论文部分内容阅读
滚动轴承是风电机组的重要组成部件,轴承能否正常运行直接影响机组的安全,而由于风电场环境恶劣,风速波动大造成轴承极易发生故障,机组一般远离监控中心,一旦轴承有缺陷,我们难以及时发现故障并开展维修工作,轻则轴承报废,重则引发更严重的故障危害机组安全。所以为了保证机组安全经济运行,对易损部件轴承进行有效监测和及时诊断故障有重要意义。现国内外已开展了很多关于风力机的监测和报警的研究工作,这其中也包括了轴承在内的一些部件。随着研究工作的向前推进,有些监测系统已产品化,现已运用到风电场上,由于研究不够深入,功能不够完善,常有误报,漏报故障的事件发生,主要原因是现有的系统主要是进行设定阈值报警,观看数据趋势变化,没有将将监测参数和工况联系起来,阈值的设定不够合理。而且这些系统给出的诊断结果只是一个初步的诊断,没有定位到确定的故障位置和故障模式,不利于后续的维修计划的实施。本文首先深入研究轴承故障机理,建立轴承的热力学模型和动力学模型,从模型出发,研究故障从轻微到严重参数的变化特点,故障发生的本质原因及其造成的影响。同时采用故障树分析方法对每种故障模式从顶事件自上而下梳理出故障发生的深层原因。综合温度,振动,噪声,油液等建立各故障的预警模型和诊断模型。预警征兆的选取应对早期故障敏感,诊断是对预警后的故障模式的进一步确认,诊断所用的征兆更加丰富,有些征兆在故障早期可能没有显现,在进行故障诊断时却有所变化,利用这些更加丰富的征兆对故障进行进一步的诊断和确认。故障征兆的提取来源于系统中海量的数据,故障征兆主要分为时域指标和频域指标,对于时域指标,结合风电机组轴承处于变工况运行的特点,本文提出多元参数拟合的偏差度分析方法提取时域参数的特征,通过分析温度,振动特征参数随功率的变化特点,提取出和机组运行工况紧密联系的时域特征指标。对于频域指标的提取,风电机组变速运行和背景噪声较大特点给频域参数的提取带来困难,研究的重点是消除变工况的干扰,降噪和特征提取。本文提出阶比重采样、EMD降噪的方法来提取故障特征频率。阶比重采样技术有效的解决了变工况的问题,而EMD降噪利用互相关系数准则和峭度指标准则剔除了噪声,有显著的降噪效果。在模式识别方面,首先从触发预警的征兆出发,分析系统中可能存在的故障模式,用反向推理的方法,融合更多的故障征兆,识别出故障模式,采用故障树分析方法找出故障发展的底层原因,进而确定维修措施。