齿轮箱各转速正常状态下的一个参考域;然后利用新的数据估计出状态空间方程的参数矩阵,并得到相应系统矩阵的特征值,若特征值位于参考域范围内则说明齿轮箱的状态正常,反之则异常;为了给出定量的分析结果,提出了离散度这个评价指标,正常状态下的离散度曲线应一直低于门槛值,而异常状态下的离散度曲线会有高于门槛值的情况出现。在Matlab环境下,编程实现了以上算法,分别利用正常振动数据和模拟断齿故障数据进行了仿真验证,并取得了较好的仿真结果,表明了所提方法的正确性和有效性。