复杂多变工况背景下的风电机组传动部件故障诊断与预测方法研究

The project aims at the health maintenance of wind turbines to explore the mapping mechanism and decoupling problem among fault diagnosis, prediction and variable working conditions for main shaft and gear box on wind turbines main drive chain based on the accumulated massive operation data. The influence rules of force and movement on driving parts are obtained by establishing the dynamics and kinematics model of driving parts.The extraction of fault sensitive feature and the building method for associated features are researched by applying such methods as correlation analysis, information entropy analysis and cluster analysis based on the online monitoring of massive data. This project researches on the time-frequency analysis or multiresolution analysis method of non-stationary signal processing and extract the fault characteristic indexes of wind turbines driving parts under extreme operating conditions. The complex mapping relation among failure mode, sensitive signal characteristics and corresponding conditions is revealed by building the implicit mapping relation model of running state, fault characteristics and the corresponding conditions. The research results of this project can provide theoretical and technical support for the development and application of intelligent wind power.

项目以风电机组的健康维护为目标，基于积累的海量运行数据，探索解决风电机组主传动链中主轴、齿轮箱等传动部件故障诊断、预测与多变工况间的映射机理及解耦难题。通过研究分析传动部件动力学以及运动学模型构建，获取传动部件受力及运动的影响规律；基于在线监测海量数据，运用相关性分析、信息熵分析和聚类分析等方法，研究传动部件在不同工况下故障敏感特征提取及关联特征的构建方法；研究风机运行非平稳信号处理的时频分析或多分辨率分析方法，提取极端工况条件下描述风电机组传动部件故障产生的特征指标；研究构建运行状态、故障特征及其对应工况的隐式映射关系模型，揭示故障模式、故障敏感信号特征及对应工况三者之间的复杂映射关系。在此基础上，借鉴大数据思维及处理方法，探索解决复杂、多变工况条件下风电机组传动部件故障与变工况之间耦合关系的解耦与故障预测难题，为智能风电的发展和应用提供理论支撑和技术支撑。

风能作为主要清洁能源之一，风电机组的安全稳定运行具有重要工程意义。然其所处环境恶劣，致使风电机组常常是在变工况下运转，加速了传动系统零部件的损坏，故研究复杂多变工况背景下的风电机组传动部件故障诊断与预测方法具有重要意义。本项目首先研究了含故障行星齿轮传动系统的动态特性，研究了含有齿轮和轴裂纹的齿轮传动系统振动特性，研究了不同故障程度下行星齿轮传动系统的动态特性，分析了变工况对系统动态特性的影响规律；其次针对非稳态、非线性信号，提出了一种基于Morlet小波变换与TD-2DPCA算法的变工况齿轮故障特征提取方法，提出了一种以转频阶比分量为研究对象的大时间尺度特征提取方法，提出了一种自适应VMD-FSK的低速重载转轴裂纹故障诊断方法，低速重载下冲击特征提取方法，提出了一种双矢时域变换的方法，建立了两阶段多准则特征选择模型，提出了基于经验小波变换的中心差分能量算子特征增强算法，实现齿轮、轴承、轴的故障诊断；最后，针对变工况下故障识别率不高和零部件剩余使用寿命预测不准的问题，提出了一种改进最大相关峭度解卷积的故障诊断方法，以互相关和互信息为基础构造了一种K最近邻分类算法的轴承快速故障诊断方法，提出了一种自适应边界抑制ARHVD的故障特征识别方法，提出了一种基于CEEMDAN和多稳态势函数与高斯模型混合所得的复合多稳态随机共振的轴承微弱故障诊断方法，提出了一种基于切换无迹卡尔曼滤波算法的剩余寿命预测方法，提出了一种基于相似度的性能退化字典的剩余寿命预测方法。本项目研究成果将为风电机组传统系统的状态监测和关键零部件的剩余寿命预测提供理论和实践指导。