变工况下风电机组齿轮箱故障特征提取及诊断方法研究

发布时间：2020-10-12 15:45

　　 齿轮箱是风电机组的主要传动部件,恶劣工作环境及风况变化引起的交变载荷极易使齿轮发生故障,其振动信号表现出强烈的非线性、非平稳性的特点。充分利用齿轮时变工况下的瞬时振动信息进行状态监测与故障诊断,对风电机的稳定运行和高效维修具有重要的科学意义和研究价值。本文在分析现有变工况风机齿轮箱故障诊断所存在问题的基础上,提出基于图像处理方法的变工况风机齿轮箱特征提取与诊断方法,并在风机齿轮实验台进行实验验证,结果表明该方法能够有效的提取变工况下的齿轮箱故障特征,并得到良好的故障类型识别结果。首先,研究了变工况下齿轮箱故障图像的生成方法,通过原理分析和仿真实验对比指出了时频分析方法生成变工况下齿轮箱故障图像的优越性。其次,研究了不同图像特征提取方法,并指出了TD-2DPCA算法在图像特征提取方面的良好性能。在此基础上,分析了STFT、WT、S变换三种时频分析方法与TD-2DPCA算法的结合性能,利用TD-2DPCA对三种时频方法得到的时频图进行特征提取,然后利用支持向量机进行故障诊断。不管是从不同维数特征提取实验还是随机实验,发现以Morlet小波为小波基的小波变换与TD-2DPCA算结合性能优于S变换,而S变换的结合性能又优于短时傅里叶变换。最后,将小波变换和TD-2DPCA算法结合用来提取变工况下风机齿轮箱故障特征。在不同维数特征提取实验中,达到了较高的识别正确率,最高可达96%。在变工况下,TD-2DPCA算法识别准确率要优于2DPCA算法,又与PCA算法相比二维的PCA算法提取变工况齿轮箱故障图像特征的性能更加优越,故障诊断的精度更高。为了分析TD-2DPCA算法提取图像特征的全面性,同GLCM、LBP、Gabor图像特征提取算法相比较。通过随机实验发现,TD-2DPCA算法在提取图像特征方面有更优良的特性。
【学位单位】：新疆大学
【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 2006 到 2015 年全球风电严重事故统计一般安装在高山、荒郊或偏远等风功率较大地区，其运行行时工况复杂多变，传动链尤其是齿轮箱经常会发生负载与和扰动作用。这就给风机齿轮箱的故障诊断带来了很大的变工况运行，其本质是风速改变导致齿轮箱变转速改变。当和根部的载荷发生改变。因此，材料内应力也随之发生变时，就会在齿轮表面产生裂纹，随着接触的持续和变载荷扩大，最终形成整个部件的损伤[4]。另一方面，在工作时齿部应力超过材料的极限应力，也可能造成齿轮诸如裂纹、载荷状态非常复杂，变载荷必定引起齿轮运行工况变化。齿轮箱变工况下的故障诊断及研究，不仅提高了齿轮箱故[5]

掷嗟乃俣群途?取８盟惴ǖ奶卣魈崛」?淌疽馔既缤?3.2 所示。图 3.2 TD-2DPCA 算法特征提取示意图3.3 实验设置及运行状态分析3.3.1 实验平台介绍实验选用的齿轮箱为美国 SQi 公司生产的风机齿轮箱实验平台，其实验台构成如图 3.3 所示。实验系统主要包括 DT9837 信号采集器、PHC-100 型号磁粉加载器以、608A11 型加速度传感器以及平行轴齿轮箱构成。齿轮箱内故障齿轮的主要参数为：输入轴的主动轮齿数为 80，从动轮齿数 19，输出轴的主动轮齿数为 80，从动轮齿数为17。故障齿轮为输出轴的从动齿轮，实验时采样频率为10000Hz ，采样时间为1s 。图 3.3 风机齿轮箱实验平台结构图往P投影转置后往Q投影原始图像矩阵 横向压缩矩阵 双向压缩矩阵

新疆大学硕士研究生学位论文的变工况齿轮箱故障样本，随机选择 30 个训练样本，每类状态下是个，试样本，进行随机实验10次。在实验过程中，TD-2DPCA的特征提取维数为 算法选择能量、熵、惯性矩、相关的均值和标准差作为 8 维纹理特征，3 3的邻域矩阵，得到维数为 59 的特征灰度直方图特征，Gabor 图像特择 5 个滤波器尺度和 8 个核函数方向上的结果作为特征参量。利用支持征识别，其分类正确率结果如下图 4.9 所示。
【参考文献】

相关期刊论文 前10条

1 王旭;岳应娟;蔡艳平;郭雅云;;基于递归图纹理特征分析的可视化故障诊断方法[J];图学学报;2017年06期

2 姜战伟;郑近德;潘海洋;潘紫微;;POVMD与包络阶次谱的变工况滚动轴承故障诊断[J];振动.测试与诊断;2017年03期

3 袁建虎;韩涛;唐建;安立周;;基于小波时频图和CNN的滚动轴承智能故障诊断方法[J];机械设计与研究;2017年02期

4 温广瑞;江铖;李杨;廖与禾;;基于弗德卡曼阶比跟踪的转子起停车故障特征提取方法及应用[J];振动与冲击;2016年02期

5 秦嗣峰;冯志鹏;LIANG Ming;;Vold-Kalman滤波和高阶能量分离在时变工况行星齿轮箱故障诊断中的应用研究[J];振动工程学报;2015年05期

6 向阳辉;张干清;庞佑霞;;结合SVM和改进证据理论的多信息融合故障诊断[J];振动与冲击;2015年13期

7 蒲晓川;肖涵;;基于EMD降噪的递归图分析方法在齿轮故障诊断中的应用[J];机床与液压;2015年05期

8 林龙;;基于S变换和图像纹理信息的轴承故障智能诊断方法[J];科学技术与工程;2014年06期

9 任玲辉;刘凯;张海燕;;基于图像处理技术的机械故障诊断研究进展[J];机械设计与研究;2011年05期

10 任凌志;于德介;彭富强;皮维;;基于多尺度线调频基稀疏信号分解的齿轮故障信号阶比分析[J];机械工程学报;2011年13期

相关博士学位论文 前3条

1 王重秋;摩擦式矿井提升机关键旋转体动态特性研究[D];中国矿业大学;2014年

2 赵明;变转速下机械动态信息的自适应提取与状态评估[D];西安交通大学;2017年

3 辛卫东;风电机组传动链振动分析与故障特征提取方法研究[D];华北电力大学;2013年

相关硕士学位论文 前4条

1 刘海;风力发电机组中轴承的状态监测与故障诊断系统的研究[D];上海电机学院;2016年

2 曾雪琼;基于卷积神经网络的变速器故障分类识别研究[D];华南理工大学;2016年

3 冯文;多转子轴承复杂路径下微弱故障特征提取方法研究[D];北京化工大学;2015年

4 谢孟龙;变工况齿轮箱振动信号处理与故障诊断方法研究[D];河北科技大学;2013年

本文编号：2837975