论文部分内容阅读
风力发电机的智能故障诊断是风电产业可持续发展的必然要求。风机齿轮箱是风力发电机的关键传动部件,在长期随机风速工况下容易出现磨损、裂纹、断齿等齿轮故障,潜在着引发安全事故和经济损失的巨大风险。因此,开展随机风速工况下的风机齿轮箱齿轮故障诊断研究,符合风电能源产业安全健康发展的需要。但受随机风速工况的影响,目前仍存在着风机齿轮箱故障机理不明确、含噪声的非平稳信号的故障特征提取困难等问题。针对上述关键问题,本文以“一级行星+两级平行轴”型风机齿轮箱为研究对象,以实现随机风速工况下风机齿轮箱的齿轮故障诊断为研究目标,建立了随机风速工况下风机齿轮箱振动信号模型,提出了一种基于PSO-EEMD和阶次分析的非平稳信号处理方法,并进行了模型仿真与试验验证研究。(1)为了揭示随机风速、齿轮故障状态和振动信号响应之间的映射关系,首次将随机风速激励引入振动信号模型,综合考虑齿轮时变啮合频率、时变故障特征频率和行星架旋转效应等关键因素,从而建立了随机风速工况下风机齿轮箱振动信号模型。一方面,根据风场的风速统计特性,计算得到基于韦伯分布的随机风速模型,通过模型来模拟外界的随机风速,并将其转化为风机齿轮箱的输入轴转速;另一方面,结合风机齿轮箱的输入轴转速、结构参数和齿轮故障状态,获得时变的故障特征频率和载波信号,通过故障特征频率对载波信号的幅值和频率调制,建立风机齿轮箱振动信号模型。最后,通过对随机风速工况下风机齿轮箱振动信号模型的仿真分析,获得受随机风速干扰的包含齿轮故障特征信息的非平稳振动信号,为风机齿轮箱故障诊断研究提供数据支撑及理论依据。(2)为了改进总体平均经验模式分解方法(ensemble empirical mode decomposition,简称EEMD),更好地发挥其滤波除噪的作用,本文基于粒子群算法(particle swarm optimization,简称PSO)优化传统EEMD方法的关键参数,从而提出了 PSO-EEMD方法。该方法选取新的PSO评价目标函数来表征原始信号极值点均布特性,自适应地确定最优的高斯白噪声幅值Anoise,并计算相对应的总体平均次数N,从而通过优化这两个关键参数来提升EEMD方法的自适应性和分解精度。仿真对比分析结果表明,PSO-EEMD方法能够有效地将原始信号分解为多个固有模式分量(intrinsic mode function,简称IMF),相对于传统EEMD方法具备有效性和优越性,对振动信号滤波除噪效果更好。(3)为了从受噪声干扰的风机齿轮箱非平稳振动信号中提取故障特征,结合PSO-EEMD方法在信号滤波除噪方面的优势,提出了一种基于PSO-EEMD和阶次分析的非平稳信号处理方法。首先,借助等角度采样方法将非平稳的风机齿轮箱时域信号转变为平稳的角域信号;其次,借助PSO-EEMD方法对齿轮箱角域信号进行滤波除噪处理,根据峭度准则筛选出故障敏感IMF信号;最后,借助傅里叶变换获取故障敏感IMF信号的阶次谱,并从阶次谱中提取齿轮的故障特征阶次,从而判断风机齿轮箱的故障状态。仿真分析结果表明,该方法可以有效提取受噪声干扰的非平稳振动信号中的故障特征阶次,为风机齿轮箱故障诊断研究提供了方法技术支撑。(4)为了验证上述模型和方法的有效性,针对齿轮断齿故障和齿轮磨损故障这两种最常见的齿轮故障,对国内某风电场的风机齿轮箱开展齿轮故障诊断实例探究。首先,详细说明了试验数据的采集方案,同步采集了风机齿轮箱的时域振动信号和输出轴的转速数据;然后,利用基于PSO-EEMD和阶次分析的非平稳信号处理方法,获得故障敏感IMF信号的阶次谱,并将故障特征阶次从阶次谱图中提取出来,从而直观准确地判断风机齿轮箱的齿轮故障状态,并与实际的试验情况相互印证。