风力发电机组行星齿轮箱振动故障诊断方法研究

发布时间：2020-06-09 05:02

【摘要】：行星齿轮箱是风力发电机组传动系统的重要组成部件,也是故障发生率最高的部件之一,近年来随着风机容量的饱和,后期的保养与维护越发重要。因此,研究风电齿轮箱的故障监测与诊断技术对风电场的平稳输电和后期维护有着重要意义。本文以一级行星齿轮箱为研究对象,利用集合经验模式分解算法(Ensemble Empirical Mode Decomposition,EEMD)提取齿轮箱中的故障特征,EEMD通过叠加高斯白噪声填补信号的间断处使信号变得连续平稳,这样就可以有效的抑制经验模式分解(Empirical Mode Decomposition,EMD)过程中产生的模态混叠现象,提高信号分析的精度。首先,本文介绍了行星齿轮箱的结构和典型故障并建立行星齿轮箱振动信号模型,分析了EEMD的基本原理及算法,并与经验模态分解(EMD)进行对比加以验证该方法能够有效抑制EMD算法在分解过程中出现的模式混叠现象。其次,用三维建模软件Solid Works建立风电机组齿轮箱行星轮系模型,联合ADAMS对风电机组行星齿轮箱进行动力学仿真。分别建立正常和故障齿轮模型并对其进行动力学仿真,对仿真得到的啮合力特征做频谱分析判断齿轮的工作状态,验证虚拟样机技术对于风电机组齿轮箱的故障诊断的可行性。最后,搭建风力发电机组模拟试验台,分别在行星齿轮箱正常和故障条件下采集齿轮箱的振动信息并将振动信号进行EEMD分解,对有效的IMF分量做包络谱分析,通过包络分析提取出信号中的特征频率并诊断行星齿轮箱工作状态。通过模型仿真分析,轮齿的故障频率作为调制频率会引起载波频率的变化,通过对啮合力的分析可以找到齿轮故障特征频率成份以及相关成份,验证了仿真的可行性。实验结果表明,虽然行星齿轮箱的原始振动信息复杂,通过对行星齿轮箱正常和故障状态下的振动数据对比分析,表明EEMD分解对于振动信号的去噪以及抑制模态混叠现象具有十分明显的效果,能够准确地反映故障特征频率,验证了EEMD算法对行星齿轮箱故障诊断应用的可行性。
【图文】：

风电,装机容量

.1 课题的来源课题来自国家自然科学基金项目“风力发电机主传动链的无传感器故障方法研究”（批准号：51275136）。.2 课题研究的目的和意义从现在的国际环境来看，能源的消耗与污染问题已经成为全世界关注的，，能源的重复利用和清洁能源的开发已成为诸多领域的热点，风能与其他环再生的能源如太阳能、水能等相比，更加容易开发利用，而且不会对环生二次污染，不受季节、气候、地域等因素的限制。风电技术的发展日趋，风电场也在不断扩大，据世界风能理事会(GWEC)最新年度报告显示[1]，2新增加的装机容量历史上首次超过 60GW,上线的风能容量达到了 63GW，了去年的 51.7GW。截止到 2015 年，全球风机安装容量总数是 432.9 GW比于 2014 年累计市场增长超过 17%。万千瓦 %

模拟实验台,齿轮箱,实验台

图 1-3 模拟实验台系统Fig.1-3 Simulation test bench system图 1-4 行星齿轮箱实验台Fig.1-4 Planetary gear box experiment table所述，通过以上诸多文献的相关介绍，不难看出现有的故障了风电齿轮箱的复杂结构，实验台的搭建也是模拟齿轮箱的号的处理也提出了很多方法，但是多数研究都是借助传统定
【学位授予单位】：哈尔滨理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TM315;TH132.41

【参考文献】