关键词:
风力机传动齿轮
故障诊断
变转速
阶次分析
自适应时变滤波
梳状滤波
模糊C均值聚类
摘要:
齿轮箱作为风力机的传动和增速装置,对风力机的安全运行有着举足轻重的作用。受风向、风速多变等因素影响,齿轮箱通常有着负荷多变、转速多变的特点,因而其故障率较高。而齿轮箱发生故障通常会引起风力机的停机检修,严重时甚至会带来很大的损失,因此,对风力机齿轮箱的运行状态进行监测和诊断具有非常重要的现实意义。相比其他机械设备中的齿轮,风力机传动齿轮受风速与风向不稳定的因素和启停机等因素,转速和负载都会发生变化,通常处于变工况状态,其振动信号表现出非线性非平稳特性;同时,由于运行环境复杂,采集到的齿轮振动信号中,往往存在大量噪声干扰,微弱的故障特征容易被淹没在噪声中无法辨识。而传统的时频分析方法在提取变工况下风力机齿轮箱故障特征时均不同程度地存在一定的局限性,因此,基于以上问题,本文展开了以下研究工作:(1)建立了齿轮啮合的动力学模型,根据变转速工况下的齿轮振动特性给出了齿轮振动信号模型,阐述了齿轮啮合特征其调制边频带的特征;同时,介绍了齿轮故障类型及对应的振动信号特征,并分析了风力机传动齿轮故障诊断的难点。(2)针对自适应时变滤波(Adaptive Time-Varying Filtering,ATVF)方法只滤除阻带内的噪声,未对通带内的噪声进行有效处理的缺点,提出了基于EEMD和ATVF的非平稳信号特征提取方法,该方法不仅可有效滤除阻带内的噪声,而且对通带内的噪声也有较好的抑制作用。通过模拟变转速齿轮故障信号与实际齿轮信号的分析验证了所提方法的有效性,同时,与几种常用时频分析方法进行了对比分析,凸显了该方法的优越性。(3)针对ATVF计算精度不高和计算时间较长的问题,提出了一种自适应时变梳状滤波(Adaptive Time-varying Comb Filtering,ATVCF)方法,该方法结合 ATVF、梳状滤波器和核函数的滤波思想,并根据齿轮故障振动信号的特点,在每一时刻设置一个梳状滤波器,能够随齿轮转速变化自适应改变滤波器参数,在齿轮的几个故障调制频率点上进行针对性滤波,可有效提高分析信号信噪比。在此基础上,将Viterbi算法(Viterbi Algorithm,VA)引入ATVCF的齿轮啮合频率估计中,提出了基于VA和ATVCF的变转速齿轮特征提取方法,改进后算法计算效率得到明显提高。仿真和WTDS试验台数据分析可知,该方法能很好的提取齿轮信号故障特征,非常适用于对风力机齿轮进行故障诊断。(4)针对工程实际中齿轮故障的诊断,将Viterbi算法、ATVCF和模糊C均值聚类算法(Fuzzy C-Means,FCM)相结合,提出了一种新的适合于变转速下的故障识别方法,并将其应用于风力机传动齿轮的故障识别。该方法首先采用基于VA和ATVCF的滤波方法对信号进行滤波处理,并对滤波后的信号进行特征值的计算;再由特征值组成特征向量矩阵;然后采用FCM对特征向量矩阵进行分类,得到几个聚类的聚类中心,最后计算待识别信号的特征值与几个聚类中心的最小欧式距离,便可实现对齿轮故障的识别。通过与基于EMD和FCM的模式识别方法的对比,凸显了基于ATVCF和FCM的模式识别方法的有效性和优越性。