针对风机齿轮箱早期故障信号信噪比低且故障难以准确诊断的问题,提出了基于集合局部均值分解(ELMD)与离散隐马尔科夫模型(DHMM)的风机齿轮箱故障诊断方法。首先对风机齿轮箱故障振动信号进行ELMD分解,得到一系列的乘积分量(PF),再对每个PF与原始信号求取相关系数进而滤除噪声信号以及由分解引起的虚假分量,然后对新信号进行标量量化处理得到特征向量,最后将每种状态下的特征向量输入已训练收敛的离散隐马尔科夫模型库进行状态判别并得出诊断结果。实验结果表明,对于风机齿轮箱早期故障诊断,所提出的方法具有一定的有效性和实用性。

针对风机齿轮箱太阳轮花键失效问题,通过对失效花键进行化学成分、显微组织、微观断口以及力学性能的试验分析,查明花键键齿发生磨损的原因。结果表明,中间轴(Inter Mediate Shaft,IMS)太阳轮电机侧花键金相组织中存在较多杆状和不等轴块状或岛状未溶铁素体,降低了材料的耐磨性;IMS太阳轮花键失效主要是齿面硬度低,同时受疲劳磨损、化学腐蚀、磨粒磨损等几种磨损机制的综合作用,齿面出现严重磨损,导致IMS太阳轮电机侧花键承载力下降,力的传递不平稳,运行中振动加剧,致使齿轮箱失效。试验结果可为风电齿轮箱故障检测与诊断提供一定的理论指导。

风机齿轮箱作为风机的关键传递结构,针对其关键部件的故障诊断,提出了一种基于极点对称模态分解算法(ESMD)、MobileNet V2神经网络和D-S证据理论的诊断方法。首先将3个方向的复杂的故障信号进行ESMD分解与重构,将3个方向重构后的信号输入到MobileNet V2网络中进行训练,最后利用D-S证据理论进行融合计算并得到最终的预测结果。使用某公司搭建的风机齿轮箱实验平台数据,最终通过实验表明,文中所提出的诊断方法有效,在准确率可以接受的前提下,极大地减少了运算的时间,实现了轻量化。

针对风电机组齿轮箱运行工况复杂、背景噪声大,难以提取其故障特征信息的问题,提出一种基于变分模态分解(VMD)和分数阶希尔伯特变换(FHT)的风电机组齿轮箱故障特征提取方法。利用VMD分解风机齿轮箱各个故障信号,并且定义一种分解品质因数以选取VMD的最优分解层数K;对经最优化VMD分解后的各模态分量进行分数阶Hilbert变换,计算各模态分量的边际谱并进行线性叠加;提取该边际谱的频域特征作为齿轮箱故障信号的特征量。实验结果表明,采用该方法能够准确地提取出风机齿轮箱的故障特征,并获得更优的故障识别效果。

针对风电场运行条件恶劣、维护动作开展困难等问题,提出一种风机齿轮箱阶段性机会维护策略。采用威布尔失效模型来描述部件的衰退过程,考虑齿轮箱各部件的维护经济性,提出分阶段的机会维护策略。通过小波包能量谱对齿轮箱实际退化特征进行提取,划分出四个退化阶段。从而搭建出分阶段的齿轮箱机会维护模型,通过实验给出部件的具体维护间隔与动作,验证该维护策略的经济性与合理性。实验结果表明采用风机齿轮箱阶段性机会维护策略,可有效平衡＂维护不足＂与＂过度维护＂问题。

为了提高风机的可靠性,分析风机传动链状态监测技术与网络结构的现状,提出一种基于有线网络的状态监测系统,具有可靠性高,传输数据量大的特点。该系统融合了振动监测与油液监测2种在线实时监测技术,并结合SCADA数据,可提高对传动链潜伏故障和早期故障的诊断和预警准确率。该系统目前已经安装在了1.5 MW的双馈式风机上进行示范应用。在同一传动链上的多个振动传感器、油液与磨损颗粒传感器采集积累实时数据,为下一步的数据挖掘与信息融合奠定了基础。

齿轮箱是风电机组传动系统的核心部分,一旦齿轮箱发生故障,不仅会产生高额的维修费用,还会造成较长时间的停电。因此,对风机齿轮箱进行实时状态监测与故障的识别、隔离具有重要的实际意义。而齿轮箱状态监测与故障识别、隔离的有效性依赖于齿轮箱中传感器所安装的位置和数量,因而有必要对齿轮箱传感器的配置进行研究。为了使安装的传感器不但可以准确反映齿轮箱的运行状态,还能对可能出现的故障实现识别与隔离,提出从风机齿轮箱的动力学模型出发,构建描述齿轮箱运行状态的动力学方程,将结构分析方法应用到齿轮箱传感器的优化配置中;实现传感器数量最少,识别、隔离可能出现的故障能力最大的配置目标。

为提高风机预警维护的及时性与准确性,需对风机运营状态、退化模式进行有效识别,提出一种基于K均值聚类分析的风机退化模态识别。基于统计识别理论,引入K均值聚类分析对历史数据与状态信息学习分类,通过调整类内紧密度识别齿轮箱退化状态,利用风机模拟平台进行退化状态评估实验,划分退化区间,验证齿轮箱性能评估的有效性。实验结果表明基于K均值聚类分析的风机退化识别模型可有效识别风机运营模态,划分退化区域,为建立风机维护模型提供更为精确的科学依据。