论文部分内容阅读
风电已成为全球重要的新能源,近十年来我国风电发展更是迅猛,是继煤电和水电之后的第三大主力电源。风电快速发展的同时,运行故障问题也日益突出,对风电机组运行状态进行有效评估、及时对故障进行预警、避免重大故障的发生,已成为风电行业面临的紧迫任务。带增速齿轮箱的兆瓦级风力发电机是目前的主力机型,传动系统是其核心部件。受风能间歇性与波动性的影响,风电机组传动系统承受的载荷具有很强的时变性与冲击性,导致传动系统的故障高发。传动系统作为风机的重要部件,一旦发生故障,将会严重影响风电机组的正常运行。对传动系统运行状态进行分析,对其退化状况进行评估,及早发现故障原因,进而对其剩余寿命(Remaining Useful Life,RUL)进行预测,为预测维修提供依据,对于保障机组安全运行、提高机组运行效率、避免事故发生具有重大意义。本文针对目前故障识别和RUL预测研究中存在的振动信号对微弱故障敏感性差、组合故障识别研究少以及RUL预测偏差较大等问题,以风电机组传动系统中的滚动轴承和齿轮箱等关键部件为研究对象,开展了基于振动和声发射技术(Acoustic Emission,AE)的滚动轴承与齿轮箱故障识别以及滚动轴承RUL预测研究。主要研究内容如下:(1)针对振动信号对微弱故障敏感性差的问题,提出了基于伪维格纳分布(Pseudo Wigner Ville Distribution,PWVD)时频图像特征和卷积神经网络(Convolution Neural Network,CNN)的滚动轴承故障识别方法。用时频图作为表征滚动轴承状态的特征,并通过CNN网络直接对时频图进行全局特征学习和识别,可避免人为选择局部特征而造成的信息丢失。实验结果表明,该方法具有良好的微弱故障识别性能。(2)振动方法在故障早期和组合故障诊断时存在局限性。利用AE技术的高灵敏特点,采用AE结合支持向量机(Support Vector Machine,SVM)方法实现传动系统的运行状态识别。通过构建AE信号的时域特征集反映传动系统的运行状态,利用SVM优秀的泛化能力和小样本下的学习能力,识别滚动轴承和齿轮箱的正常状态、单一故障状态和复合故障状态。(3)RUL预测着重描述设备未来的状态,基于数据驱动的方法是RUL预测研究新的手段。针对目前常用方法没有充分利用历史数据时序性的缺点,提出了基于长短时记忆神经网络(Long Short Term Memory,LSTM)的滚动轴承RUL预测方法。首先对轴承全生命周期的振动信号进行时域、频域、时频域、熵以及分形维分析,构建表征轴承退化趋势的特征集,然后计算各特征的单调性、鲁棒性、趋势性以及可辨识性指标进行特征筛选,剔除对轴承退化不敏感的特征,最后利用LSTM网络构建模型实现寿命预测。不同寿命预测模型的对比研究表明,本文所提方法能够有效提高滚动轴承RUL预测的精度。