论文部分内容阅读
在当今环境压力日益严峻的形势下,风能作为一种无污染、可再生的新能源受到世界各国的青睐。齿轮箱与轴承作为风电机组传动系统的重要组成部件,其可靠运行与否直接影响着整个风电机组的发电性能与经济效益。目前,风电机组传动系统的诊断需要大量的专业人员参与,面对风电机群海量的监测数据,自动故障诊断研究具有重要的理论和工程意义。本文针对风电机组传动系统开展自动故障诊断研究,具体内容如下:(1)风电机组运行工况复杂多变,给基于振动分析的故障诊断带来诸多挑战,本文提出一种结合振动和同步SCADA数据的多源数据融合方法,实现机组不同运行模式下的齿轮箱故障诊断。首先,在变速恒频机组理论运行模式分析基础上,采用SCADA数据实现机组运行模式划分;其次,直接利用SCADA数据中的秒级转速信号进行阶次跟踪;通过特征阶次自动捕捉技术,实现不同运行模式下的齿轮箱故障诊断分析。结果表明,不同运行模式对特征阶次幅值产生了不同影响,基于多源数据融合的方法能够准确、稳定的提取齿轮箱故障特征,实现了全运行模式下的风电机组故障诊断。(2)轴承故障诊断主要依据其特征频率,但在实际应用中,寻找合适的解调频带和故障特征频率需要大量的时间和人力。基于此本文提出了一种基于递归变分模态分解(RVMD-AC)和包络阶次捕获的数据驱动方法,实现了不同工况下轴承的自动故障诊断。信号经RVMD自动分解后,选择无偏自相关的峭度的模态进行包络得到包络阶次谱,最后设计了一种基于阶次捕获自动搜索算法来构造轴承的故障特征向量。该方法在两个包含相同类型轴承但在不同工况下工作的试验台上进行了测试,取得了良好的轴承诊断性能。结果表明该方法对同一类型的滚动轴承在不同工况下的故障诊断具有较好的泛化能力。(3)在以上研究基础上,本文开发出基于LabVIEW的风电机组传动系统故障诊断系统,其中包括参数输入模块、数据预处理模块、故障诊断模块及图谱展示模块,在数据预处理模块中嵌入了 VMD算法,在故障诊断模块中,加入了传统的频谱分析与时频谱分析,同时也嵌入了阶次包络谱。最终实现多种图谱展示与多种方法诊断,为下一步风电机组传动系统状态监测与在线自动故障诊断的实现奠定了重要基础。