基于产品试验台数据的风电齿轮箱故障识别与诊断技术方法研究

In view of fault recognize and diagnosis technology of main wind turbines equipments is relatively laggard and has some defects, use of wind turbines gearbox manufacture corporations having plenty data, credible fault information, strong pertinence and friendly test environment characteristics through real wind turbines gearbox products maximal power simulation test platform, resolve a problem that now fault recognize and diagnosis expert system research needs huge original fault information of wind turbines gearbox products, and that test research is limited by environment, achieve a new technology and a new method of wind turbines gearbox fault recognize and diagnosis based on data of product test platform. The research contents include: 1）research on layout optimization of fault information sensors and method of obtaining all signals, aims at wind turbines equipments; 2）research on a new method of vibration signals processing and obtaining fault characteristics of wind turbines gearbox on speed variational and load variational circumstances. 3）in view of the platform can simulate all real work station and can design genuine product fault simulation of wind turbines gearbox, research a new method of fault diagnosis of wind turbines gearbox based on wavelet neural network and expert system. 4） research on building a wind turbines gearbox database system based on product test platform.

针对当前主流风电设备故障识别与诊断技术相对落后现状及存在的问题，提出通过在生产企业真实风电齿轮箱产品全功率模拟试验台基础上，利用风电齿轮箱生产企业试验台试验产品数据量大、故障信息数据可靠、针对性强和试验研究环境好等特点，解决目前风电齿轮箱故障识别与诊断专家系统研究需要大量原始故障信息要求和开展实验研究环境困难的制约，获得基于产品试验台数据的风电齿轮箱故障识别与诊断的新技术和新方法。研究内容包括：1）在传统齿轮箱故障振动信号处理方法基础上，研究针对风电设备齿轮箱各类故障信息传感器的优化布局和各类信号的获取方法；2）研究适用于变速度、变载荷工况下风电齿轮箱振动信号处理和故障特征提取的新方法；3）通过试验台具有模拟风电齿轮箱各种实际工况和主动设计真实产品故障模拟的特点，研究基于小波神经网络和专家系统的风电齿轮箱故障诊断新方法；4）研究建立基于产品试验台的风电齿轮箱故障诊断数据库系统。

由于风力的波动性以及风向的不定性，运行于变转速工况下风电齿轮箱的振动信号表现出典型的非平稳性，其处理与分析对于风电齿轮箱的状态监测与故障诊断具有重要意义。针对实际风电齿轮箱故障损伤试验研究困难这一现状，课题组按照功率缩小、结构与功能相似的原则搭建了风电齿轮箱模拟试验台，以进行风电齿轮箱非平稳振动信号处理与故障诊断方法的探索性研究。在试验台上，以模拟风电齿轮箱高速级的一级平行轴增速箱为试验研究对象，对其关于参考轴（输出轴）转角的角域振动信号进行了阶次谱分析；提出了基于S变换的角域周期性冲击特征识别与提取方法；针对风电齿轮箱采用支持向量机（SVM）智能故障诊断方法进行了研究，其重点在于故障特征向量的提取与基于遗传算法的故障诊断模型参数优化。.为实现时域振动信号的等角度间隔重采样，从而得到角域振动信号，引入了计算阶次谱分析方法，其主要包括重采样时间点的计算以及对应幅值的插值计算。针对平行轴增速箱在转速以正弦曲线变化的运行工况下，对其正常状态以及小齿轮轮齿局部磨损、局部断裂、大齿轮轮齿完全磨损与完全断裂这4种故障状态对应的角域振动信号进行了阶次谱分析。.利用S变换对风电齿轮箱在故障损伤状态下的角域振动信号进行谱分析，以检测其中的角域周期性冲击特征。而为了抑制角域振动信号中的噪声干扰，突出冲击特征，对角域振动信号的S变换谱分别进行了算法平均化与几何平均化处理。.采用SVM实现风电齿轮箱在使用寿命前期的智能故障诊断。作为试验研究，首先利用S变换谱算术平均化方法，针对平行轴增速箱在正常以及前述4种故障状态下的角域振动信号分别构建了标准S变换谱。然后利用各状态下角域振动信号的S变换谱与5幅标准谱之间的余弦相似度和相关系数组成故障特征向量，以此作为训练样本和测试样本，分别对由5个二分类SVM组成的5分类SVM进行训练与分类性能测试。最后采用遗传算法对各个二分类SVM的惩罚参数和径向基核函数宽度进行了优化，以提高5分类SVM的分类准确率，改善其推广与泛化能力。.完成基于设备状态监测与故障诊断数据库的设计，通过数据库为中心的在线、离线监测系统，特征信号的提取分类，完成了智能诊断的知识库的创建，并在试验和实测过程中不断充实优化智能诊断知识库。