基于在线监测数据的风机齿轮箱故障诊断方法研究

发布时间：2020-09-19 13:53

　　 随着石油、煤炭等资源的持续性短缺,风能由于其丰富性、可持续性、无污染等多重优势受到了重视,风机单机装机容量的逐步提高和风机发电的恶劣环境对风机可持续性发电和维修提出更高的要求,故本文针对风机齿轮箱中滚动轴承和齿轮的故障监测方法进行了探讨,主要工作包括:(1)梳理近年世界风电发展趋势,分析瑞典等国的风电监测数据,与国内某风电场连续两年搜集到的故障数据进行对比,分析出风机各部件故障比率,从中发现零件故障规律,得到齿轮箱在线故障监测的意义。笔者同时归纳风电机组齿轮箱故障监测常用方法,分析各自方法的优缺点,展望各种方法发展趋势。(2)简单介绍齿轮箱的结构和其在发电中发挥的作用,对齿轮箱中的齿轮和滚动轴承的故障分析了原因和振动机理,并给出各种故障形式所对应的振动频率计算公式,为后续的滚动轴承和齿轮的故障诊断给出理论依据。(3)针对风机轴承早期故障特征微弱,不易被及时发现的问题,笔者利用变分模态分解方法和双谱分析方法处理滚动轴承早期故障信号,可以从信噪比较低的原始信号中分析出明显的故障特征分量,同时,为了进一步突出信号的故障特征频率,笔者利用Teager能量算子的特点结合变分模态分解提出方法,对张家口某风电场现场数据进行故障分析,仿真和实验结果均证明了两种方法的有效性。(4)针对齿轮产生的振动包含一定的高频噪声、集合经验模态函数参数需要人工干预的问题,笔者提出一种融合集合经验模态分析和主元分析的风机齿轮信号降噪及性能退化评估方法,将齿轮失效前一段信号等分为几段,对每一段信号进行集合经验模态分解,用主元分析比较个信号分量在整个齿轮寿命周期中的变化趋势,选取最能反映齿轮性能退化的部分分量进行信号重构以实现降噪,再用主元分析对重构信号进行处理,用连续平方预测误差反映信号在整个寿命周期中的变化趋势,从而实现齿轮箱故障在线监测。
【学位单位】：华北电力大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TH132.41;TM315
【部分图文】：

图 1-1 2016 年-2020 年世界风电市场发展情况预测的先进性和地理位置的优越性等多方面因素使得欧洲和美洲成为了风电发展最其是欧洲的瑞典德国等国家，自 1990 年代起便大力发展风电，风电市场一直稳亚洲各国对风电及清洁能源重视程度日益加强，亚洲风电也呈现良好发展态势，发展主要力量已经转移到以中国为首的亚洲地区，如图 1-2 所示， 2007-2015

图 1-4 Elfork 公司统计各子系统故障次数所占比例内的风电目前由于刚刚经历了野蛮生长期，一直在对机组实时监测的工作进行的风电，所以只取到了来自张家口某风电公司,共 3 个风电场合计 123 台风机 2014 年整年年前 10 个月的运行记录。虽然两年的监测数据较为短暂,但大部分数据在机组运行了后开始统计,这些故障数据也能反映出一些问题。表 1-2 为 2014 和 2015 年故障运行

风机齿轮断齿图

【参考文献】

相关期刊论文 前10条

1 王皓;周峰;;基于小波包和BP神经网络的风机齿轮箱故障诊断[J];噪声与振动控制;2015年02期

2 游子跃;王宁;李明明;李亚强;王皓;;基于EEMD和BP神经网络的风机齿轮箱故障诊断方法[J];东北电力大学学报;2015年01期

3 赵洪山;郭伟;邓嵩;王少游;张兴科;;基于确定性随机子空间方法的风机齿轮箱故障预警[J];可再生能源;2014年05期

4 唐贵基;王晓龙;;基于EEMD降噪和1.5维能量谱的滚动轴承故障诊断研究[J];振动与冲击;2014年01期

5 杨庆;陈桂明;何庆飞;刘鲭洁;;局部切空间排列算法用于轴承早期故障诊断[J];振动.测试与诊断;2012年05期

6 程军圣;杨怡;杨宇;;基于LMD的谱峭度方法在齿轮故障诊断中的应用[J];振动与冲击;2012年18期

7 许雪贵;徐文琴;;齿轮箱故障的振动机理与故障特征研究[J];机械制造与自动化;2012年04期

8 陈仁祥;汤宝平;吕中亮;;基于相关系数的EEMD转子振动信号降噪方法[J];振动.测试与诊断;2012年04期

9 赵洪山;胡庆春;李志为;;基于统计过程控制的风机齿轮箱故障预测[J];电力系统保护与控制;2012年13期

10 杨涛;任永;刘霞;黄树红;高伟;;风力机叶轮质量不平衡故障建模及仿真研究[J];机械工程学报;2012年06期

相关博士学位论文 前1条

1 任达千;基于局域均值分解的旋转机械故障特征提取方法及系统研究[D];浙江大学;2008年

相关硕士学位论文 前7条

1 宫秀芳;风力发电机组齿轮故障模拟实验及仿真研究[D];哈尔滨理工大学;2015年

2 刘霞;风力机传动系统故障诊断研究[D];华中科技大学;2013年

3 薛金亮;基于振动噪声信息融合的齿轮箱齿轮故障诊断研究[D];青岛理工大学;2012年

4 郝国文;大型风电机组传动系统故障诊断信息分析方法研究与应用[D];燕山大学;2011年

5 杨明明;大型风电机组故障模式统计分析及故障诊断[D];华北电力大学（北京）;2009年

6 佘勃强;风力发电增速装置的研究[D];西安理工大学;2008年

7 刘强;人工神经网络及其在汽轮发电机组振动故障预测中的应用[D];浙江大学;2005年

本文编号：2822586